Elementos de estadística computacional y aprendizaje automático usando R y Python 

Unidad 1: Introducción al problema del aprendizaje estadístico. Compromiso entre la precisión de la predicción y la interpretabilidad del modelo. Aprendizaje supervisado versus no supervisado. Regresión versus clasificación. Medidas de la calidad del ajuste. Compromiso entre sesgo y varianza.


Unidad 2: Simulación Monte Carlo. Validación cruzada. Bootsrap. Selección de modelos lineales. Métodos de regularización: regresión ridge, lasso. Ensembles de modelos lineales. Regresión logística lasso y regresión logística split (basada en ensembles).


Unidad 3: Métodos basados en árboles: Árboles de regresión y de clasificación. Random Forest, Bagging y Boosting.