Contenido sugerido

Métodos exploratorios para datos multivariados.

-  Visualización y resúmenes de la dependencia entre variables.

-  Métodos de proyección, Principal Component Analysis(PCA), Multidimensional scaling.

-  Algunos algoritmos de exploración de minería de datos.

Métodos de agrupamiento.

-  Agrupamiento jerárquico.

-  K-medias y extensiones.

Métodos de predicción.

-  Métodos geométricos vs métodos probabilísticos.

-  Clasificador Bayesiano óptimo, análisis discriminante lineal.

-  El enfoque basado en márgenes, máquinas de soporte vectorial.

-  Regresión logística.

-  Redes neuronales tipo feedforward.

-  Métodos de ensamblaje: random forestsy boosting.

-  Extensiones usando transformaciones implícitas (kernel trick).

-  Regularización con norma L1, L2.

Tópicos selectos de métodos de algebra matricial y uso en Big Data.

Sugerencias de Bibliografia

1. G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 2013.
2. C. Bishop.  Pattern Recognition and Machine Learning, Springer, 2007
3. R. Duda, P. Hart, D. Stork. Pattern classification. Wiley, 2000.
4. A. Izenman. Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning. Springer. 2008.
5. T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2013.