Instructor: Dr. Edgar Acuña Fernández

Oficina: M 314

Horas de Oficina: L M W V de 8-9.30am.

Extension: x3287.

Homepage: math.uprm.edu/~edgar

Un curso de un año en Estadística Aplicada, que haya incluido regresión múltiple y análisis de varianza. Se recomienda además que el estudiante conozca la regla de Bayes, la distribución normal multivariada, métodos de estiamación y haya usado algún paquete estadístico.

Clasificación es una parte de análisis estadístico multivariado y envuelve temas tales como:formulación de un problema, construcción de un modelo, estimación, teoría de decisión, predicción, interpretación de resultados, etc. Clasificación comprende dos areas: Análisis discriminante en donde se conoce de antemano las clases a los cuales se va a asignar un sujeto y Análisis por conglomerados, en donde las clases no son conocidas de antemano y usando los datos tomados se debe detreminar los agrupamientos de objetos similares.

En este curso mayormente se estudiaran los metodos de análisis discriminante, desde el más elemental que es el análisis discriminante lineal hasta los mas recientes que involucran combinación de reglas de clasificación. Solo al final del curso se consideran los metodos de analisis por conglomerados.

En este curso se usaran datos de la vida real y que están disponible en la base de datos para Machine Learning de la Universidad de California en Irvine.

Al final del curso se espera que el estudiante sea capaz de aplicar varios métodos de análisis discriminante ayudándose de programas estadísticos tales como: MINITAB, SAS, SPSS, S-Plus. Asímismo se espera que el estudiante aprenda a elegir el método más adecuado para un conjunto de datos dado.

Homepage del curso: math.uprm.edu/~edgar/esma6835.html

Introducción………………………………………………………….. 2 5,7,8,9

Análisis Discriminante Lineal………………………… …………… 4 5,7,8,9

Estimación del error de clasificación………………………………….3 5,7,8,9

Análisis discriminante como un problema de decisión ………………. 2 5,7,8,9

Análisis Discriminante Cuadrático……………………………………. 2 5,7,8,9

Análisis Discriminante usando regresión Logística…………………... 3 5,7,8,9,10

Clasificación usando estimación de densidades por kernels…………… 6 6,9,10.12,13

Clasificación usando estimación de densidades por mezclas gaussianas..3 9,10,13

Clasificación mediante arboles de decisión……………………………. 6 2,4,14

Clasificación usando redes neurales…………………………………… 5 1,3,4,11,14

Combinación de clasificadores: Bagging, Adabosting y Arcing………... 5 Papers

Introducción a analisis de conglomerados……………………………... 3 5

1. Bishop, C.M. (1995). Neural Networks for Pattern Recognition. Oxford Univeristy Press.

2. Breiman, L. Friedman, J.H. , Olshen, R. y Stone, C.J. (1984). Classification and Regression Trees. Wadsworth, Belmont. CA.

3. Chen, B and Titterington, D.M. (1994). Neural Networks: A review from a statistical Perspective, Statistical Science, 9 p 2-54.
4. Fukunaga, K. (1990). Introduction to Statistical Pattern Recognition. Second Edition Academic Press. New York.
5. Hand, D.J. (1981). Classification and Discrimination. John Wiley, New York.
6. Hand, D.J. (1982). Kernel Discriminant Analysis. Research Studies Press, New York.
7. Hand, D.J. (1997). Construction and assesment of classification rules. John Wiley, New York.
8. Lachenbruch, P.A. and Mickey, M.R. (1975). Discriminant Analysis. Hafner Press, New York.
9. McLachlan, G.J. (1992). Discriminant Analysis and Statistical Pattern recognition. John Wiley, New York.
10. Michie, D., Spiegelhalter, D.J. and Taylor, C.C. (1994). Machine Learning, Neural and Statistical Classification. Ellis Horwood, New York.
11. Ripley, B. (1996) Pattern Recogniton and Neural Networks. Cambridge University Press.
12. Scott, D. (1992). Multivariate Density estimation: Theory, practice and visualization. John Wiley, New York.
13. Silverman, B.W. (1986). Density estimation for statistics and data analysis. Chapman and Hall. London.
14. Venables, W.N. and Ripley B.D. (1997) Modern Applied Statistics with S-Plus. Second Edition. Springer-Verlag, New York.

Tareas (6)............................................. 40%

Examen Parcial I...................................30%

Examen Final...................................... .30%