Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTACIN Y OBJETIVOS
En este mdulo se han reunido una serie de tcnicas procedentes de distintos campos como el anlisis
multivariante, el aprendizaje estadstico, la inteligencia artificial y tcnicas de machine learning.
La mayora de las tcnicas presentadas son tcnicas predictivas, cuyo objetivo principal es desarrollar
un modelo matemtico que permita obtener predicciones en una variable de inters en observaciones
no incluidas en la construccin del modelo. Se han seleccionado las tcnicas predictivas ms
importantes y cuyo uso est ms extendido: regresin lineal y logstica, mtodos penalizados (LASSO),
mtodos basados en rboles (CART), support vector machines (SVM), redes neuronales, random forest,
etc.
El mdulo incluye los aspectos ms importantes para la construccin de modelos predictivos: preprocesamiento y descripcin bsica de los datos, optimizacin de los parmetros involucrados en
cada una de las tcnicas, evaluacin de la capacidad predictiva de los modelos mediante tcnicas de
remuestreo (validacin cruzada y bootstrapping), seleccin de variables que van a formar parte del
modelo, comportamiento de cada tcnica en problemas de alta dimensin, etc.
N Plazas
Precio
Crditos
Requisitos previos
Observaciones
Pgina 17
DESCRIPCIN DETALLADA
El mdulo est dividido en 21 sesiones, con una duracin variable de entre 1 y 2 horas, dependiendo de
la importancia del tema.
En cada sesin se explican los conceptos estadsticos tericos ilustrados desde un punto de vista
prctico con ejemplos realizados con R, explicando los paquetes y funcionalidades ms importantes del
software para cada tcnica. Finalmente, se proponen ejercicios a los alumnos para que puedan practicar
los conocimientos adquiridos.
Pgina 18