Familiarizarse con distintas herramientas analíticas, basadas en datos, para la toma de decisiones Adquirir conocimiento para analizar y encontrar relaciones entre distintas variables Relajar alguna de las hipótesis de los modelos de regresión Aprender cómo tratar el problema de la alta dimensionalidad en Big Data Adquirir conocimiento para manejar las principales herramientas de predicción avanzada, así como el uso del lenguaje R en estos modelos

1. Regresión lineal 1.1. Regresión lineal en media: una breve revisión 1.2. Regresión lineal cuantil 1.2.1 Modelo de regresión cuantil 1.2.1 Estimación del modelo 1.2.2 Inferencia sobre los parámetros 2. Relaciones no lineales 2.1. Transformaciones, interacciones y regresión polinómica 2.2. Modelos de regresión no lineales 2.2.1 Estimación del modelo 2.2.2 Inferencia sobre los parámetros 3. Métodos de regularización 3.1. Equilibrio sesgo-varianza 3.2. Regresión ridge. Regresión LASSO. Elastic Net 3.5. LASSO Adaptativo. Penalizaciones simétricas y no cóncavas. Propiedad del oráculo. 3.5. Selección de parámetros de tuneado 4. Modelos de regresión generalizados 4.1. Modelo lineal generalizado: una breve revisión 4.3. Selección de modelos y diagnosis 4.4. Modelos aditivos generalizados 4.4.1 Métodos de suavizado: B-splines. Splines penalizados 4.4.2 Estimación. Selección de parámetros de tuneado 5. Métodos de ensembles 5.1. Introducción 5.2. Boosting 5.3. Bagging 5.4. Stacking

Clases magistrales: se presenta el contenido de la asignatura ilustrado con ejemplos y con material de apoyo disponible en la Web. Prácticas: Ejemplos y casos de estudio con lenguaje R.