Competencies and objectives
- Course context for academic year 2020-21
- Course content (verified by ANECA in official undergraduate and Master’s degrees)
- Learning outcomes (Training objectives)
- Specific objectives stated by the academic staff for academic year 2020-21
Course context for academic year 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”.
Course content (verified by ANECA in official undergraduate and Master’s degrees)
Transversal Competences
- CT1 : Ser capaz de liderar proyectos relacionados con la Ciencia de Datos, así como dirigir equipos de trabajo
- CT2 : Mostrar competencias informáticas e informacionales en el ámbito de la ciencia de datos.
- CT3 : Reunir competencias en comunicación oral y escrita.
General Competences
- CG1 : Aplicar los conocimientos adquiridos a problemas reales relacionados con la ciencia de datos.
- CG10 : Saber utilizar técnicas de la ciencia de datos para obtener nuevas relaciones y brindar información sobre problemas de investigación o procesos organizativos y respaldar la toma de decisiones.
- CG11 : Ser capaz de utilizar los principios de ingeniería y las modernas tecnologías informáticas para investigar, diseñar, implementar nuevas aplicaciones de la ciencia de datos.
- CG2 : Ser capaz de desarrollar y aprender de forma auto-dirigida o autónoma temas relacionados con la ciencia de datos.
- CG5 : Saber gestionar la información y los recursos disponibles relacionados con ciencia de datos.
- CG6 : Ser capaz de adaptarse a entornos relacionados con la ciencia de datos, fomentando el trabajo en equipo, la creatividad, la capacidad crítica y el espíritu emprendedor.
- CG7 : Ser capaz de adaptarse al ambiente cambiante propio de la disciplina y de comprender y aplicar los nuevos avances técnicocientíficos relacionados con la ciencia de datos.
- CG8 : Saber proyectar, diseñar, desarrollar, implantar y mantener productos, aplicaciones y servicios relacionados con la ciencia de datos, teniendo en cuenta aspectos técnicos, económicos y de eficiencia.
Specific Competences
- CE1 : Conocer en profundidad y manejar tecnologías de aprendizaje automático (machine learning), algoritmos, y herramientas (incluido el aprendizaje supervisado, no supervisado o reforzado).
- CE13 : Diseñar y utilizar métricas y técnicas para la validación y comparación de algoritmos de aprendizaje automático.
- CE3 : Conocer en profundidad y aplicar métodos de análisis predictivo, prescriptivo, descriptivo y analítica cualitativa.
Basic Competences
- CB10 : Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
- CB6 : Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
- CB7 : Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
- CB8 : Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
- CB9 : Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
Learning outcomes (Training objectives)
No data
Specific objectives stated by the academic staff for academic year 2020-21
No data
;