EPG3530 Metodos Estadísticos Avanzados III
Escuela | Matemáticas |
Área | |
Categorías | |
Créditos | 15 |
Prerequisitos
Requisitos: EPG3510 o EPG3520
Sin restricciones
Calificaciones
Este ramo no ha sido calificado.
CURSO : METODOS ESTADISTICOS AVANZADOS III
TRADUCCION : Advanced Statistical Methods III
SIGLA : EPG3530
CREDITOS : 15 UC / 9 SCT
MODULOS : 2 Clases de Catedra y 1 Ayudantia
REQUISITOS : EPG3510, EPG3520
RESTRICCIONES : solo si corresponde (se refieren a condiciones de pertenencia como por ejemplo curriculum, unidad academica, nivel postgrado o bien autorizacion UA. En caso de curriculum o UA se deben indicar los codigos correspondientes)
CARACTER : Minimo
TIPO : Catedra
CALIFICACION : Estandar (calificacion de 1.0 a 7.0)
PROFESOR :
I. DESCRIPCION
Este es el tercero de una serie de tres cursos en metodos estadisticos avanzados. Se concentra en metodos de aprendizaje no supervisada y en problemas de alta dimension.
II. OBJETIVOS
1. Reforzar conocimientos en metodos de aprendizaje estadistico.
2. Preparar al alumno para enfrentar temas de investigacion, con una base amplia de tecnicas y metodos de modelamiento estadistico.
III. CONTENIDOS
1. Introduccion
1.1. Aprendizaje estadistico en el contexto del presente curso
2. Aprendizaje no supervisado
2.1. Reglas de asociacion
2.2. Analisis de conglomerados (clusters)
2.3. Componentes, curvas y superficies principales
2.4. Analisis de componentes independientes
3. Random forests
3.1. Definicion
3.2. Detalles
3.3. Analisis
4. Ensemble learning
4.1. Boosting
4.2. Regresion penalizada
5. Problemas de alta dimension (p >> N)
5.1. Ideas generales de aprendizaje estadistico
5.2. Analisis discriminante lineal diagonal
5.3. Clasificadores lineales
5.4. Clasificacion cuando las variables no estan disponibles
5.5. Regresion en alta dimension
IV. METODOLOGIA
- Clases expositivas.
- Lecturas recomendadas por el profesor.
V. EVALUACION
- La evaluacion del curso consistira en 3 interrogaciones (70%) y un examen final (30%).
VI. BIBLIOGRAFIA
Minima:
? Hastie, T., Tibshirani, R., Friedman, J., & Freedman, J. (2009). The elements of statistical learning: data mining, inference and prediction, Second Edition. Springer.
Complementaria:
? Efron, B. & Hastie, T. (2016). Computer Age Statistical Inference: Algorithms, Evidence, and Data Science. Institute of Mathematical Statistics Monographs.
Secciones
Sección 1 | Pedro Ramos |