Minería de Datos

ITAM 2025

Temario

• Introducción al aprendizaje de máquina
• Principios de aprendizaje supervisado
• Regresión lineal
• Métodos de remuestreo y validación cruzada
• Principios de Regularización
• Problemas de clasificación, métricas y evaluación
• Árboles, bosques aleatorios y boosting
• Redes neuronales
• Métodos no supervisados

Evaluación

• Dos exámenes parciales (40%)
• Proyecto final (30%):
  • Entrega (75%)
  • Exposición (25%)
    
• Examen final (30%)

Existirá una parte extra a los alumnos que contribuyan al aprendizaje de sus compañeros:

• Contribuciones al repositorio: añadiendo redacción más entendible, añadiendo ejemplos particulares a sus carreras, etc.
• Actividad en el canal de Slack: contestando dudas de sus compañeros, iniciando discusiones para resolver problemas.

Profesor

Nombre: Saúl Caballero Ramírez

Correo: saul.caballero.ramirez@gmail.com

Correo alternativo: saul@nixtla.io

El canal más rápido y efectivo será el siguiente canal de Slack. La idea de este canal es que puedan comunicarse entre ustedes para ayudarse a aprender y si necesitan de mi ayuda intentaré contestar en un periodo corto de tiempo. Cualquier comportamiento inadecuado dentro de este foro será penalizado por las reglas de convivencia del ITAM.

Referencias principales

• An Introduction to Statistical Learning, James et al. (2023)
• The Elements of Statistical Learning, Hastie, Tibshirani, y Friedman (2017)

Hastie, Trevor, Robert Tibshirani, y Jerome Friedman. 2017. The Elements of Statistical Learning. Springer Series en Statistics. Springer New York Inc. https://hastie.su.domains/ElemStatLearn/.

James, Gareth, Daniela Witten, Trevor Hastie, Robert Tibshirani, y Jonathan Taylor. 2023. An Introduction to Statistical Learning: With Applications in Python. Springer Texts en Statistics. Cham: Springer. https://doi.org/10.1007/978-3-031-38747-0.