Modelos Estadísticos para la Regresión y la Clasificación

• Presentación
• Definición de modelo estadístico
• Distribuciones como generadores
• Características de una distribución

• Modelos paramétricos y no paramétricos
• Máxima verosimilitud
• Sesgo y varianza de un estimador
• El histograma como MLE

• Regresión lineal
• Mínimos cuadrados (OLS)
• Multicolinealidad
• Regularización Ridge

• Definiciones de MSE, Sesgo, Varianza y Error Irreducible
• Descomposición de error
• Curvas de error

• Modelo lineal gaussiano
• MLE vs. OLS
• Variabilidad en los parámetros
• Variabilidad en las predicciones

• Gaussiana multivariada
• Modelo bayesiano gaussiano
• Regularización Ridge
• Distribución de predicciones
• Selección bayesiana de modelos

Esta notebook contiene una comparación de los métodos de selección de modelos aplicados a una regresión polinomial, usando el enfoque bayesiano y el enfoque de máxima verosimilitud.

• El problema de clasificación
• Clasificador de Bayes
• Sesgo y varianza
• Descomposición del error

• Clasificación estadística
• Máxima verosimilitud y binary cross-entropy
• Pérdida sustituta y margen
• Softmax y clasificación multiclase

• Distorsión de distancias
• Recta de menor distorsión
• Valores propios de la matriz de covarianzas
• Hiperplano de menor distorsión

• Árboles de decisión
• Recursive binary splitting
• Gini y entropía

• Introducción a boostinh
• AdaBoost
• Gradient boosting