Sábados de 9 a 13hs.

Comienza el 5/8

Finaliza el 30/9

Coordinaremos otro día mas para consultas.

Inscripción: unicamente a traves del SIU-Guarani.  Prestar atención en anotarse en la materia correcta según los siguientes nombres.

La materia fue aprobada como:
        
materia electiva para la Licenciatura en Ciencia de Datos: Herramientas de Visualización de datos.
materia optativo para la Licenciatura en Matematica: Herramientas de Visualización de datos.
curso optativo para Postgrado (Resolucion y puntaje): Técnicas de Reducción y Visualización de datos .

Quienes no puedan inscribirse por SIU por no tener acceso deben seguir los pasos descriptos en este link para hacer el tramite correspondiente en la oficina de Postgrado.

Daniela Rodriguez - Pedro Cosatto

En el curso, se introducirán diferentes  métodos estadísticos de reducción de la dimensión. Utilizaremos estas técnicas como un medio para comunicar estructuras relevantes de los datos con el fin de interpretar y comprender los mismos. Algunas de las técnicas que estudiaremos son: Componentes principales. Método de Proyección Pursuit. Correlación Canónica. Coordenadas discriminantes y Clasificación. Escalamiento multidimensional métrico. Cluster. 

A lo largo del curso se hará especial énfasis en análisis de datos, aplicaciones y casos de estudio. A través de los cuales se ilustrará el uso de los métodos y  su técnica, mostrando por qué este paso resulta esencial para producir análisis válidos y que preserven la información de los datos. Se realizará especial énfasis es la visualización presentando  varias opciones de paquetes disponibles para la creación de gráficos.

Correlatividad para alumnos de LCD: Introduccion a la Estadística y Ciencia de Datos.
Correlatividad para alumnos de Mate: Estadística (M) 
Correlatividad para alumnos de Carrera de Especializacion o Maestria en estadística matematica: aprobadas las materias del primer cuatrimestre.
Otros alumnos interesados se requerira de un curso introductorio de probabilidad y estadística y manejo de algún lenguaje de programación. En el curso utilizaremos R.

An Introduction to Statistical Learning (with Applications in R). James, G., Witten, D, Hastie, T. and Tibshirani, R. (2013).

Elements of Statistical Learning. Los recursos y data set del libro estan en el paquete ElemStatLearn.

Introduction to Statistical Learning - link a los dataset del libro.

Kaggle - sitio para competir resolviendo problemas de prediccion.

Peña, D. (2002). Analisis de Datos Multivariantes, McGraw-Hill, Interamericana de España.

Cook, D. and Swayne, D.F. (2007). Interactive and Dynamic Graphics for Data Analysis. Springer UseR! Series.

Izenman, A. (2008). Modern Multivariate Statistical Techniques, Regression, Classification and Manifold Learning. Springer New York.

Murray, S. (2013). Interactive Data Visualization for the Web. O'Reilly.

Ward, M.O., Grinstein, G. and Keim, D. (2015). Interactive Data Visualization, 2nd edition. Chapman & Hall/CRC.

Libro de algebra lineal con aplicaciones en R. Cubre más de lo que usaremos.

Revisión de algebra de matrices (con R)