Actuaría (plan 2015) 2021-1

Optativas, Seminario de Estadística I

Seminario de Estadística Grupo 9268 de 13-14hrs. Online a la hora de clase por google.meet.

Guillermina Eslava, eslava@ciencias.unam.mx, cubículo 102, Dep. de Matemáticas, F.C.

Ayudante: Sofía Guzmán León, sofguzman@ciencias.unam.mx.

Requisitos: Haber cursado y aprobado Inferencia estadística, y Modelos no Paramétricos y de Regresión.

Estar familiarizado con R o con Python.

Material del curso en: google.classroom

Evaluación:

i) Cada capítulo del 1-6 será evaluado con un examen--tarea, individual o en grupo, 80%

ii) Un proyecto final, cap 7, para presentarse de forma oral y escrita, 20%.

No se aceptan oyentes. El trabajo es intenso y sostenido a lo largo del curso tanto para los profesores como para los estudiantes.

Temario

0. Introducción

i) Alcances y limitaciones del curso

ii) Manejo de datos en R

iii) Introducción a latex

iv) Lineamiento generales para la redacción y presentación de las tareas y del proyecto

1. Modelo de regresión lineal

i) Repaso del modelo de Regresión lineal múltiple

ii) Modelos con variables continuas, binarias, discretas, y mixtas.

iii) Transformaciones e interacciones

iv) Anovas

2. Aprendizaje no supervisado

i) Introducción

ii) Análisis de Componentes Principales

iii) Análisis de conglomerados

3. Métodos de evaluación y selección de modelos

i) Introducción

ii) Training/test/validation sets

iii) Bias/variance trade-off

iv) Generalization and overfitting

v) Repeated train/test

vi) Cross-Validation

vii) Bootstrap

4. Aprendizaje supervisado.

i) Introducción

ii) Regresión logística (GLM)

iii) Análisis de discriminante: lineal, Naive Bayes y k nearest neighbour

iv) Support Vector Machines, SVM

5. Modelos de árboles.

i) Trees (Arboles de decisión)

ii) Random forest

iii) Boosting

6. Selección de modelos y regularización.

i) Métodos clásicos

ii) Selección de modelos en alta dimensión

iii) Ridge regression and Lasso

iv) Elastic net

v) Relaxed lasso

7. Redes Neuronales ( NN).

i) One-layer

ii) Introducción a Deep learning (deep NN: Multilayer & Convolutional )

Bibliografía

Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. Wiley.

Efron, B., Hastie, T. (2016). Computer Age Statistical Inference. Algorithms, Evidence and Data Science. Cambridge University Press. Texto disponible en la página de los autores.

Goodfellow, I., Bengio, Y., and Courville A. (2016). Deep Learning. MIT Press.

Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. Disponible en Springer a través de la UNAM.

Hastie, T., Tibshirani, R., Wainwright, M. (2015). Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall.

James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning. With applications in R, Springer. Texto a seguir en el laboratorio del curso y disponible en Springer a través de la UNAM

Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press.

Strang G. (2019). Linear Algebra and Learning from Data. CUP

Venables, W.N. and Ripley, B.D. (2002). Modern Applied Statistics with S. Springer-Verlag.

Curso en linea impartido por Hastie \& Tibshirani:

https://www.r-bloggers.com/in-depth-introduction-to-machine-learning-in-15-hours-of-expert-videos/