Temas selectos de estadística I - 4.5 hrs/sem
Balanzario Gutiérrez Eugenio Pacelli
Estadísica Multivariada y Machine Learning
Exponer los fundamentos matemáticos de los algoritmos del aprendizaje automático.
Temario
1. Fórmula de Bayes
2. Aprendizaje automático
3. La distribución normal multivariada
4. Derivadas de formas lineales y cuadráticas
5. Muestreo aleatorio
6. Clasificación
7. Tasas de error
8. Clasificadores gausianos
9. Clasificador de Bayes ingenuo
10. Reducción de la dimensión
11. Análisis de componentes principales
12. Análisis de factores
13. Rotación
14. Cálculo de las puntuaciones de los factores
15. Análisis canónico de correlación
16. Escalamiento multidimensional
17. Análisis discriminante
18. Función discriminante de Fisher
19. Función discriminante de Fisher entre varias subpoblaciones
20. Prueba de la igualdad de las matrices de covarianzas
21. Transformación de Box-Cox
22. Análisis de conglomerados
23. Algoritmo k-means
24. Método de máxima verosimilitud
25. Teoría de la información
26. Divergencia de Kullback-Leibler
27. Algoritmo EM
28. Estimación no paramétrica de funciones de densidad 1
29. Clasificación no paramétrica
30. Estimación no paramétrica de funciones de densidad 2
31. Estimación de densidades mediante núcleos
32. Regresión no paramétrica
33. Suavizamiento mediante funciones ortogonales
34. Multiplicadores de Lagrange
35. Máquinas de soporte vectorial
36. Perceptrones y redes neuronales
37. Inferencia de Bayes
38 Regresión lineal bayesiana
39. Regularización
Bibliografía
1. Alpaydin. Introduction to machine mearning. The MIT Press, 2002.
2. Braga-Neto, U. Fundamentals of pattern recognition and machine learning. Springer.
3. Kulkarni, S.; Harman, G. An elementary introduction to statistical learning theory. Wiley, 2011
4. Rogers, S.; Girolami, M. First course in machine learning. CRC Press, 2020.
Requisitos
