Profesor: Andrés Farall

Puntaje: 2 puntos (Licenciatura)

Correlatividades: Seminario elemental de estadística o acreditar conocimientos de Estadística y de R.

Carga horaria: 6 horas (2 meses)

Licenciatura en Matemática (Or. Pura y Aplicada)

Técnicas supervisadas

-Modelos Lineales Mixtos, Regresión Ridge, Lasso y Logística. -Regression Quantile

-Análisis Discriminante (LDA y QDA) -Naive Bayes -KNN (vecinos más cercanos) -CART y Random Forests -Redes Neuronales -Support Vector Machines (SVM) -Reglas de Asociación

Técnicas de segmentación (Clustering)

-K-means y PAM –Mclust -Clusterización jerárquica -Mean Shift -DBSCAN

Revisión de aplicaciones al Análisis Multivariado

-FA (Análisis Factorial) -PCA (Componente Principales) -MCA (Análisis de Correspondencia) -Correlación Canónica -Mapping (MDS)

Revisión de más métodos

-Herramientas de Estadística Espacial (Leaet, Rasters, Krigging) -Manejo y análisis de datos satelitales -Algoritmos genéticos -Herramientas para el control de calidadcaso de estudio.

Bibliografía:

Chi Yau (2015). The R Tutorial. Online material available. Link: http://www.r-tutor.com/  Data Mining Algorithms In R (2014). Link: https://en.wikibooks. org/wiki/Data Mining Algorithms In R.

Kelly Black (2015). R Tutorial. Link: http://www.cyclismo.org/tutorial/R/index.html.

Lantz, B. (2013). Machine learning with R. Packt Publishing Ltd.

Peng, R. D. (2015). R Programming for Data Science. Lulu. com. R Development Core Team (2016). The R Manuals. Link:https://cran.r-project.org/manuals.html.

Wickham H. (2014) Advanced R (The R series). Link: http://adv-r.had.co.nz/

Williams G. (2011) Data Mining with Rattle and R.

Yanchang Zhao (2012). R and Data Mining. Online book availabel,

link: http://www.rdatamining.com/books/rdm

Reunión preliminar: 

Horarios: