Novedades

• El miércoles 23 de junio habrá clase de consulta en el Instituto de Cálculo a las 17:30.
• DECIMO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 10). Fecha límite de entrega: martes 5 de julio. Se entrega el ejercicio 4 (clasificación de iris.data) con informe y programa.
• NOVENO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 9). Fecha límite de entrega: viernes 24 de junio. Se entrega el ejercicio 5 de kNN (clasificación de iris), con informe y código.
• OCTAVO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 8). Fecha límite de entrega: martes 14 de junio. Para una nota máxima de 8, se entrega informe y código correspondiente del ejercicio 4. Para apuntar a la nota máxima de 10, además se debe incluir lo mismo para el ejercicio 5. Por favor, aclarar a la hora de entregar en cual de las dos "modalidades" se entrega.
• Se subió el enunciado y los archivos adjuntos para el TP final
• SEPTIMO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 7). Fecha límite de entrega: jueves 2 de junio. Se entrega: informe y código correspondiente al ejercicio 5 de la práctica 7. No hace falta hacer el inciso d) si siente que no es necesario estandarizar los datos.
• SEXTO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 6). Fecha límite de entrega: martes 24 de mayo. Se entrega: informe y código correspondiente al ejercicio 6 de la práctica 6.
• QUINTO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 5). Fecha límite de entrega: miércoles 11 de mayo. Se entrega informe y código correspondiente a:
  a) elegir uno de los primeros cuatro ejercicios de la práctica 5 (K-Fold). Graficar el modelo "ganador" junto con los datos.
  b) ejercicio 5 (bootstrap).
  IMPORTANTE: puede (y se recomienda) hacer uso del comando lm.
• CUARTO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 4). Fecha límite de entrega: viernes 29 de abril. Se entrega: informe y código correspondiente a el ejercicio 6 o el ejercicio 7 (elegir uno) de la práctica 4.
• TERCER SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 3). Fecha límite de entrega: miércoles 20 de abril. Se entrega: informe y código correspondiente al ejercicio aplicado 1 de la práctica 3. En el informe deben figurar las gráficas solicitadas, incluyendo en el scatter plot una gráfica del modelo que mejor ajustó al testing set.
• SEGUNDO SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 2). Fecha límite de entrega: miércoles 13 de abril. Se entrega: informe con los resultados del ejercicio 6 o 7 (a elegir) de la práctica 2. En el informe se consignarán las gráficas pedidas junto con las respuetas a los enunciados.
• PRIMER SET DE EJERCICIOS A ENTREGAR (PRÁCTICA 1). Fecha de entrega: 4 de abril. Se entrega:
  a) elegir UNO entre los ejercicios 14, 15 o 16.
  b) ejercicio 25.
  Mail de entrega de ejercicios: ejerciciosuba@gmail.com.
• Mail de entrega de ejercicios: ejerciciosuba@gmail.com.
• Las clases comienzan el 14 de marzo en el Instituto de Cálculo.

Programa Tentativo

• Principios básicos de programación en R.
• Estadística Descriptiva: medidas resumen (posición y escala), histogramas, boxplots y qq-plots.
• Regresión lineal simple y múltiple.
• Método de partición en entrenamiento/testing.
• Métodos de resampling: cross-validation y Bootstrap.
• Estimación de la densidad y regresión no paramétrica.
• El problema del balance sesgo/varianza.
• Regresión lineal mediante métodos aproximados de optimización funcional usando descenso por el gradiente.
• Clasificación, regresión logística. Implementación y validación del modelo.
• Medidas de calidad para los problemas de clasificación (precision, recall, puntaje F).
• Clasificación por k vecinos más cercanos (kNN).
• Redes Neuronales, modelos multi-capas y el algoritmo de entrenamiento backpropagation.
• Métodos de clustering.
• Reducción de la dimensión: análisis de componentes principales.

Horarios y docentes a cargo

Prácticas

• Práctica 1 : Introducción al R.
• Práctica 2 : Estadística Descriptiva.
• Práctica 3 : Regresión Lineal Simple.
• Práctica 4 : Regresión Lineal Múltiple.
• Práctica 5 : Cross-validation y Bootstrap.
• Práctica 6 : Estimación y Regresión No Paramétrica.
• Práctica 7 : Optimización Funcional.
• Práctica 8 : Regresión Logística.
• Práctica 9 : Curvas ROC y k-vecinos más cercanos.
• Práctica 10 : Análisis Discriminante Lineal (LDA).
• Práctica 11 : Clustering.

Trabajo Práctico Final: Titanic

• Enunciado.
• Datos disponibles para el alumno.
• Script R de validación

Datos para las clases

• Datos.zip
• Enunciado Clase Descriptiva

Datos para las prácticas

Apuntes de R

• Apunte 1
• Apunte 2
• Apunte 3

Programas R de ayuda

• K-Fold (autor: Matthias C. M. Troffaes)

Bibliografía

• An Introduction to Statistical Learning with Application in R, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani, Editorial Springer. Disponible en An Introduction to Statistical Learning
• Machine Learning with R, Brett Lantz, Editorial Packt
• Machine Learning An Algorithmic Perspective, Stephen Marsland, Second Edition-Chapman and Hall_CRC
• Applied Predictive Modeling, Max Kuhn y Kjell Johnson,Springer (2013)
• Introductory Statistics with R, Peter Dalgaard, Editorial Springer.

Otro material

• Curso online de Statistical Learning ofrecido por Trevor Hastie y Robert Tibshirani: Sitio Web
• Videos del curso online de Coursera "Machine Learning", dictado por Andrew Ng: Sitio Web
• Sitio web con material de un curso online de "Machine Learning" de la Universidad de Stanford, dictado por Andrew Ng: Sitio web