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