Aprendizaje Máquina para Riesgos

Autor/a

Felipe González

Temario y referencias

Todas las notas y material del curso estarán en este repositorio.

  • Introducción al aprendizaje máquina
  • Sesgo y varianza. Métodos locales y estructurados. Ingeniería de variables de entrada.
  • Métodos de remuestreo y validación cruzada
  • Principios de Regularización
  • Problemas de clasificación, métricas y evaluación
  • Árboles, bosques aleatorios y boosting
  • Redes neuronales
  • Diagnóstico y mejora en problemas de aprendizaje supervisado
  • Análisis de conglomerados

Evaluación

  • Tareas semanales (40%) para discutir en clase, compartidas en el repositorio y en nuestro espacio de trabajo de Posit Cloud.
  • Un examen final (40% práctico, 20% teórico), con una componente oral.

Material

El material de este trimestre está en este repositorio, incluyendo ejemplos, ejercicios y tareas.

Referencias principales

Otras referencias

Software

Para hacer las tareas y exámenes pueden usar cualquier lenguaje o flujo de trabajo que les convenga (R o Python, por ejemplo) - el único requisito esté basado en código y no point-and-click. En lo posible utilizamos librerías especializadas que se pueden utilizar desde varias plataformas (keras, por ejemplo).

Goodfellow, Ian, Yoshua Bengio, y Aaron Courville. 2016. Deep Learning. MIT Press.
Hastie, Trevor, Robert Tibshirani, y Jerome Friedman. 2017. The Elements of Statistical Learning. Springer Series en Statistics. Springer New York Inc. http://web.stanford.edu/~hastie/ElemStatLearn/.
James, Gareth, Daniela Witten, Trevor Hastie, y Robert Tibshirani. 2014. An Introduction to Statistical Learning: With Applications in R. Springer Publishing Company, Incorporated. http://www-bcf.usc.edu/~gareth/ISL/.
Kuhn, M., y J. Silge. 2022. Tidy Modeling with R. O’Reilly Media. https://books.google.com.mx/books?id=9cJ6EAAAQBAJ.