modelos_avanzados
Modelos Estadísticos Avanzados
Curso de posgrado para el doctorado en Cs. Biológicas de la Universidad Nacional de Córdoba.
Este curso se dictará del 11 al 22 de setiembre de 2023 en forma presencial el aula del Doctorado en Ciencias Biológicas (FCEFyN, Universidad Nacional de Córdoba), Vélez Sársfield esq. Duarte Quiros, Ciudad de Córdoba.
El horario de cursado es de 8:30 a 13:30. Se debe asistir con su propia computadora personal y los softwares R y RStudio instalados y en su última versión. Se sugiere descargar previamente los siguientes paquetes: ape, blmeco, car, caret, class, cluster, ClusterR, emmeans, e1071, fpc, factoextra, gamm4, geodata, ggeffects, ggmap, ggplot2, glmnet, gratia, gstat, ILRS2, lme4, lmtest, lmerTest, MASS, mclust, mgcv, nlme, OpenStreetMap, pbkrtest, pscl, randomForest, RLRsim, ROCR, sp, tree, tidygam, vegan y viridis.
Descarga del material práctico
Links útiles
- Ayuda general GLMM (de Ben Bolker) Link
- Introducción a modelos mixtos Link
- Modelos mixtos con correlaciones Link
- An Introduction to Statistical Learning (gratis) Link
- The Elements of Statistical Learning (gratis) Link
- Introduction to Generalized Additive Models with R and mgcv (Video de Gavin Simpson) Link
Cronograma simplificado.
El curso consta de clases teóricas, ejercicios y laboratorio de análisis de datos grupal.
Día 1.
- Teórico: Contenido de la materia. Los modelos estadísticos como hipótesis estadísticas y el test o selección simultánea de múltiples hipótesis estadísticas empleando la Teoría de la Información. Link
- Práctico: Ejercicios de LM y nivelación en R. Link
Día 2.
- Teórico: Componentes de los GLM: predictor lineal de las variables explicativas, función de enlace y errores aleatorios. Modelos lineales generalizados con estructura de errores binomial.Link 1 - Link 2
- Práctico: Ejercicios de distribución binomial. Link
Día 3.
- Teórico: Datos de conteos (Poisson y Binomial Negativa). Sobredispersión de GLM para datos discretos: diagnóstico y soluciones. Modelos de mezcla (mixture models) para datos con exceso de ceros. Link
- Práctico: Ejercicios para datos de conteo. Link
Día 4.
- Teórico: Definición de efectos fijos y efectos aleatorios y su interpretación biológica. Uso de los Modelos Lineares Generalizados Mixtos (GLMM) para modelar restricciones de aleatorización de unidades muestrales y el diseño experimental. El ajuste de los GLMM por Máximo de Verosimilitud Restringido (REML). Test de efectos y selección de modelos en los GLMM. Link
- Práctico: Ejercicios de GLMM. Link
Día 5.
- Teórico: Autocorrelación espacial y temporal. Como detectarla y que tipo de modelos aplicar para incluir la correlación en los modelos. Link
- Práctico: Ejercicios para datos con autocorrelación. Link
Día 6.
- Teórico: Los Modelos Aditivos Generalizados (GAM) como generalizaciones no paramétricas y no lineales de los GLM. Componentes de un GAM: función lineal, estructura de los errores, función de enlace y función de suavizado. Utilidad y limitaciones de los GAM ilustrada con ejemplos. Validación y evaluación de la calidad del ajuste en GAM y GAMM. Link
- Práctico: Ejercicios de GAM. Link
Día 7.
- Teórico: Introducción al Machine Learning. Datos de entrenamiento, prueba y validación. Ejemplos en ciencia de la aplicación de este tipo de modelos. Regresión logística/SVM/Random forest. Análisis discriminante. ¿Qué son las redes neuronales? Concepto. Link
- Práctico: Presentación de un problema para resolver aplicando un modelo de aprendizaje supervisado. Link
Día 8.
- Práctico: Lectura e interpretación de publicaciones científicas.
- Práctico: Continúa el desarrollo de la parte práctica y presentaciones a cargo de los estudiantes. Link
Día 9.
- Teórico: Aprendizaje No Supervisado. Datos etiquetados vs. no etiquetados. Gaussian admixture, K-medias, Clustering, Dbscan. Link
- Práctico: Ejercicios con modelos de aprendizaje no supervisado. Link
Día 10.
Evaluación: presentaciones orales con datos propios, habiendo aplicado alguno de los modelos que vimos durante el desarrollo del curso.