Competències i objectius
- Context de l'assignatura per al curs 2020-21
- Competències de l'assignatura (verificades per ANECA en graus i màsters oficials)
- Resultats d'aprenentatge (Objectius formatius)
- Objectius específics indicats pel professorat per al curs 2020-21
Context de l'assignatura per al curs 2020-21
Esta asignatura, de carácter obligatorio y que se imparte en el primer semestre del primer curso, tiene como objetivo introducir y explicar, desde un enfoque estadístico, las ideas más importantes del aprendizaje automático (supervisado y no supervisado) en la Ciencia de Datos. Tras ilustrar con ejemplos los problemas de clasificación, regresión y análisis de conglomerados se procederá a su formalización en el marco de la teoría de la decisión. Como primera aproximación a los problemas de regresión y clasificación se presentarán los modelos lineales. En el marco de los modelos lineales se presentarán aspectos importantes del análisis que incluyen: la extracción y construcción de características y la reducción de la dimensionalidad; el problema del sobreajuste y los métodos de regularización; el problema de la selección y validación del modelo. También en el marco de los modelos lineales se introducirán tres herramientas de gran utilidad en estadística y aprendizaje automático: los kernels, la validación cruzada y el bootstrap. Como extensión de la regresión lineal se presentará la regresión no paramétrica. El curso terminará con una breve introducción a la inferencia Bayesiana y los métodos de Cadenas de Markov Monte Carlo (MCMC). La exposición de la teoría se completará con clases de prácticas con ordenador. En estas últimas, el alumno aprenderá el manejo del software R para la aplicación de los métodos estudiados en teoría a problemas reales. Los conocimientos previos requeridos para cursar con éxito la asignatura son los fundamentos de probabilidad, inferencia y optimización. Es aconsejable que los estudiantes que carezcan de dichos conocimientos cursen previamente la asignatura “Ampliación de Estadística y Optimización”.
Competències de l'assignatura (verificades per ANECA en graus i màsters oficials)
Competències transversals
- CT1 : Ser capaç de liderar projectes relacionats amb la Ciència de Dades, així com dirigir equips de treball
- CT2 : Mostrar competències informàtiques i informacionals en l'àmbit de la ciència de dades.
- CT3 : Reunir competències en comunicació oral i escrita.
Competències generals
- CG1 : Aplicar els coneixements adquirits a problemes reals relacionats amb la ciència de dades.
- CG10 : Saber utilitzar tècniques de la ciència de dades per a obtenir noves relacions i brindar informació sobre problemes d'investigació o processos organitzatius i recolzar la presa de decisions.
- CG11 : Ser capaç d'utilitzar els principis d'enginyeria i les modernes tecnologies informàtiques per a investigar, dissenyar, implementar noves aplicacions de la ciència de dades.
- CG2 : Ser capaç de desenvolupar i aprendre de forma auto-dirigida o autònoma temes relacionats amb la ciència de dades.
- CG5 : Saber gestionar la informació i els recursos disponibles relacionats amb ciència de dades.
- CG6 : Ser capaç d'adaptar-se a entorns relacionats amb la ciència de dades, fomentant el treball en equip, la creativitat, la capacitat crítica i l'esperit emprenedor.
- CG7 : Ser capaç d'adaptar-se a l'ambient canviant propi de la disciplina i de comprendre i aplicar els nous avanços técnicocientíficos relacionats amb la ciència de dades.
- CG8 : Saber projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la ciència de dades, tenint en compte aspectes tècnics, econòmics i d'eficiència.
Competències Específiques
- CE1 : Conèixer en profunditat i manejar tecnologies d'aprenentatge automàtic (machine learning), algorismes, i eines (inclòs l'aprenentatge supervisat, no supervisat o reforçat).
- CE13 : Dissenyar i utilitzar mètriques i tècniques per a la validació i comparació d'algorismes d'aprenentatge automàtic.
- CE3 : Conèixer en profunditat i aplicar mètodes d'anàlisi predictiva, prescriptiu, descriptiu i analítica qualitativa.
Competències bàsiques
- CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom.
- CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
- CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
- CB8 : Que els estudiants siguen capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, incloga reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis
- CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
Resultats d'aprenentatge (Objectius formatius)
- Impartició de classe invertida amb material multimedia
- Realización de debats en aula o virtuales
- Estudio personal
- Realización de treballs individuals i/o en grupo
- Realización de pràctiques amb ordenador
Objectius específics indicats pel professorat per al curs 2020-21
- Manejo de las técnicas de aprendizaje automático supervisado relacionadas con modelos de regresión y clasificación lineales y no lineales.
- Manejo de las técnicas de aprendizaje automático no supervisado: análisis clúster y reducción de la dimensionalidad.
- Manejo de las técnicas para la validación y selección de modelos.
;