Última actualización: 08/04/2019


Curso Académico: 2019/2020

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


Coordinador/a: NOGALES MARTIN, FCO. JAVIER

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Competencias que adquiere el estudiante y resultados del aprendizaje.
Familiarizarse con distintas herramientas analíticas, basadas en datos, para la toma de decisiones Capacidad de 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
Descripción de contenidos: Programa
Introducción Tratamiento de datos: no linealidades e interacciones Estimación eficiente de mínimos cuadrados (QR y SVD) Robustez Selección de variables Técnicas de regularización Herramientas de reducción de dimensión k-NN Árboles de decisión y bosques aleatorios
Actividades formativas, metodología a utilizar y régimen de tutorías
Clases magistrales (1/2 parte del curso): se presenta el contenido de la asignatura ilustrado con ejemplos y con material de apoyo disponible en la Web. Prácticas (1/2 parte del curso): 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
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 y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.