Resultados de aprendizaje: 

Resolver ejercicios con el software adecuado analizando el problema y diseñando la solución 

Clasificar problemas de tratamiento de datos y resolverlos según las técnicas estadísticas establecidas 

Comparar las técnicas estadísticas de regresión, clasificación, reducción de dimensionalidad e inferencia bayesiana seleccionando la solución más adecuada al problema planteado 

Conocer el papel de la optimización en el ajuste de modelos estadísticos 

Conocer la distinción entre los enfoques supervisados y no supervisados, y entre los problemas de regresión y clasificación 

Conocer las posibilidades de los modelos gráficos probabilísticos para la representación de problemas complejos y su aplicación en inferencia y toma de decisiones 

Conocer y aplicar las técnicas estadísticas establecidas para la resolución de problemas de inferencia, regresión, clasificación y reducción de la dimensionalidad 

Descripción de contenidos mínimos: 

Métodos estadísticos para regresión. 

Métodos estadísticos para clasificación. 

Reducción de la dimensionalidad. 

Modelos gráficos probabilísticos. 

Introducción a la inferencia bayesiana para ID e IA. 

Programa detallado: 

1. Distribuciones de probabilidad multivariante. Métodos bayesianos. Cadenas de Markov. 

2. Métodos estadísticos para regresión:    • Estimación por mínimos cuadrados    • Regresión lineal múltiple    • Sesgo y varianza, selección de variables y bondad del ajuste    • Regresión regularizada: lasso y ridge 

3. Métodos estadísticos para clasificación:    • Métricas de bondad de clasificación    • Análisis discriminante    • Regresión logística    • Naive Bayes 

4. Reducción de la dimensionalidad:    • Análisis de componentes principales    • Análisis de componentes independientes    • Escalamiento multidimensional 

5. Modelos gráficos probabilísticos. 

Programa detallado en inglés: 

1. Multivariate probability distributions. Bayesian methods. Markov chains. 

2. Statistical methods for regression:    • Least squared estimation    • Multiple linear regression    • Bias and variance, feature selection, and goodness-of-fit    • Regression shrinkage methods: lasso and ridge 

3. Statistical methods for classification:    • Goodness-of-fit measures for classification    • Discriminant analysis    • Logistic regression    • Naive Bayes 

4. Dimensionality reduction:    • Principal component analysis    • Independent component analysis    • Multidimensional scaling 

5. Probabilistic graphical models.