Encabezado Facultad de Ciencias
Presentación

Actuaría (plan 2015) 2018-2

Optativas, Seminario de Estadística I

Grupo 9318, 30 lugares. 10 alumnos.
Aprendizaje Estadístico (Statistical learning)
Profesor Guillermina Eslava Gómez lu mi vi 12 a 13 104 (Nuevo Edificio)
Ayudante Alfredo Sepúlveda Sastré ma ju 12 a 13 104 (Nuevo Edificio)
 

Aprendizaje estadístico (Statistical learning). 2018-2

Guillermina Eslava, eslava@ciencias.unam.mx. Cubículo 102, Departamento de Matemáticas, Facultad de Ciencias.
Ayudante: Alfredo Sepúlveda Sastré, sepulveda.sastre@gmail.com.
Grupo 9318 Seminario de Estadística I (Plan 2015). Grupo 9171 Seminario de Aplicaciones Actuariales (Plan 2006). Salón por asignarse, 12-13hrs. Lu-Ma-Mie clase de teoría; jueves y viernes ejercicios y laboratorio de cómputo.

Requisitos: Haber cursado y aprobado Estadística I y II. Estar familiarizado con R.

Nota: No se aceptan oyentes. Material del curso en:

Evaluación: Cada capítulo del 1 al 8 será evaluado con un examen o con un examen–tarea, 80%. Un proyecto final individual para presentarse de forma oral y escrita, 20%.

Temario

1. Análisis exploratorio y visualizaci ́on de datos.

2. Regresión lineal.

- Regresión lineal múltiple
- Modelos con variables, contínuas, discretas y mixtas. - Transformaciones y selección de modelos

3. Clasificación.

- Análisis de discriminante lineal y cuadrático - Discriminante k nearest neighbour

- Regresión logística

4. Métodos de evaluación y selección de modelos

- Introducción
-
Cross-Validation - Bootstrap

5. Selección de modelos y regularización.

- Selección de modelos - Lasso

6. Modelos de árboles.
- Arboles de decisión

- Random forest, Bagging, Boosting

7. Aprendizaje no supervisado.

- Análisis de Componentes Principales - Anaálisis de conglomerados

8. Redes Bayesianas (Modelos gráficos dirigidos).

- Modelos gráficos. - Redes Bayesianas

Bibliografía

Chang, W. (2012). R Graphics Cookbook: Practical Recipes for Visualizing Data. O'Reilly Media, Inc.

Cook, D. and Swayne, D.F. (2007).Interactive and Dynamic Graphics for Data Analysis. With R and GGobi

Ehrenberg, A. S. C. (1982). Writing technical papers or reports. The American Statistician.

Gareth, J., 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 DGB UNAM

Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. texto a seguir en el curso y disponible en DGB UNAM

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

Højsgaard, S., Edwards, D., Lauritzen, S.L. (2012). Graphical Models with R. Springer. Disponible en DGB UNAM

Scutari, M and Denis , J-B. (2015). Bayesian networks . With examples in R. Chapman and Hall.

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

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos.