Programa Máster Estadística Aplicada con R y Python

1. Introducción a los Métodos Estadísticos
  • Conceptos fundamentales de la estadística aplicada.
  • Importancia y aplicaciones en diferentes campos.
  • Qué es el aprendizaje estadístico
  • Evaluación de la precisión del modelo.
    2. Programación en R y Python
    • Introducción. (R/Python)
    • Comandos básicos. (R/Python)
    • Introducción a los métodos numéricos. (Python)
    • Gráficos. (R/Python)
    • Secuencias y notación de cortes. (Python)
    • Indexación de datos. (R/Python)
    • Carga de datos. (R/Python)
    • Resúmenes gráficos y numéricos adicionales. (R/Python)
    3. Regresión Lineal
    • Regresión lineal simple.
    • Regresión lineal múltiple.
    • Consideraciones adicionales en el modelo de regresión.
    • Comparación con el método de K-Nearest Neighbors.
    • Aplicación práctica.
    4. Métodos de Clasificación: Regresión Logística, Análisis Discriminante, Naive Bayes
    • Introducción a los métodos de clasificación.
    • Regresión logística.
    • Modelos generativos para la clasificación.
      • Análisis discriminante lineal y cuadrático.
      • Naive Bayes.
    • Comparación de métodos de clasificación.
    • Modelos lineales generalizados.
    • Aplicación práctica.
    5. Métodos de Remuestreo. Validación Cruzada y Bootstrap
    • Validación cruzada.
    • Bootstrap.
    • Aplicación práctica.
    6. Selección de Modelos Lineales y Regularización
    • Selección de subconjuntos.
    • Métodos de regularización.
      • Regresión Ridge.
      • Lasso.
    • Métodos de reducción de dimensiones.
      • Regresión de componentes principales.
      • Mínimos cuadrados parciales.
    • Consideraciones en datos de alta dimensión.
    • Aplicación práctica.
      7. Modelos No Lineales: Regresión Polinomial, Splines, GAM
      • Regresión polinómica.
      • Funciones escalonadas.
      • Funciones base.
      • Splines y splines suavizados.
      • Regresión local.
      • Modelos aditivos generalizados (GAMs).
      • Aplicación práctica.
      8. Árboles de Decisión
      • Fundamentos de los árboles de decisión.
        • Árboles de regresión y clasificación.
        • Ventajas y desventajas.
      • Técnicas de ensemblaje: Bagging, Random Forests, Boosting y BART.
      • Aplicación práctica.
      9. Máquinas de Vector Soporte
      • Clasificador de margen máximo.
      • Clasificadores de vector soporte.
      • Máquinas de vector soporte.
      • Máquinas de vector soporte con más de dos clases.
      • Relación con la regresión logística.
      • Aplicación práctica.
      10. Deep Learning. Redes Neuronales Convolucionales y Recurrentes
      • Redes neuronales de una capa y múltiples capas.
      • Redes neuronales convolucionales (CNN).
      • Redes neuronales recurrentes (RNN).
      • Aplicaciones y ajustes de redes neuronales.
      • Interpolación y doble descenso.
      • Aplicación práctica.
      11. Análisis de Supervivencia
      • Tiempos de supervivencia y censura.
      • Curva de supervivencia de Kaplan-Meier.
      • Prueba de log-rank.
      • Modelos de regresión con respuesta de supervivencia.
      • Función de riesgo y peligros proporcionales.
      • Aplicación práctica.
      12. Aprendizaje No Supervisado: Componentes Principales, K-Means, Clustering Jerárquico
      • Introducción al aprendizaje no supervisado.
      • Análisis de componentes principales (PCA).
      • Valores faltantes y relleno de matrices.
      • Métodos de clustering.
        • Clustering k-means y jerárquico.
      • Aplicación práctica.
      13. Contraste de Hipótesis
      • Introducción.
      • Contraste múltiple de hipótesis.
      • Tasa de error familiar (FWER).
      • Tasa de descubrimiento falso (FDR).
      • Enfoques de remuestreo para valores p y FDR.
      • Aplicación práctica.
      Trabajo Fin de Máster

      Para superar el Máster, el alumno deberá realizar un trabajo final (equivalente a 10 Créditos ECTS) de temática libre, en el que planteará una investigación estadística donde deberá utilizar alguna de las herramientas estadísticas aprendidas a lo largo del curso.

      INSCRÍBETE