Métodos Estadísticos - Ucentral 2024-II

Luis Andres Campos Maldonado, [email protected]

Lenguaje base: Python 3.10.12

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.

Textos de Referencia

• 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.

  Evaluación

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

Revisa las lecturas en Colab.

• Lectura 1: Introduccion al curso

• Lectura 2: EDA

• Lectura 3: PCA

• Lectura 4: Ejemplos PCA

• Lectura 5: Analisis de correspondencias

• Lectura 6: Analisis de correspondencias multiples

• Lectura 7: Analisis Factorial

• Lectura 8: Cluster Jerarquico

• Lectura 9: Algoritmo K-means

• Lectura 10: DBSCAN

• Lectura 11: Linear Regression

• Lectura 12: Logistic Regression

• Lectura 13: Decision Tree

• Lectura 14: Random Forrest

• Lectura 15: Cross Validation

• Lectura 16: Introduccion Boosting

• Lectura 17: XgBoost, LigthGBM, Catboost

Mini proyecto de ejemplo:

• Lectura 18: Intoduccion a SVM

Mini proyecto de ejemplo:

• Clustering Noticias

• Model Clustering Noticias