Métodos de análisis de datos II
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Métodos de análisis de datos II | 5227 |
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: | Higueras Hernáez, Manuel | Responsable de la asignatura |
Teléfono: | 941299465 | Correo electrónico: | manuel.higueras@unirioja.es |
Despacho: | 3209
| Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
Análisis factorial. Análisis de componentes principales. Análisis de conglomerados.
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
TEMA 1. Introducción a la puesta en práctica del análisis estadístico
TEMA 2. Técnicas de análisis multivariante
- Análisis de componentes principales
- Análisis factorial
- Análisis de conglomerados
TEMA 3. Otras técnicas estadísticas
Bibliografía
Tipo: | Título |
Complementaria | Análisis de datos multivariantes Absys Biba |
Complementaria | Applied multivariate statistical analysis Absys Biba |
Complementaria | An Introduction to Applied Multivariate Analysis with R Absys Biba |
Complementaria | Generalized linear models - https://catalogo.unirioja.es/cgi-bin/abnetopac/O7056/ID4a9ab9ac/NT1 |
Recursos en Internet |
Manual electrónico: Análisis multivariante, Jesús Montanero Fernández (2008) |
Libro electrónico: Análisis de Datos Multivariantes, Daniel Peña (2002) |
Software: R project |
Software: RStudio |
MOOC. AprendeR: Introducción al tratamiento de datos con R y RStudio |
Webminar: Intro to R |
Libro web. Forecasting: Principles and Practice |
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 |
Clases prácticas | 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 | 30% | |
Trabajos y proyectos | 70% | |
Total | 100% |
15/03/2023 10:34:50 - G 2022-23 - 855M - 5227