Inicio
Contacto
Mapa del sitio
Directorio
Correo
Tienda Virtual
IngresarActuaría (plan 2015) 2023-1
Optativas, Seminario de Estadística I
| Profesor | Gonzalo Pérez de la Cruz | lu mi vi | 19 a 20 |
| Ayudante | Francisco Javier Zárate Almaguer | ma ju | 19 a 20 |
| Ayudante | Dioney Alonso Rosas Sánchez | ma ju | 19 a 20 |
El curso se dará en línea usando Meet y Classroom. Las sesiones se grabarán y también se subirán notas.
No se aceptan oyentes. La invitación al classroom del curso ya se envió al correo registrado en el sistema; en caso de no recibir la invitación, favor de mandar un correo especificando el correo "ciencias.unam.mx" que usarán para el curso.
Nota. Los alumnos de Matemáticas Aplicadas pueden inscribir el curso solitando autorización a su coordinación.
Para obtener y actualizar correo, revisar el link siguiente: http://computo.fciencias.unam.mx/manualesUsuario/manualesCorreo.php
Requisitos
- Haber cursado y aprobado los cursos de Inferencia Estadística y Modelos no Paramétricos y de Regresión.
- Tener experiencia con el uso de R.
Objetivo
El curso se centrará en describir los aspectos teóricos fundamentales y mostrar ejemplos prácticos sobre los principales métodos estadísticos usados para el aprendizaje automatizado (Ciencia de Datos o Machine Learning). En particular, se revisarán los modelos lineales generalizados, así como los principales métodos estadísticos usados para el problema de clasificación supervisada.
Temario
- Principales objetivos del aprendizaje estadístico: inferencia, estimación, causalidad y predicción.
-
Introducción a los modelos lineales generalizados (glm).
- Estimación y diagnóstico de los supuestos.
- Selección de modelos: métodos stepwise y métodos de regularización.
-
Métodos de aprendizaje no supervisado.
- Análisis de componentes principales y análisis factorial exploratorio.
- Análisis de conglomerados (K-Medias y método jerárquico).
-
El objetivo de predicción.
- Métodos de evaluación: Cross-validation y repeated holdout.
- Uso de la regresión para la predicción de valores continuos.
-
El problema de clasificación y los principales métodos:
- Regresión logística
- Análisis de discriminante
- K vecinos más cercanos
- Naive classifier
- Métodos basados en árboles y en bootstrap: decision trees, bagging, random forests y boosting.
- Máquina de Soporte Vectorial y Redes Neuronales (si el tiempo lo permite)
Evaluación
-
Tres tarea-exámenes. Cada uno tiene un valor de 2.5 puntos de la calificación. Las tareas se pueden hacer de forma individual o por equipos de máximo tres integrantes.
- Se darán al menos 72 horas para resolver cada tarea-examen, este periodo incluye una sesión de ayudantía/clase para comentar sobre dudas, por ejemplo, el lunes se sube al classroom y se entrega el miércoles.
- Se realizará un examen individual de forma presencial. Este examen consistirá en resolver un par de ejercicios similares a las tarea-exámenes y tendrá una duración de máximo 2 horas. La asignación del tema (tarea-examen) será aleatoria. Este examen tiene valor de 2.5 puntos de la calificación, pero si no se tiene calificación aprobatoria, la calificación final será no aprobatoria.
Notas sobre la evaluación
-
La calificación promedio final se redondea al entero más cercano a partir de 6, siempre que se tenga promedio mayor o igual a 6 en los exámenes, en otro caso es NA.
-
Se puede presentar examen final renunciando a la calificación final previa obtenida, siempre que se haya aprobado al menos un examen parcial.
-
Se califica con NP en actas únicamente cuando el número de exámenes presentados es menor a 2.
Bibliografía.
Agresti, A. (2015). Foundations of Linear and Generalized Linear Models. Wiley.
Agresti, A. y Kateri M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall.
Berk, R. (2020). Statistical Learning from a Regression Perspective. Springer
Denuit, M., Hainaut, D. y Trufin, J. (2019). Effective Statistical Learning Methods for Actuaries I. GLMs and Extensions. Springer.
Dobson, A. y Barnett, A. (2018). An introduction to generalized linear models. CRC Press.
Efron, B. y Hastie, T. (2016). Computer Age Statistical Inference. Algorithms, Evidence, and Data Science. Cambridge University Press.
Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer.
Hastie, T., Tibshirani, R. y Wainwright, M. (2015). Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall.
James, G., Witten, D., Hastie, T. y Tibshirani, R. (2021). An Introduction to Statistical Learning. With applications in R, Springer.
Murphy, K. (2022). Probabilistic Machine Learning: An Introduction. MIT Press
Wüthrich, M. V. y Merz, M. (2022). Statistical Foundations of Actuarial Learning and its Applications. Draft en https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3822407
Facebook
Twitter
Youtube