View on GitHub

sl2025

Aprendizaje Estadístico 2025

Aprendizaje Estadístico 2025

Este es un curso introductorio al aprendizaje estadístico, con énfasis principalmente en los fundamentos matemáticos y estadísticos de los principales algoritmos de aprendizaje automático y reconocimiento de patrones. El tema central del curso es el estudio de métodos para obtener información útil a partir de datos. Abordamos temas principales como el aprendizaje supervisado y no supervisado, los modelos de regresión, y algunos tópicos recientes como el aprendizaje profundo. Al final del curso, los estudiantes comprederán los fundamentos de los algoritmos más populares del aprendizaje estadístico. Para aprovechar de mejor manera el curso, es recomendable que los estudiantes estén familiarizados con temas de álgebra lineal, cálculo, estadística matemática, y tener conocimientos de al menos un lenguaje de programación (e.g. Python, R, Matlab, C++, u otros).

Programa del curso

Programa del curso

Horario

  • Miércoles, de 19:50 a 21:25 horas, y viernes de 18:10 a 19:45.

Office Hours

  • Por definir. Por solicitud del estudiante. También pueden enviar sus dudas por correo electrónico.

Material del curso

No. Fecha Tópicos Recursos
01 15.01.2025 Introducción. Repaso de Probabilidad.
Aula 01		  
02 17.01.2025 Variables aleatorias. Densidad y función de distribución. Aula 02 rvs.ipynb
03 22.01.2025 Función de cuantiles. Contraste entre distribuciones. PP-plots, QQ-plots, KS. qqplots.ipynb fitting.ipynb
04 24.01.2025 Estadísticos. Entropía, información mutua, Kullback-Leibler. Aula 03 data_exploration.ipynb
05 24.01.2025 Funciones multivariadas. Normal multivariada. Aula 04 generate_gaussian.ipynb
06 29.01.2025 Análisis de Componentes Principales.
Aula 05		 pca.ipynb deport.csv
07 31.01.2025 Interpretación del PCA.
Aula 06		  
L1 31.01.2025 Lista 1. Fecha de Entrega: 14 de febrero. Lista 01 areas.csv
08 05.02.2025 Escalamiento Multidimensional.
Aula 07		 md_scaling.ipynb
09 07.02.2025 Distancia de Mahalanobis. Kernel PCA, Volume Ellipsoid Method. Aula 08 kernel-pca.ipynb kernel-pca2.ipynb
10 12.02.2025 Variables latentes: Análisis de Componentes Independientes (ICA). Aula 09 ica.ipynb
horse.jpg morro.jpg plane.jpg race.jpg
11 12.02.2025 Factoración No-Negativa de Matrices (NNMF). Sistemas de Recomendación. Aula 10 movies.csv ratings.csv
recommender.ipynb
L2 14.02.2025 Lista 2. Fecha de Entrega: 28 de febrero. Lista 02 weather.csv crimes.dat
12 19.02.2025 Manifold Learning I: Isomap, SNE y t-SNE, UMAP. Aula 11  
13 21.02.2025 Manifold Learning II: Spectral embedding, LLE, SOM. Aula 12  
14 26.02.2025 Estimación de densidades por kernels (KDE).
Aula 13		  
15 28.02.2025 Agrupamiento jerárquico.
Aula 14		  
L3 05.03.2025 Lista 3. Fecha de Entrega: 21 de marzo. Lista 3 wines.csv hpi-data-2016.xlsx countries_binary.xlsx
16 07.03.2025 K-means y variantes de K-means.
Aula 15		  
17 12.03.2025 Métodos de agrupamiento basados en densidad: Means-Shift, DBSCAN, OPTICS, BIRCH. Aula 16  
18 14.03.2025 Mezclas gaussianas. Algoritmo EM.
Aula 17		  
19 19.03.2025 Agrupamiento espectral. Algoritmo de Shi-Malik. Aula 18  
20 21.03.2025 Métricas para algoritmos de clustering.
Aula 19		 clustering-metrics.ipynb
silhouette.ipynb
21 26.03.2025 Modelación predictiva.
Aula 20		  
22 26.03.2025 KNN.
Aula 21		  
23 02.04.2025 El clasificador bayesiano óptimo.
 
24 09.04.2025 Presentación de seminarios del Primer Proyecto.  
25 23.04.2025 Cálculo teóríco del clasificador bayesiano.
 
26 25.04.2025 Optimalidad del clasificador bayesiano. Cotas de error. Ejemplos.
 
27 30.04.2025 Naïve Bayes. Cálculo de la conjunta sin independencia.
 
28 02.05.2025 Análisis Discriminante.
 
29 07.05.2025 Árboles de Decisión.
 
30 09.05.2025 Modelos de ensamblaje. Random Forests.
 
31 14.05.2025 Modelos lineales I: regresión logística.
 
32 16.05.2025 Modelos lineales II: Perceptrón. SVM.
 
33 21.05.2025 Regresión lineal: OLS. Ecuaciones normales.
 
34 23.05.2025 Regresión lineal: pruebas de hipótesis, gráficos de diagnóstico.  
35 23.05.2025 Ejemplos de regresión en Statsmodels.  
36 04.06.2025 Presentación de proyectos finales.  

Proyectos

En el curso se elaborarán dos proyectos, los cuales se describen a continuación.

Primer Proyecto (Ecobici)

No. Fecha Tópicos
P1 07.03.2025 Proyecto 1
Coordenadas de estaciones stations.json stations.csv
. 09-11.04.2025 Presentaciones
. 11.04.2025 Entrega del reporte, código y presentación

Segundo Proyecto (Tema Libre)

No. Fecha Tópicos
P2 08.05.2025 Indicaciones del proyecto 2.
. 20.05.2025 Fecha límite para elegir tema.
. 02-06.06.2025 Presentaciones

Horarios presentaciones Proyecto 2

Fecha Tópicos Tema
04.06.2025 Sebastián y Aarón Clasificación de Solicitudes de Préstamos
04.06.2025 Mario y Mariel Análisis de Comportamiento del Consumidor
04.06.2025 Pablo, Ximena y Juan Pablo Predicción Taxonómica de Mariposas en Australia
04.06.2025 Jorge y Allan Clasificación de Anime
04.06.2025 Juan Luis y Nicolle Indicadores económicos
04.06.2025 Sharis y Montse Predicción de Churn en clientes
06.06.2025 Diana y Franco Abandono en planes de subscripción
06.06.2025 Joab y Paulo Detección de Fake News
06.06.2025 Manu y Sofi Clasificación de riesgo crediticio
06.06.2025 Juan Miguel y Pedro Detección de Fraude en tarjetas de crédito
06.06.2025 Gaby y Lou Clasificación de granos de café

Referencias