Tema: Curso 2024: video de las clases | Estadistica Multivariada Computacional | FING

Página Principal

Diagrama de temas

- 15/8: presentación del curso, evaluaciòn y pasos básicos con R URL
  
  ut!1kNJq
- 20/8: media, varianza, covarianza, matriz de datos multivariados, matriz de covarianzas URL
  
  @@V9czPp
- 22/8: propiedades de la matriz de covarianzas, variables redundantes URL
  
  LQ**gf.5
- 27/8: medidas de variablidad, distancias URL
  
  AVF8#MU+
- 29/8: distancia de Mahalanobis, datos multivariados atípicos URL
  
  W&+8j1F8
  La clase salió cortada por problemas con la cámara, el video quedó corto y sigue en el próximo.
- 29/8: distancia de Mahalanobis y datos atípicos multivariados (parte 2) URL
  
  a%B#T49F
- 3/9: valores y vectores propios, matrices ortogonales, teorema espectral, teorema de la esfera unidad URL
  
  nxEUs$t7
- 5/9: componentes principales URL
- 10/9: componentes principales en R, obtención de las componentes, matriz ortogonal (de rotación), biplot. URL
  
  Qc4xi#6H
- 12/9: componentes principales, longitud de los vectores y ángulo de los mismos en el biplot URL
  
  w+xM5t1?
- 17/9: gráfico del porcentaje de varianza explicada, redondeo final del tema URL
  
  &VY$U9!d
- 19/9: clustering, primeros conceptos URL
  
  J&CFS#J6
- 24/9: algoritmo de k-means URL
  
  SYZc0=E*
- 1/10: redondeo de kmeans, pam y dendrogramas URL
  
  3?p@IP3T
- 3/10: método Ward para dendrograma, función hclust, heatmaps URL
  
  t!esTV1t
- 8/10: coeficiente de cophenetic, coeficientes de Silhouette y Dunn, paquete NbClust URL
  
  @c6*%@1D
- 10/10: tendencia en clustering, clustering espectral, fuzzy clustering, clustering basados en modelos, índices de Rand y Jaccard URL
  
  29Avh+QG
  NOTA: es conveniente saltearse los minutos 38 al 54, que tiene que ver con el estadístico de Hopkins. Hay algunos errores. Para el tema del estadístico de Hopkins, sugiero vean el video complementario que está entre esta clase y la siguiente.
- Estadístico de Hopkins (para evaluar tendencia en clustering) URL
  
  gB4+0k2E
- 15/10: teorema de imposibilidad de Kleinberg y maldición de la dimensionalidad URL
  
  Hy&*c36q
- 17/10: concepto de clasificación, regla óptima de Bayes URL
  
  x!9sr.%3
- 24/10: redondeo de KNN, elección del K, cross validation, error test y training error URL
  
  3yMueN=8
  NOTA: la clase anterior no quedó grabada (aunque se supone que se grabó), en dicha clase expliqué el método de clasificación por vecinos más cercanos (KNN), en el comienzo de esta clase está explicado nuevamente (y rápidamente) este método.
- 29/10: modelo logístico para clasificación URL
  
  7.u9.cf*
- 31/10: discriminante lineal (LDA) y cuadrático (QDA) URL
  
  1hGJt9??
- 5/11: Naive Bayes y comparaciòn entre los 5 criterios de clasificación URL
  
  5C+#2Cp.
- 7/11: algo sobre optimización y support vector machines (caso separable) URL
  
  @SsPH%8%
- 12/11: support vector machines (final) URL
  
  Ems4K%.G
- 14/11: curvas ROC, CART (presentación) URL
  
  1.GijP=D
- Arboles de clasificación y regresión (CART) URL
- 21/11: Bagging y random forest URL
  
  ba%NCV?2