Profesor | Gonzalo Pérez de la Cruz | lu mi vi | 19 a 20 | 004 (Yelizcalli) |
Ayudante | Leonardo Daniel de la Cruz Cuaxiloa | ma ju | 19 a 20 | 004 (Yelizcalli) |
Ayudante | Fernando Raúl Garay Araujo | ma ju | 19 a 20 |
-Leonardo Daniel de la Cruz Cuaxiloa
-Fernando Raúl Garay Araujo
No se aceptan oyentes. La invitación al classroom del curso se enviará el domingo 29 de enero al correo registrado en el sistema xfc.
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, machine learning). En particular, se revisarán los modelos lineales generalizados, así como los principales métodos estadísticos usados para el problema de clasificación supervisada.
Temario
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 cuatro integrantes.
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