Métodos Estadísticos - Ucentral 2024-II#
Lenguaje base: Python 3.10.12#
En el curso se construyen los fundamentos teóricos de los principales métodos de la estadística exploratoria multidimensional y se trabajan sus aplicaciones, utilizando software especializado de uso libre y comercial. Las prácticas se orientan a la aplicación de los métodos a situaciones reales que requieren apropiación de los contextos específicos, a partir de la revisión de artículos, para realizar interpretaciones adecuadas de los datos y del fenómeno en general. Para el aprendizaje de la aplicación de los métodos, el estudiante deberá realizar talleres utilizando el Python lenguaje de programacion base.
Textos de Referencia#
Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. “ O’Reilly Media, Inc.”.
Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python. A Problem-Solver’s Guide to Building Real-World Intelligent Systems, New York: Springer-Verlag
Nina Zumel, John Mount, “Practical Data Science with R”, Manning Publications, 2014
Everitt, B. S. and Hothorn, T. (2011), An Introduction to Applied Multivariate Analysis with R , New York: Springer-Verlag
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning (Vol. 1). STHDA.
Jiawei Han and Micheline Kamber, “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publishers, 3rd ed, 2010.
Evaluación
Las notas se distribuirán de la siguiente manera
ACTIVIDAD |
PORCENTAJE |
|---|---|
Quices-Talleres |
50% |
Proyecto |
50% (10 20 20) |
Total |
100% |
Primer avance. Problema, justificación y objetivos.
Segundo avance. Marco teórico –previa metodología-
Metodología y primeros resultados.
Exposiciones y Entrega Final
Revisa las lecturas en Colab.#
Lectura 1: Introduccion al curso
Lectura 2: EDA
Lectura 3: PCA
Lectura 4: Ejemplos PCA
Lectura 5: Analisis de correspondencias
Lectura 6: Analisis de correspondencias multiples
Lectura 7: Analisis Factorial
Lectura 8: Cluster Jerarquico
Lectura 9: Algoritmo K-means
Lectura 10: DBSCAN
Lectura 11: Linear Regression
Lectura 12: Logistic Regression
Lectura 13: Decision Tree
Lectura 14: Random Forrest
Lectura 15: Cross Validation
Lectura 16: Introduccion Boosting
Lectura 17: XgBoost, LigthGBM, Catboost
Lectura 18: Intoduccion a SVM
Mini proyecto de ejemplo:#
Clustering Noticias
Model Clustering Noticias