| Grao en Ciencia e Enxeñaría de Datos |
 Asignaturas |
| Modelización Estadística de Datos de Alta Dimensión |
| Contenidos |
|
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Modelización Estadística de Datos de Alta Dimensión | Código | 614G02013 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Grado | 1º cuatrimestre |
Segundo | Obligatoria | 6 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| 0. Distribuciones multidimensionales | 0.1 Concepto de distribución multidimensional 0.2 Matriz de varianzas-covarianzas. Transformaciones lineales 0.3 Normal multidimensional: definición y propiedades |
| 1. Métodos de reducción de la dimensión | 1.1 Objetivos del Análisis de Componentes Principales (ACP) 1.2 Transformaciones para conseguir incorrelación 1.3 Obtención de las componentes principales 1.4 Componentes principales y cambios de escala 1.5 Interpretación de las componentes principales 1.6 Análisis factorial 1.7 Escalamiento multidimensional |
| 2. Clasificación no supervisada | 2.1 Objetivos de la clasificación no supervisada: métodos jerárquicos y no jerárquicos 2.2 Análisis clúster: planteamiento y objetivos 2.3 Árbol jerárquico o dendograma 2.4 Similitudes y discrepancias entre observaciones 2.5 Criterios para la formación de grupos: encadenamiento simple, completo, promedio del grupo, método del centroide, método de Ward 2.6 Métodos no jerárquicos basados en distancias: vecinos más cercanos, k medias, métodos basados en estimación de la densidad |
| 3. Clasificación supervisada |
3.1 Objetivos de la clasificación supervisada: reglas de clasificación y criterios de error 3.2 Análisis factorial discriminante: planteamiento, objetivos y cálculo de los factores discriminantes 3.3 Análisis discriminante lineal de Fisher y análisis discriminante cuadrático 3.4 Regla discriminante de máxima verosimilitud, regla Bayes, reglas discriminantes no paramétricas 3.5 Relación con los modelos de regresión con respuesta binaria 3.6 Estimación de la probabilidad de clasificación incorrecta: validación cruzada y bootstrap |
| 4. Modelos para datos de alta dimensión |
4.1 Selección de variables en regresión: contrastes de significación. 4.2 El problema de los contrastes múltiples: false discovery rate (FDR) y familywise error rate (FWER) 4.3 Modelos de regresión de coeficientes dispersos: regresión riscal (ridge regression), lasso y sus variantes 4.4 Selección de variables y modelos con coeficientes dispersos en el caso de clasificación |
|
