Salta al contenido principal
Panel lateral
Enlaces de interés
FING
Bedelia
SGAE
OpenFing
Noticias
Redes sociales
Orientacion y consulta
Convivencia
Cursos
Institutos
Tecnólogos
Posgrados
Extensión
Institucional
Más
Buscar
Cerrar
Buscar
Selector de búsqueda de entrada
En este momento está usando el acceso para invitados
Acceder
Página Principal
Abrir índice del curso
Postgrados
EMC
Bases de datos
Bases de datos
Bases de datos
Requisitos de finalización
Marcar como hecha
Descargar carpeta
AGECHD.csv
Bupa.txt
Tibet.dat
◄ Laboratorio Clasificación Binaria Curva ROC - AUC
Ir a...
Ir a...
Entrega individual de ejercicios sobre el práctico 1 (sólo para maestría en matemática, opcional para los demás)
Entrega individual de ejercicios sobre componentes principales
Entrega individual de ejercicios sobre clustering
Entrega individual de ejercicios sobre clasificación
Novedades
examen diciembre 2023
examen de julio de 2023
examen diciembre 2022
Foro de consultas
Formulario de evaluación del curso 2023
Formulario de inscripción 2023
15/8: presentación del curso, evaluaciòn y pasos básicos con R
20/8: media, varianza, covarianza, matriz de datos multivariados, matriz de covarianzas
22/8: propiedades de la matriz de covarianzas, variables redundantes
27/8: medidas de variablidad, distancias
29/8: distancia de Mahalanobis, datos multivariados atípicos
29/8: distancia de Mahalanobis y datos atípicos multivariados (parte 2)
3/9: valores y vectores propios, matrices ortogonales, teorema espectral, teorema de la esfera unidad
5/9: componentes principales
10/9: componentes principales en R, obtención de las componentes, matriz ortogonal (de rotación), biplot.
12/9: componentes principales, longitud de los vectores y ángulo de los mismos en el biplot
17/9: gráfico del porcentaje de varianza explicada, redondeo final del tema
19/9: clustering, primeros conceptos
24/9: algoritmo de k-means
1/10: redondeo de kmeans, pam y dendrogramas
3/10: método Ward para dendrograma, función hclust, heatmaps
8/10: coeficiente de cophenetic, coeficientes de Silhouette y Dunn, paquete NbClust
10/10: tendencia en clustering, clustering espectral, fuzzy clustering, clustering basados en modelos, índices de Rand y Jaccard
Estadístico de Hopkins (para evaluar tendencia en clustering)
15/10: teorema de imposibilidad de Kleinberg y maldición de la dimensionalidad
17/10: concepto de clasificación, regla óptima de Bayes
24/10: redondeo de KNN, elección del K, cross validation, error test y training error
29/10: modelo logístico para clasificación
31/10: discriminante lineal (LDA) y cuadrático (QDA)
5/11: Naive Bayes y comparaciòn entre los 5 criterios de clasificación
7/11: algo sobre optimización y support vector machines (caso separable)
12/11: support vector machines (final)
14/11: curvas ROC, CART (presentación)
Arboles de clasificación y regresión (CART)
21/11: Bagging y random forest
Material de repaso y "toolbox" de Probabilidad y Estadística
Statistical Modeling: the two cultures, Breiman, 2001
Transparencias R
Nociones básicas de R
Tutorial R (curso PyE-FING 2017)
Práctico 0
An Introduction to R
Libro R para Ciencia de Datos
R short RefCard
Visualizacion-ggplot2-cheatsheet
RMarkdown-cheatsheet
reticulate spanish
estadistica-descriptiva-con-R
Preguntas e intercambios relativos al software
Introducción al Aprendizaje Automático (parte 1)
Introducción al Aprendizaje Automático (parte 2)
Maldición de la dimensionalidad
Foro de consultas sobre Modelización e Introducción al Aprendizaje Automático
Tarea 1: para el viernes 09/04
SesgoVarianzaRLSModelizacion
SesgoVarianzaRLSModelizacion
Matriz de datos
Práctico 1 - 2021
Distribuciones multivariadas
Práctico 2 - 2021
Complemento Esperanza Condicional, Normal bivariada y Regresión lineal
Foro de consultas sobre Matriz de datos y Distribuciones Multivariadas
Análisis de Componentes Principales (Parte 1)
Laboratorio 1 ACP
Análisis de Componentes Principales (parte 2)
Laboratorio 2: ACP
Análisis de Componentes Principales (parte 3)
Práctico 3 - 2021 (ACP)
Aplicación: reconstrucción de imagen con PCA
Tarea 2: entrega 23/5 23:59
Analisis de Datos con R, François Husson
Kernel PCA
Distancias ciudades Uruguay (euclideas)
Escalado Multidimensional
Practico 4 2021: Escalado Multidimensional
Nonlinear Dimensionality Reduction, David Capel
A Global Geometric Framework for Nonlinear Dimensionality Reduction_Tenenbaum2000
Spectral Methods for Dimensionality Reduction_Saul2005
swiss.dat
Práctico Aprendizaje No Supervisado
Pizarrón Práctico Aprendizaje No Supervisado
Clustering
Practico 5 2021: Clustering
Métodos Jerárquicos, Gallardo
Spectral Clustering, Von Luxburg, 2007
Indices de comparación de métodos de clustering, Wagner 2007
Laboratorio Clustering
Laboratorio Clustering
Laboratorio 2: ACP+Clustering
mnist.R
Clasificación binaria
k vecinos más cercanos
Practico 6 2021: Clasificación binaria
Regresión logística
Práctico 7 2021: Regresión logística
Análisis Discriminante
Practico 8 2021: Análisis Discriminante
Support Vector Machines
Laboratorio Clasificación Binaria
Pizarron Laboratorio Clasificación Binaria
Pizarron Laboratorio Clasificación Binaria (parte 2)
Laboratorio Clasificación Binaria Curva ROC - AUC
Laboratorio Regresión Logistica
Laboratorio Análisis Discriminante
Laboratorio I Análisis Discriminante
Laboratorio SVM
Tarea 3: Ejercicios de clasificación
Arboles de clasificación y regresión
Practico CART
Laboratorio CART
Laboratorio CART
Métodos de agregación: Bagging, Random Forest, Boosting
Métodos de agregación: métodos de consenso
Laboratorio Métodos de agregación
Laboratorio Métodos de agregación
Proyecto final
Laboratorio Regresión Logistica ►