El alumno debe saber modelizar como red neuronal problemas de clasificación y predicción y ser capaz de dar una solución con la ayuda del Software estadístico.

50%

50%

100%

1,8

4,2

2

Se trata de introducir al alumno en las Redes Neuronales y otros algoritmos de predicción y clasificación como random forest, gradient boosting o support vector machines con el objetivo de saber utilizar estas técnicas para poder resolver problemas predicción y clasificación que no puedan resolverse por los métodos tradicionales. Se impartirá una breve introducción a los algoritmos genéticos. Se incidirá principalmente en las aplicaciones utilizando el programa estadístico SAS ENTERPRISE MINER, SAS en entorno de programación y R.             

En casos de escenarios de docencia semipresencial u online, se podrán realizar las clases en streaming o con videos, y realizar los ejercicios y prácticas habituales con los medios informáticos disponibles.

Estar familiarizado al menos con los siguientes programas de software estadístico: SAS y R.

Fundamentos de las Redes neuronales. Redes neuronales para regresión.Redes neuronales para clasificación. Algoritmos basados en árboles: bagging, random forest, gradient boosting. Support vector machines. Métodos Ensemble.

Se realizarán prácticas a entregar de cada uno de los modelos propuestos pudiendo aprobar por evaluación continua.
Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso.

Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.

Hastie, Tibshirani (2009): The Elements of Statistical Learning (PDF)
http://statweb.stanford.edu/~tibs/ElemStatLearn/

Randall Matignon (2005): Neural Network Modeling using SAS Enterprise Miner. Ed. AuthorHouse

Schapire and Freund (2014): Boosting. MIT Press.

ftp://ftp.sas.com/pub/neural/FAQ.html

Davis, L. (1991): Handbook of Genetic Algorithms. Van Nostrand Reinhold.