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
Institutos
Matemática y Estadística
ModE-2S
CART y métodos de agregración (Bagging, Random Forest y Boosting)
CART y métodos de agregración (Bagging, Random Forest y Boosting)
CART y métodos de agregración (Bagging, Random Forest y Boosting)
Haga clic en
CART_Aggregation.pdf
para ver el archivo.
◄ Análisis Discriminante, Regresión Logistica y kNN
Ir a...
Ir a...
Novedades
Foro de consultas
Programa del curso
Clase de consulta semana 26/8
Clase introductoria, primeras nociones de modelización estadística
Statistical Modelling: the two cultures, Leo Breiman, 2000
Tema 1: Estadística descriptiva
Notas Estadística Descriptiva
Tema 2: Probabilidad. Datos multivariados
Cambio de variable - ejemplos
Esperanza condicional - ejemplos
Tema 3: Estimadores, estimador MLE
MLE2024
Gradiente2024
Tema 4: Aprendizaje Estadístico
SesgoVarianzaRLSModelizacion
SesgoVarianzaRLSModelizacion.Rmd
Regresión Lineal (primera parte)
Regresión lineal, apuntes de PyE curso 2019
Regresión Lineal (segunda parte)
Ejemplo de Regresión Ridge
EstimadoresRL Verosimilitud
Clasificación
Análisis Discriminante, Regresión Logistica y kNN
Análisis Componentes Principales
Clustering
Practico 1: Estadística Descriptiva
Presentación Práctico 1
Práctico 2: Densidad condicional, esperanza y varianza condicional, normal multivariada
Presentación Práctico 2
Presentación Práctico 2 (continuación)
Práctico 3: Estimador de máxima verosimilitud
Presentación Práctico 3
Presentación Práctico 3 (continuación)
Practico 4: Regresión lineal simple
Presentación Práctico 4
Practico 5: Regresión y clasificación
Presentación Práctico 5
Practico 6: CART, Bagging, Random Forest, Boosting
Presentación Práctico 6
Practico 7: Análisis Componentes Principales
Presentación Práctico 7
Resumen PCA (calidad y contribución)
Primera entrega - carpeta de ejercicios
Segunda entrega de ejercicios 2024
Template para entregas en latex
imagen template
Machine Learning Simplified: A Gentle Introduction to Supervised Learning (2022)
An Introduction to Statistical Learning with applications in R (2021) James, Witten, Hastie, Tibshirani
An Introduction to Statistical Learning with applications in Python (2023) James, Witten, Hastie, Tibshirani
Notas curso PyE 2017
rmarkdown-2.0
Visualizacion-ggplot2-cheatsheet
estadistica-descriptiva-con-R
Short-refcard
R-intro
Libro R para Ciencia de Datos
Ejercicios iniciación R
Laboratorio Práctico 1 en R
Laboratorio Práctico 2 en R
Laboratorio Práctico 4 en R
Laboratorio Práctico 6 en R
Introducción a Google Colaboratory
Python Intro Ch1
Python Intro Ch2
Python Intro Ch3
Python Intro Ch4
Python Intro Ch5
Python Intro Ch6
Laboratorio Práctico 1 en Python
Laboratorio Práctico 2 en Python
Laboratorio Práctico 4 en Python
Clase 1 - Presentación y breve repaso de PyE
Clase 2 - Métodos de estimación
Clase 3 - Regresión lineal: OLS
Clase 4 - Sesgo y varianza en regresión
Clase 5 - Regresión lineal: enfoque estadístico con MLE
Clase 7 - Regresión lineal bayesiana
Extra - Comparación de regresión bayesiana y MLE
Clase 8 - Clasificación: sesgo y varianza
Clase 9 - Regresión logística
Clase 10 - Análisis de componentes principales
Clase 11 - Árboles de decisión
Clase 13 - Boosting
Notas PyE
Tabla chi cuadrado
Análisis Componentes Principales ►