Última actualización: 05/10/2024


Curso Académico: 2024/2025

Matemáticas para Data Science
(17752)
Máster Universitario en Estadística para la Ciencia de Datos (Plan: 386 - Estudio: 345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: BRANDLE CERQUEIRA, CRISTINA

Departamento asignado a la asignatura: Departamento de Matemáticas

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Ninguna
Objetivos
Emplear conocimientos de Álgebra Lineal avanzados para su aplicación en métodos de análisis de grandes volúmenes de datos Comprender el fundamento de los algoritmos empleados en análisis de grandes volúmenes de datos para interpretar los resultados y su significado y validez. En concreto: 1) Estudio de álgebra matricial 2) Dominio de técnicas de mínimos cuadrados 3) Dominio de técnicas de descomposición de valores singulares
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Matrices (a) Operaciones con matrices (b) Matriz de cambio de base (c) Matriz de una transformación lineal 2. Sistemas de ecuaciones lineales (a) Factorización LU (b) Factorización Cholesky (c) Aplicaciones: Métodos Iterativos 3. Diagonalización (a) Diagonalización (b) Diagonalización ortogonal (c) El método de la potencia (d) Procesos de Markov 4. Problemas de Mínimos Cuadrados (a) Ajuste de datos (b) Proyecciones ortogonales y problemas de mñinimos cuadrados (c) Factorización QR (d) Problemas de mínimos cuadrados con restricciones 5. Descomposición en Valores Singulares (a) Descomposición en Valores Singulares (b) La pseudoinversa (c) Análisis de componentes principales
Actividades formativas, metodología a utilizar y régimen de tutorías
Las clases consisten en una mezcla de exposiciones referentes a la asignastura y al uso práctico mediante la resolución de ejercicios. * Actividades formativas   - AF1: Clase teórica.   - AF2: Clase práctica.   - AF5: Tutorías.   - AF7: Trabajo individual.   - AF8: Pruebas de evaluación presenciales. * Metodologías docentes   - MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos.   - MD2: Lectura crítica de textos recomendados por el profesor de la asignatura: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura.   - MD3: Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo.   - MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos.   - MD5: Elaboración de trabajos e informes de manera individual o en grupo.
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40

Calendario de Evaluación Continua


Bibliografía básica
  • David C. Lay, Steven R. Lay, Judi J. McDonald. Linear Algebra and Its Applications. Pearson; 5 edition. 2016
  • Lloy N. Trefethen; David Bau, III. Numerical Linear Algebra Twenty-Fifth Anniversary Edition. SIAM . 2022
  • Timothy Sauer. Numerical Analysis 2e. Pearson . 2012
  • W. Keith Nicholson. Linear Algebra with Applications. Lyryx, Open Edition Version. 2021
Bibliografía complementaria
  • Carl D. Meyer. Matrix Analysis and Applied Linear Algebra. SIAM . 2010
  • Cleve Moler. Numerical Methods with Matlab. SIAM . 2004
  • David Watkins. Fundamentals of Matrix Computations, 3rd Ed. Wiley . 2010
  • James W. Demmel. Applied Numerical Linear Algebra. SIAM . 1997
Recursos electrónicosRecursos Electrónicos *
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.