Descripción del proyecto
EL APRENDIZAJE ESTADISTICO TRATA DE PROBLEMAS EN LOS QUE HAY QUE EXTRAER REGLAS DE DEPENDENCIA DE LOS DATOS, ESTO, POR SUPUESTO, PODRIA DARSE COMO DEFINICION DE LA PROPIA ESTADISTICA, PERO LA CARACTERISTICA DIFERENCIAL DEL APRENDIZAJE ESTADISTICO ES QUE TRADICIONALMENTE TRATA CON SITUACIONES EN QUE LOS DATOS SON DE ALTA DIMENSIONALIDAD Y LOS ASPECTOS ALGORITMICOS TIENEN IMPORTANCIA CENTRAL, LA ESTADISTICA ¿TRADICIONAL¿ Y LA TEORIA DEL APRENDIZAJE SE HAN DESARROLLADO EN PARALELO DURANTE UN TIEMPO, PERO HOY DIA ESTA CLARO QUE AMBOS CAMPOS TIENEN MUCHO QUE APORTAR AL OTRO, DE HECHO, TECNICAS DESARROLLADAS POR EL APRENDIZAJE AUTOMATICO HAN ADQUIRIDO IMPORTANCIA EN UNA AMPLIA VARIEDAD DE APLICACIONES ESTADISTICAS, COMO LOS METODOS DE CONJUNTOS (COMO BOOSTING, BAGGING Y BOSQUES ALEATORIOS), METODOS DE MARGEN AMPLIO (COMO MAQUINAS DE SOPORTE VECTORIAL Y HERRAMIENTAS RELACIONADAS) EN CLASIFICACION, REGRESION, ORDENACION Y ESTIMACION DE CUANTILES CONDICIONALES, Y VICEVERSA, LA METODOLOGIA ESTADISTICA ESTANDAR HA ENTRADO PROGRESIVAMENTE EN LAS APLICACIONES DEL APRENDIZAJE AUTOMATICO (COMO LAS REDES BAYESIANAS O LA AGLOMERACION, POR MENCIONAR ALGUNAS), EN ESTE PROYECTO QUEREMOS TRABAJAR EN ESTA AREA EN EXPANSION DE LA ESTADISTICA, EN LA QUE LA ALTA DIMENSIONALIDAD DE LOS PROBLEMAS PROPORCIONA NUEVOS Y EXCITANTES DESAFIOS TANTO DESDE EL PUNTO DE VISTA TEORICO COMO ALGORITMICO, APLICAREMOS NUESTRA EXPERIENCIA EN TEORIA DEL APRENDIZAJE Y EN ESTADISTICA AL ATAQUE A PROBLEMAS DE CLASIFICACION NO PARAMETRICA, DE ORDENACION, PREDICCION SECUENCIAL, AGLOMERACION, METODOS MONTE CARLO EXACTOS Y SECUENCIALES EN EL ANALISIS BAYESIANO DE PROCESOS DE TIPO DIFUSION, REDUCCION DE DIMENSIONALIDAD, Y APLICAREMOS NUESTROS RESULTADOS TEORICOS A UNA AMPLIA VARIEDAD DE APLICACIONES EN DIVERSOS AMBITOS, INCLUYENDO FINANZAS, ECOLOGIA Y BIOLOGIA, TEORIA DE APRENDIZAJE\ESTADISTICA NO PARAMETRICA\CLASIFICACION\METODOS MONTE CARLO\PREDICCION SECUENCIAL