Pasar al contenido principal

Universitat Internacional de Catalunya

MÓDULO 3.2: Métodos Estadísticos y Data Mining

MÓDULO 3.2: Métodos Estadísticos y Data Mining
5
13946
1
Primer semestre
OB
Lengua de impartición principal: castellano

Otras lenguas de impartición: catalán, inglés

Profesorado


Faculty:

Imanol Morata (imorata@uic.es)

José Antonio Esteban (jaesteban@uic.es)

David Roche (droche@uic.es)

Presentación

Esta asignatura se compone de una parte de repaso de estadística básica y otra parte dedicada a aprender alguna de las técnicas clásicas relacionadas con la obtención de conocimiento y la toma de decisiones.

La estadística es un componente esencial y básico para poder entender técnicas más propias de la ciencia de datos y la extracción de patrones, reglas y conocimiento.

En resumen, en esta asignatura se retomarán aspectos estadísticos básicos junto con alguna técnica más concreta relativa a la ciencia de datos

Requisitos previos

Para cursar esta asignatura se supone ciertos conocimientos de estadística básica y programación en R y Python

Objetivos

Los objetivos de esta asignatura se refieren al uso de la estadística y de ciertas técnicas algorítmicas para completar conocimientos básicos necesarios para la formación en ciencia de datos. 

En resumen, se abordarán aspectos como test de hipótesis, regresión lineal, componentes principales y computación evolutiva. También se realizará alguna sesión sobre ciclo de vida de los proyectos de ciencia de datos y sobre técnicas de aprendizaje automático

Competencias/Resultados de aprendizaje de la titulación

 
  • 31 - Desarrollar la capacidad para identificar e interpretar datos numéricos.
  • 36 - Ser capaz de interpretar datos cuantitativos y cualitativos, y de usar herramientas matemáticas y estadísticas aplicables a los procesos empresariales.
  • 64 - Capacidad de planificación y organización del trabajo.
  • 32 - Adquirir habilidades en la resolución de problemas a partir de información cuantitativa y cualitativa.
  • 40 - Ser capaz de seleccionar el método estadístico adecuado atendiendo al objeto de análisis.
  • 43 - Adquirir habilidad en el manejo de software estadístico.
  • 50 - Aquirir la capacidad de relacionar conceptos y realizar ejercicios de análisis y de síntesis.
  • 51 - Desarrollar habilidades en la toma de decisiones.
  • 53 - Adquirir habilidades para el aprendizaje autónomo.
  • 54 - Ser capaz de expresar ideas y argumentos de manera ordenada y coherente tanto oralmente como de forma escrita.
  • 56 - Ser capaz de hacer argumentaciones que favorezcan el razonamiento crítico y autocrítico.
  • 65 - Adquirir la capacidad de aplicar los conocimientos en la práctica.
  • 66 - Capacidad de recuperación y tratamiento de la información.

Resultados de aprendizaje de la asignatura

Al acabar esta asignatura el alumno será capaz de enfrentarse a problemas cuantitativos y cualitativos y a aplicar técnicas clásicas de estadística y algunos algoritmos propios de la ciencia de datos para obtener información a partir de los datos para apoyar la toma de decisiones

Contenidos

Contenidos de la asignatura:

 

  1. Repaso elementos de programación
  2. Test de hipótesis para la diferencia de medias
    1. Paramétricos dos medias y más de dos medias
    2. No Paramétricos dos medias y más de dos medias
  3. Regresión lineal
    1. Modelo simple
    2. Modelo múltiple
  4. Análisis de componentes principales
  5. Computación evolutiva
  6. Sesiones de empresas sobre uso de técnicas de aprendizaje automático

Metodología y actividades formativas

Modalidad totalmente presencial en el aula



La técnica de aprendizaje de esta asignatura es “learning by doing” por lo que se realizarán casos prácticos aplicados a cada concepto teórico que se desarrolle en las diferentes sesiones y para los diferentes lenguajes. El objetivo siempre es acercar al alumno a la realidad de su profesión donde tendrá que aplicar los conocimientos teórico-prácticos aprendidos a lo largo de la asignatura.

La mayoría de las sesiones se estructuran de la siguiente forma:

 

  1. Presentación del resumen teórico por parte del profesorado
  2. Aplicación ejemplo por parte del profesorado
  3. Planteamiento de problemas y solución por parte del alumnado
  4. Solución del problema de forma conjunta
  5. Caso práctico simulado o con datos reales
  6. Trabajo práctico para realizar en casa con la intención de asimilar los conceptos aprendidos en la sesión

Sistemas y criterios de evaluación

Modalidad totalmente presencial en el aula



La evaluación de esta asignatura se obtendrá con la ponderación equitativa de todas las entregas realizadas a lo largo del curso. 

  La nota final es la nota de la evaluación continuada.

 

Bibliografía y recursos

-Statistics for Business and Economics, Global Edition. Paul Newbold, William Carlson, Betty Thorne. 2019

- An Introduction to Statistical Learning: with Applications in R. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2014. Springer Publishing Company, Incorporated.

- R Cookbook: Proven Recipes for Data Analysis, Statistics, and Graphics. J D Long y Paul Teetor. 2019