Ciencia de los Datos Aplicada
Grado y Doble Grado. Curso 2024/2025.
APRENDIZAJE SUPERVISADO II - 806317
Curso Académico 2024-25
Datos Generales
- Plan de estudios: 081C - GRADO EN CIENCIA DE LOS DATOS APLICADA (2022-23)
- Carácter: Obligatoria
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
CG1 - Comunicar y transmitir la información a un público tanto especializado como no especializado.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG11 - Poner en práctica las técnicas, herramientas y metodologías propias de la Ciencia de los Datos en distintos ámbitos de aplicación.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG11 - Poner en práctica las técnicas, herramientas y metodologías propias de la Ciencia de los Datos en distintos ámbitos de aplicación.
Específicas
CE3 - Describir situaciones con comportamiento aleatorio y aplicar la Ciencia de los Datos para resolver un problema real mediante los distintos pasos: identificar la información, diseñar el estudio, analizar los datos, construir un modelo adecuado, interpretar los resultados y emitir informes técnicos.
CE4 - Identificar la utilidad y el potencial de las técnicas estadísticas y de análisis de datos adquiridas en las distintas áreas de aplicación (como la documental, geográfica, actuarial, económica, financiera, biosanitaria, etc.) y utilizarlas adecuadamente para descubrir patrones de comportamiento en datos de cualquier volumen y tipología y extraer conclusiones relevantes.
CE5 - Aplicar la estimación, diagnosis, comparación y validación de modelos en diferentes problemas de inferencia y predicción sobre poblaciones de estudio.
CE6 - Aplicar técnicas estadísticas y de aprendizaje automático en el análisis de datos cualitativos y cuantitativos de cualquier volumen y tipo, tales como espaciales, de texto, imágenes, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.
CE12 - Identificar y aplicar las técnicas adecuadas de exploración, gestión, procesamiento, explotación y visualización de datos en función de su volumen y complejidad.
CE16 - Identificar y aplicar las técnicas algorítmicas básicas y avanzadas para encontrar soluciones secuenciales y paralelas a problemas, analizando la complejidad y la adecuación de los algoritmos propuestos según el tipo, la organización y el volumen de los datos.
CE4 - Identificar la utilidad y el potencial de las técnicas estadísticas y de análisis de datos adquiridas en las distintas áreas de aplicación (como la documental, geográfica, actuarial, económica, financiera, biosanitaria, etc.) y utilizarlas adecuadamente para descubrir patrones de comportamiento en datos de cualquier volumen y tipología y extraer conclusiones relevantes.
CE5 - Aplicar la estimación, diagnosis, comparación y validación de modelos en diferentes problemas de inferencia y predicción sobre poblaciones de estudio.
CE6 - Aplicar técnicas estadísticas y de aprendizaje automático en el análisis de datos cualitativos y cuantitativos de cualquier volumen y tipo, tales como espaciales, de texto, imágenes, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.
CE12 - Identificar y aplicar las técnicas adecuadas de exploración, gestión, procesamiento, explotación y visualización de datos en función de su volumen y complejidad.
CE16 - Identificar y aplicar las técnicas algorítmicas básicas y avanzadas para encontrar soluciones secuenciales y paralelas a problemas, analizando la complejidad y la adecuación de los algoritmos propuestos según el tipo, la organización y el volumen de los datos.
ACTIVIDADES DOCENTES
Clases teóricas
50%
Clases prácticas
50%
Presenciales
2,4
No presenciales
3,6
Semestre
5
Requisitos
Manejo de software estadístico.
Estar familiarizado con los conceptos básicos del análisis supervisado.
Estar familiarizado con los conceptos básicos del análisis supervisado.
Contenido
- Modelos de regresión para datos categóricos y de conteo.
- Árboles de regresión y clasificación.
- Modelos predictivos basados en árboles de regresión y clasificación (Bagging, Random Forest, Gradient Boosting).
- Árboles de regresión y clasificación.
- Modelos predictivos basados en árboles de regresión y clasificación (Bagging, Random Forest, Gradient Boosting).
Evaluación
El alumno será evaluado de forma continua a través de:
- Asistencia y prácticas realizadas en clase. La valoración de estas actividades será el 20% de la calificación final.
- Práctica final de cada tema realizada durante el horario de clase. La nota media ponderada de las prácticas será el 80% de la calificación final, siendo obligatorio aprobar todas.
Aquellos alumnos que no se acojan a evaluación continua, o habiéndose acogido no la hayan superado, podrán realizar un examen en las convocatorias oficiales, en cuyo caso, la nota alcanzada en el examen será el 100% de la nota global en la asignatura.
En todo caso, el/la alumno/a tiene la opción de superar la asignatura por evaluación continua.
- Asistencia y prácticas realizadas en clase. La valoración de estas actividades será el 20% de la calificación final.
- Práctica final de cada tema realizada durante el horario de clase. La nota media ponderada de las prácticas será el 80% de la calificación final, siendo obligatorio aprobar todas.
Aquellos alumnos que no se acojan a evaluación continua, o habiéndose acogido no la hayan superado, podrán realizar un examen en las convocatorias oficiales, en cuyo caso, la nota alcanzada en el examen será el 100% de la nota global en la asignatura.
En todo caso, el/la alumno/a tiene la opción de superar la asignatura por evaluación continua.
Bibliografía
- BREIMAN, L. FRIEDMAN, J.H., OLSHEN, R.A. STONE, C.J. (1998) Classification and Regression Trees. Chapman & Hall/CRC, Boca Raton
- GARCIA, S., LUENGO, J., HERRERA, F. (2015) Data Preprocessing in Data Mining. Intelligent Systems Reference Library (72), Ed. Springer, Cham.
- HASTIE, T., TIBSHIRANI, R,, FRIEDMAN, J. (2001) The elements of Statistical Learning Data Mining, Inference and Prediction.
- JAMES, G., WITTEN, D., HASTIE, T., & TIBSHIRANI, R. (2013). An introduction to statistical learning with Applications in R. New York: Springer.
- KUHN, M., & JOHNSON, K. (2013). Applied predictive modeling (Vol. 26). New York: Springer.
- GARCIA, S., LUENGO, J., HERRERA, F. (2015) Data Preprocessing in Data Mining. Intelligent Systems Reference Library (72), Ed. Springer, Cham.
- HASTIE, T., TIBSHIRANI, R,, FRIEDMAN, J. (2001) The elements of Statistical Learning Data Mining, Inference and Prediction.
- JAMES, G., WITTEN, D., HASTIE, T., & TIBSHIRANI, R. (2013). An introduction to statistical learning with Applications in R. New York: Springer.
- KUHN, M., & JOHNSON, K. (2013). Applied predictive modeling (Vol. 26). New York: Springer.
Estructura
Módulos | Materias |
---|---|
No existen datos de módulos o materias para esta asignatura. |
Grupos
Clases Teóricas y/o Prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo Único | 09/09/2024 - 20/12/2024 | VIERNES 11:00 - 13:00 | - | AIDA CALVIÑO MARTINEZ |
Actividades Prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo Único | 09/09/2024 - 20/12/2024 | MARTES 13:00 - 15:00 | - | AIDA CALVIÑO MARTINEZ |