Última actualización: 29/09/2023


Curso Académico: 2023/2024

Regresión Avanzada y Predicción
(17765)
Máster Universitario en Estadística para la Ciencia de Datos (Plan: 386 - Estudio: 345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: NOVO DIAZ, SILVIA

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
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
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción. 1.1. Ejemplos. 1.2. Regresión lineal: una breve revisión. 1.3. Extensiones de modelos lineales. 2. Relaciones no lineales. 2.1. Introducción. 2.2. Transformaciones. 2.3. Interacciones. 2.4. Regresión polinómica. 2.5. Modelos de regresión no lineales. 3. Modelos de regresión generalizados. 3.1. Introducción. 3.2. Formulación y estimación del modelo. 3.3. Inferencia de los parámetros del modelo. 3.4. Selección del modelo. 3.5. Diagnosis del modelo. 3.6. Extensiones. 4. Métodos de regularización. 4.1. Introducción. 4.2. Regresión Ridge. 4.3. Regresión LASSO. 4.4. Elastic Net. 4.5. Selección de parámetros de tuneado. 5. Métodos de reducción de dimensiones. 5.1. Introducción. 5.2. Regresión de componentes principales. 5.3. Mínimos cuadrados parciales. 6. Métodos de ensembles. 6.1. Introducción. 6.2. Boosting. 6.3. Bagging. 6.4. Stacking.
Actividades formativas, metodología a utilizar y régimen de tutorías
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.
Sistema de evaluación
  • Peso porcentual del Examen Final 50
  • Peso porcentual del resto de la evaluación 50
Calendario de Evaluación Continua
Bibliografía básica
  • G. James, D. Witten, T. Hastie and R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer. 2013
  • Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. The MIT Press. 2012
  • Machine Learning with R. Brett Lantz. Packt Publishing. 2015

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.