Novedades

• Quinto TP colgado en la página web: Enunciado . Fecha límite de entrega: 11 de julio de 2018 23:59. Dataset del ejercicio: Vinos
• Cuarto TP colgado en la página web: Enunciado . Fecha límite de entrega: 18 de junio de 2018 23:59. Dataset del ejercicio: Abalone
• Tercer TP colgado en la página web: Enunciado . Fecha límite de entrega: 17 de mayo de 2018 23:59.
• Segundo TP colgado en la página web: Enunciado . Fecha límite de entrega: 30 de abril de 2018 23:59.
• Primer TP colgado en la página web: Enunciado . Fecha límite de entrega: 16 de abril de 2018.
• Arrancamos el lunes 19 de marzo a las 17 horas en el Instituto de Cálculo. IMPORTANTE: dada la reducida provisión de computadoras, se solicita que los asistentes traigan, si pueden y tienen, su propia notebook, preferentemente con el R instalado (Página de R ).
• Mail de entrega de ejercicios: ejerciciosuba@gmail.com.
• Las clases comienzan el 19 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.

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