Wilson Sandoval Rodriguez, [email protected]
En el curso se construyen los fundamentos teóricos de los principales métodos de la estadística exploratoria multidimensional y se trabajan sus aplicaciones, utilizando software especializado de uso libre y comercial. Las prácticas se orientan a la aplicación de los métodos a situaciones reales que requieren apropiación de los contextos específicos, a partir de la revisión de artículos, para realizar interpretaciones adecuadas de los datos y del fenómeno en general. Para el aprendizaje de la aplicación de los métodos, el estudiante deberá realizar talleres utilizando el Python lenguaje de programacion base.
| Semana | Tema | Lectura/Actividad |
|---|---|---|
| 1 | Introducción al curso | Lectura 1: Introducción al curso Open In Colab |
| 2 | Análisis Exploratorio de Datos (EDA) | Lectura 2: EDA Open In Colab |
| 3 | Análisis de Componentes Principales (PCA) | Lectura 3: PCA Open In Colab |
| 4 | Ejemplos prácticos de PCA | Lectura 4: Ejemplos PCA Open In Colab |
| 5 | Primer avance del proyecto | Actividad: Presentación y retroalimentación |
| 6 | Análisis de Correspondencias | Lectura 5: Análisis de Correspondencias Open In Colab |
| 7 | Análisis de Correspondencias Múltiples | Lectura 6: Análisis de Correspondencias Múltiples Open In Colab |
| 8 | Análisis Factorial | Lectura 7: Análisis Factorial Open In Colab |
| 9 | Clúster Jerárquico y Algoritmos de Agrupación | Lectura 8: Clúster Jerárquico Open In Colab y Lectura 9: Algoritmo K-means Open In Colab |
| 10 | Segundo avance del proyecto | Actividad: Presentación y retroalimentación |
| 11 | DBSCAN y Regresión Lineal | Lectura 10: DBSCAN Open In Colab y Lectura 11: Linear Regression Open In Colab |
| 12 | Regresión Logística | Lectura 12: Logistic Regression Open In Colab |
| 13 | Árboles de Decisión y Bosques Aleatorios | Lectura 13: Decision Tree Open In Colab y Lectura 14: Random Forrest Open In Colab |
| 14 | Validación Cruzada | Lectura 15: Cross Validation Open In Colab |
| 15 | Introducción a Boosting | Lectura 16: Introducción Boosting Open In Colab |
| 16 | Métodos de Boosting y Presentación Final del Proyecto | Lectura 17: XgBoost, LightGBM, CatBoost Open In Colab; Actividad: Presentación final del proyecto |
-
Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. " O'Reilly Media, Inc.".
-
Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python. A Problem-Solver's Guide to Building Real-World Intelligent Systems, New York: Springer-Verlag
-
Nina Zumel, John Mount, “Practical Data Science with R”, Manning Publications, 2014
-
Everitt, B. S. and Hothorn, T. (2011), An Introduction to Applied Multivariate Analysis with R , New York: Springer-Verlag
-
Kassambara, A. (2017). Practical Guide to Cluster Analysis in R: Unsupervised Machine Learning (Vol. 1). STHDA.
-
Jiawei Han and Micheline Kamber, “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publishers, 3rd ed, 2010.
Las notas se distribuirán de la siguiente manera
| ACTIVIDAD | PORCENTAJE |
|---|---|
| Quices-Talleres | 50% |
| Proyecto | 50% (10 20 20) |
| Total | 100% |
- Primer avance. Problema, justificación y objetivos.
- Segundo avance. Marco teórico –previa metodología-
- Metodología y primeros resultados.
- Exposiciones y Entrega Final
- a href="https://docs.google.com/spreadsheets/d/1lBCITBAQhJznwVpqpDdQzPMNOTdO1cqDGZQQfjfam8M/edit?usp=sharing&authuser=2"> listado de grupos
https://docs.google.com/spreadsheets/d/1SZ0033RP57XM_KB01cUZCQlfllfAZMxeUfCQxjjesw4/edit?usp=sharing
ok