Introducción a métodos de aprendizaje estadístico
Profesor: MATÍAS SALIBIÁN (University of British Columbia, Canada)
Puntaje: 1 punto (Lic. y Prof.)
Correlatividades: Estadística
Carga horaria: 8 horas por semana (durante 1 mes)
Carreras: Licenciatura en Matemática (Or. Pura y Aplicada), Profesorado en Matemática, Doctorado en Matemática
Breve descripción del curso:
Introducción. Predicción – el compromiso entre métodos locales y aquellos basados en modelos globales. El compromiso entre varianza y sesgo. Ejemplos.
Clasificación basada en modelos (lineales, logísticos, mixtos). El algoritmo EM. Clasificación basada en estimadores de densidad basados en núcleos. El problema de selección del parámetro de suavidad (validación cruzada, bootstrap). Clasificación basada en arboles. Bagging. Boosting. Conexión con modelos aditivos. El rol de la función de pérdida, consideraciones de robustez.
Clasificación basada en soporte vectorial, métodos basados en “prototipos” (k-means, LVQ) y en vecinos más próximos. Métodos no supervisados. Selección del número de grupos presentes en la muestra.
Reunión preliminar:
Aula y horario:
