Skip to content

Departamento de Matematica

Sections
Personal tools
You are here: Home » Académico » Materias » Primer Cuatrimestre de 2018 » Análisis Exploratorio de Datos

Análisis de Datos

Análisis de Datos

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

Lunes 17 a 22 - Aula del Instituto de Cálculo, Pabellón 2.
Victor Yohai, Lucas Bali.

Prácticas

Datos para las clases

Datos para las prácticas

autos.txt
datos1.txt
datos2.txt
graduados.txt
ciudades.txt
hierro.txt
cpu.txt
abalone.txt
girasol.txt
Credit.csv
productos.txt
inmuebles.txt
Credit.txt
presion.txt
yield.txt
iris.data
GaltonMod.csv
ortann.csv

Apuntes de R

Programas R de ayuda

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
Created by webmaster
Last modified 2018-06-26 11:10 PM
 
 

Powered by Plone