Resumen del trabajo fin de master

En el amplio abanico de métodos de regresión y clasificación tanto desde el punto de vista clásico como de aprendizaje automático, se plantea el uso de técnicas Bootstrap y métodos de ensamblado para la mejora de estos modelos en estimación o predicción. El objetivo de este trabajo es hacer una revisión teórico-práctica de estas técnicas incluyendo stacking, bagging y boosting o cualquier otro método de ensamblado o Bootstrap analizando sus ventajas e inconvenientes fundamentalmente a través de estudios de simulación que también incluyan casos reales de interés.