Métodos de análisis de datos I
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Métodos de análisis de datos I | 5215 |
Materia: | Métodos de análisis de datos |
Módulo: | Métodos de análisis y procesamiento de datos |
Modalidad de enseñanza de la titulación: | Presencial | Carácter: | Obligatoria |
Curso: | 1 | Créditos ECTS: | 3,00 | Duración: | Semestral (Primer Semestre) |
Horas presenciales: | 30,00 | Horas estimadas de trabajo autónomo: | 45,00 |
Idiomas en que se imparte la asignatura: | Español |
Idiomas del material de lectura o audiovisual: | Inglés, Español |
Departamentos responsables de la docencia
MATEMÁTICAS Y COMPUTACIÓN | R111 |
Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
Localidad: | Logroño | Provincia: | La Rioja |
Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
Profesor: | Arregui Casaus, José Luis | Responsable de la asignatura |
Teléfono: | 941299674 | Correo electrónico: | jose-luis.arregui@unirioja.es |
Despacho: | 3231 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
Análisis estadístico de datos. Variables aleatorias (discretas y continuas). Funciones de distribución, masa y densidad. Inferencia estadística. Análisis de varianza. Introducción a los modelos de regresión
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Competencias
Competencias generales
CG01 - Capacidad de análisis y síntesis a nivel avanzado en el ámbito de la ciencia de datos y aprendizaje automático
CG04 - Habilidad para comunicarse oralmente a nivel avanzado sobre temas del ámbito de la ciencia de datos y aprendizaje automático, usando la terminología y técnicas aceptadas por los profesionales del sector
CG05 - Habilidad para formular por escrito a nivel avanzado temas del ámbito de la ciencia de datos y aprendizaje automático usando correctamente diferentes tipos de enfoques académicos relacionados con su campo de estudio
CG06 - Capacidad de iniciativa y autonomía para las distintas tareas propias de la actividad investigadora en el ámbito de la ciencia de datos y aprendizaje automático
Competencias específicas
CE05 - Capacidad para proponer, analizar, validar e interpretar modelos de situaciones cercanas a la realidad, utilizando las herramientas estadísticas más adecuadas a los fines que se persigan
Resultados del aprendizaje
- Conoce los fundamentos del análisis estadístico de datos.
- Conoce y es capaz de utilizar técnicas de inferencia estadística.
- Conoce las bases teóricas y aplicaciones prácticas del modelo de regresión simple.
- Conoce las bases teóricas y el ámbito de aplicación del análisis de la varianza.
- Conoce las bases teóricas y la aplicación práctica del análisis de componentes principales y el análisis factorial, como métodos de reducción de la di- mensionalidad de un conjunto de datos multivariantes.
- Conoce las bases teóricas y la aplicación práctica del análisis de conglomerados, como método para descubrir una estructura de grupos en un con- junto de datos multivariantes.
- Conoce el manejo básico de un paquete estadístico y sabe usarlo en problemas de la ciencia de datos.
Temario
Análisis estadístico básico de una variable.
Variables aleatorias. Funciones de distribución, masa y densidad.
Distribución normal y distribuciones relacionadas.
Inferencia estadística: intervalos de confianza, estimación de parámetros, contrastes de hipótesis.
Introducción a los modelos de regresión.
Bibliografía
Tipo: | Título |
Complementaria | Rohatgi, Vijay K. - Ehsanes Saleh, A.K. Md.: An introduction to Probability and Statistics, Wiley & Sons, 2015 |
Complementaria | De Groot, Morris - Schervish, Mark: Probability and Statistics, 4th ed., Addison - Wesley, 2015 |
Complementaria | Peña, Daniel: Regresión y diseño de experimentos, Alianza Editorial, 2002 Absys Biba |
Complementaria | Chaterjee, Samprit - Hadi, Ali S.: Regression Analysis by example, 4th ed., Wiley-Interscience, 2002 |
Complementaria | Bingham, N.H. - Fry, John M.: Regression - linear models in Statistics, Springer, 2010 |
Complementaria | Faraway, Julian J.: Linear models with R, Chapman & Hall, 2004 |
Recursos en Internet |
Software: R |
Software: RStudio |
Verzani, John: simpleR - using R for introductory Statistics |
MOOC: Aprende R: introducción al tratamiento de datos con R y RStudio |
El material didáctico de la asignatura se encontrará disponible en el aula virtual para todos los estudiantes matriculados en la misma. |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Tutorías
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Aprendizaje orientado a proyectos
Aprendizaje cooperativo
Organización
Actividades presenciales | Tamaño de grupo | Horas |
Clases teóricas | Grande | 10,00 |
Seminarios y talleres | Grande | 8,00 |
Clases prácticas | Informática | 10,00 |
Tutorías | Grande | 2,00 |
Total de horas presenciales | 30,00 |
Trabajo autónomo del estudiante | Horas |
Estudio y trabajo en grupo | 10,00 |
Estudio y trabajo autónomo individual | 35,00 |
Total de horas de trabajo autónomo | 45,00 |
Evaluación
Sistemas de evaluación | Recuperable | No Recup. |
Informes y memorias de prácticas | 40% | |
Trabajos y proyectos | 60% | |
Total | 100% |
15/03/2023 10:34:44 - G 2022-23 - 855M - 5215