Diplomado en Métodos Cuantitativos y Computacionales para Análisis de Datos

Curso 1: Fundamentos de programación en R y Estadística:
Introducción: entorno del lenguaje
Graficas: gráficos elementales en 2D y 3D, graficas de matrices y animación.
Programación y funciones: condicionales (if, ifelse), loops (for, while), funciones definidas por el usuario.
Graficas descriptivas: Datos cualitativos y cuantitativos.
Medidas de localización, dispersión y forma.
Análisis de datos bivariados y multivariados: medida de asociación.
Distribuciones de probabilidad univariadas y multivariadas.
Estimadores y prueba de hipótesis Curso 2: Métodos numéricos, simulación y series de tiempo:
Álgebra de matrices: Tipos de matrices, descomposición y sistemas de ecuación no lineales.
Procesos estocásticos y simulación: caminatas aleatorias, movimiento Browniano, procesos de difusión, procesos punto, simulación de Monte Carlo.
Análisis de series de tiempo: representación, operadores sobre series temporales, ACF y PACF, modelos MA, AR, ARIMA y GARCH. Curso 3: Aprendizaje estadístico (ISL) (Diego león/Javier Sandoval):
Introducción: Aprendizaje supervisados y no supervisado, Clasificación y regresión.
Regresión lineal: Simple, múltiple.
Métodos de remuestreo.
Función de pérdida.
Regularización.
Compensación sesgo-varianza.
Validación cruzada.
Validación y selección de modelos.
Selección de características y partición de datos.
Clasificación: regresión logística, discriminante lineal, clasificador Bayesiano y KNN. Curso 5: Introducción al Machine Learnig (Javier Sandoval/ Diego león):
Métodos de árboles, Bagging, Random Forests, Boosting
Support Vector Machines
Clustering
Redes Neuronales