Escuela Interdisciplinaria de Altos Estudios Sociales

Universidad Nacional de San Martín

Coordinación:
-Germán Rosati

Equipo Docente:
-Valentín Álvarez | Github | X -Guido Weksler | Github | X
-Magalí Rodrígues Pires
-Nayla Sol Garcilazo | Github

Introducción al modelado de datos

Los modelos estadísticos y de aprendizaje automático son herramientas fundamentales para analizar datos y extraer patrones significativos. En este módulo, se abordarán los modelos de regresión lineal y logística, sus fundamentos teóricos y los métodos de estimación más utilizados, como mínimos cuadrados y máxima verosimilitud. Se explorarán estrategias para la interpretación de los resultados y la validación de los modelos mediante medidas de ajuste, pruebas de hipótesis y diagnósticos.

Además, se introducirán conceptos clave del aprendizaje automático, enfocándose en los problemas de clasificación y regresión dentro del aprendizaje supervisado. Se analizarán aspectos como la diferencia entre error de entrenamiento y error de testing, así como el problema del sobreajuste y su impacto en la generalización de los modelos.

Para mejorar el desempeño de los modelos y evitar sobreajustes, se estudiarán técnicas de regularización como LASSO y Ridge. Finalmente, se presentará el ecosistema tidymodels, un conjunto de herramientas en R diseñado para facilitar la construcción, validación y comparación de modelos de manera estructurada y reproducible.

Este módulo combina teoría y práctica, brindando a los participantes las herramientas necesarias para desarrollar modelos predictivos aplicados a datos reales.

Librerías a utilizar

En el archivo 0_packages pueden encontrar el código para descargar los paquetes que vamos usar en el módulo , también los dejamos anotados en el siguiente bloque:

install.packages("tidyverse")
install.packages("viridis")
install.packages("corrplot")
install.packages("ggridges")
install.packages("tidymodels")
install.packages("GGally")
install.packages("latex2exp")
install.packages("car")
install.packages("gtsummary")
install.packages("modelsummary")
install.packages("gt")
install.packages("discrim")

Contenidos

*Los materiales están organizados por clase: Pueden descargarse la totalidad de los materiales de cada una para trabajar en un único archivo .zip*

Clase 1 - Introducción: tipos de modelos, trade-offs:

• Temas de clase:
  • ¿Por qué construir modelos?
  • Predicción vs inferencia
  • Regresión vs clasificación
  • Paramétricos vs no paramétricos
  • Supervisado vs no supervisado
  • Trade-off precisión-interpretabilidad
  • Trade-off sesgo-varianza
  • Evaluación. Nociones de train/test, validation, matriz de confusión
  • Flujo de trabajo: explorar, transformar, modelizar, evaluar
  • Introducción a Tidymodels

Clase 2 - Explorando y transformando variables. Intro a regresión lineal simple:

• Temas de clase:
  • ¿Qué tipo de modelo es la regresión lineal?
  • ¿Qué preguntas responde la regresión lineal?
  • Tipos de relaciones entre variables
  • Regresión lineal simple: fórmula, coeficientes y mínimos cuadrados
  • Tests de hipótesis e intervalo de confianza. P-valor
  • Predicciones
  • Supuestos del modelo. Residuos y su distribución
  • Métricas de evaluación de un modelo: R2
  • Tidymodels 1

Clase 3 - Regresión lineal simple y múltiple:

• Temas de clase:
  • Regresión múltiple: ¿por qué no una simple por cada variable?
  • Fórmula, coeficientes e interpretación
  • Variables independientes cualitativas y términos de interacción
  • Tests de hipótesis 2: significatividad global
  • Multicolinealidad. El trade-off sesgo-varianza
  • Complejizamos la métrica de evaluación del modelo: R2 ajustado
  • Tidymodels 2

Clase 4 - Clasificación 1: Regresión logística:

• Temas de clase:
  • Modelos de clasificación: para qué sirven y cuáles existen
  • Los limites de la regresión lineal.
  • ¿Qué tipo de modelo es la regresión Logística?
  • Coeficientes y lectura de outputs
  • Train-Test split
  • Medidas de evaluación del modelo

Clase 5 - Clasificación 2: LASSO:

• Temas de clase:
  • Selección de modelos lineales
  • Técnicas de regularización
  • El método LASSO

Clase 6 - Métricas de rendimiento y Cross-Validation:

• Temas de clase:
  • Métricas de rendimiento
  • Train-test split
  • K-fold Cross-Validation.
  • Ajuste de hiperparámetros
  • Caso integrador (EPH)

Bibliografía complementaria

• An Introduction to Statistical Learning with applications in R (James, Witten, Hastie y Tibshirani) – 1st and 2nd version

• Tidy Modeling with R (Kuhn y Silge)

• Introduction to Modern Statistics (Çetinkaya-Rundel y Hardin)