Competencies and objectives

 

Course context for academic year 2024-25

Esta asignatura se ubica en el módulo Fundamental y dentro de él, en la materia Optimización. La asignatura recoge el estudio y aplicación de las técnicas de análisis de datos detalladas en los contenidos.

Análisis de datos II es una ampliación de la asignatura Análisis de datos I. En esta asignatura se pretende desarrollar con más detalle las técnicas de dependencia con enfoque inferencial que se introdujeron en la asignatura anterior. Por este motivo la asignatura empieza con la introducción de las distribuciones multivariantes y la inferencia sobre vectores de medias. Los modelos de regresión se verán ampliados por los modelos lineales generalizados, en los que la respuesta no sigue una distribución normal. Se abordará también el caso en el que la variable respuesta es multivariante, en el que se pretenden establecer relaciones entre dos matrices de datos. Y por último, se mostrarrán los principales algoritmos predictivos para clasificación y regresión no lineales y las principales métricas orientadas a evaluar los modelos y a comunicar resultados. Esta última parte pretende que el alumno comprenda las matemáticas que sustentan las principales técnicas del Machine Learning

Las prácticas se intercalan con las clases teóricas y se llevarán a cabo con software libre: R y Python.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25

Specific Competences (CE)

  • CE1 : Comprendre i utilitzar el llenguatge matemàtic. Adquirir la capacitat per a enunciar proposicions en diferents camps de la matemàtica per a construir demostracions i per a transmetre els coneixements matemàtics adquirits.
  • CE10 : Comunicar, tant per escrit com de manera oral, coneixements, procediments, resultats i idees matemàtiques.
  • CE11 : Ser capaç de resoldre problemes d'àmbit acadèmic, tècnic, financer o social mitjançant mètodes matemàtics.
  • CE12 : Saber treballar en equip, aportant models matemàtics adaptats a les necessitats col·lectives.
  • CE14 : Resoldre problemes qualitatius i quantitatius segons models desenvolupats prèviament.
  • CE15 : Reconèixer i analitzar nous problemes i plantejar estratègies per a solucionar-los.
  • CE16 : Elaborar, presentar i defensar informes científics tant oralment com per escrit davant d'una audiència.
  • CE5 : Proposar, analitzar, validar i interpretar models de situacions reals senzilles, utilitzant les eines matemàtiques més adequades a les finalitats que es persegueixen.
  • CE6 : Resoldre problemes de matemàtiques, mitjançant habilitats de càlcul bàsic i altres tècniques, planificant-ne la resolució a partir de les eines de què es dispose i de les restriccions de temps i recursos.
  • CE7 : Utilitzar aplicacions informàtiques d'anàlisi estadística, càlcul numèric i simbòlic, visualització gràfica, optimització o d'altres per a experimentar en matemàtiques i resoldre problemes.
  • CE8 : Desenvolupar programes que resolguen problemes matemàtics utilitzant per a cada cas l'entorn computacional adequat.
  • CE9 : Utilitzar eines de cerca de recursos bibliogràfics en matemàtiques.

 

Specific Generic UA Competences

  • CGUA1 : Comprensió de la llengua estrangera anglès en l'àmbit científic.
  • CGUA2 : Tenir coneixements d'informàtica relatius a l'àmbit d'estudi.
  • CGUA3 : Adquirir o tenir les habilitats bàsiques en TIC (tecnologies de la informació i comunicació) i gestionar adequadament la informació obtinguda.

 

Generic Degree Course Competences

  • CG1 : Desenvolupar la capacitat d'anàlisi, síntesi i raonament crític.
  • CG2 : Demostrar capacitat de gestió/direcció eficaç i eficient: esperit emprenedor, iniciativa, creativitat, organització, planificació, control, presa de decisions i negociació.
  • CG3 : Resoldre problemes de manera efectiva.
  • CG4 : Demostrar capacitat de treball en equip.
  • CG5 : Comprometre's amb l'ètica, els valors d'igualtat i la responsabilitat social com a ciutadà i com a professional.
  • CG6 : Aprendre de manera autònoma.
  • CG7 : Demostrar capacitat d'adaptar-se a noves situacions.
  • CG9 : Demostrar habilitat per a transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

 

 

 

Learning outcomes (Training objectives)

No data

 

 

Specific objectives stated by the academic staff for academic year 2024-25

No data

 

 

General

Code: 25062
Lecturer responsible:
NUEDA ROLDAN, MARIA JOSE
Credits ECTS: 6,00
Theoretical credits: 1,00
Practical credits: 1,40
Distance-base hours: 3,60

Departments involved

  • Dept: MATHEMATICS
    Area: STATISTICS AND OPERATIONS RESEARCH
    Theoretical credits: 1
    Practical credits: 1,4
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught