Profesor | Sofía Villers Gómez | lu mi vi | 11 a 12 | 304 (Yelizcalli) |
Ayudante | David Alberto Mateos Montes de Oca | ma ju | 11 a 12 | 304 (Yelizcalli) |
Requisitos
Haber cursado y aprobado Inferencia estadística (Estadística I) y Modelos no Paramétricos y de Regresión (Estadística II).
Evaluación
• 50% tareas, prácticas y exámenes. (Las tareas y prácticas pequeñas para entregar la siguiente clase. A lo largo del curso habrá entre 4-5 de cada una)
• 30% Proyecto (evaluación escrita)
• 20% Presentación del proyecto (evaluación oral)
Temario
Revisión de conocimientos básicos de R
• Elementos Básicos de R: Consola, Script, Librerías y CRAN.
• Manipulación y Creación de Objetos
• Lectura y exportación de archivos, csv, txt, etc.
• Gráficas: Histogramas, Pie Charts, Dispersión, Box Plot. - Introducción a la librería “ggplot2”.
• Funciones Estadísticas y Simulación de Densidades.
Programación avanzada en R
• Creación de funciones
• Visualización de datos
• Documentos ejecutivos
• Dashboards
Regresión Lineal y Logística
• Regresión lineal simple
• Regresión lineal múltiple
• Regresión Logística
• Modelos lineales generalizados
• Selección de Modelos Criterios AIC, BIC y divergencia de Kullback-Leibler
Estadística no paramétrica y técnicas de calibración
• Estadísticos muestrales
• Curvas CAP y ROC
• Information Value
• Matriz de confusión
• Boostrap
• Validación cruzada
Modelos avanzados de regresión
• Regresión polinomial
• Redes Neuronales
• Regresión de Soporte Vectorial
• Arboles de regresión
• Random Forest
Modelos de clasificación
• K-Medias
• Clusterización jerárquica
• Arboles de clasificación
• Random Forest
• Máquinas de Soporte Vectorial
Bibliografía
• The Art of R Programming. no starch press, 1a edición. N. Matloff.
• Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge, 1a edición. P. Flatch.
• An Introduction to Statistical Learning with applications in R. Springer, 1a edición. G. James, D. Witten, T. Hastie and R. Tibshirani.
• The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. T. Hastie, R. Tibshirani, J. Friedman.
• Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall, T. Hastie, R. Tibshirani, M. Wainwright.
• Machine Learning, Neural and Statistical Classification. D. Michie, D.J. Spiegelhalter, C.C. Taylor.
• Applied Multivariate Statistical Analysis. Wiley, 6ta edición. R. Johnson y D. Wichern.
• An Introduction to Applied Multivariate Analysis with R. Springer, 1a edición. B. Everitt y T. Horton.