Matemáticas para Data Science Probabilidad Inferencia Estadística Programación en R Métodos Numéricos para Data Science Estadística Multivariante

Los objetivos de la asignatura son: 1. Comprender los conceptos básicos de las redes y sus representaciones, incluyendo la introducción a los grafos y la matriz de adyacencia. 2. Adquirir habilidades en la visualización de redes, desde el diseño hasta la decoración, incluso para redes grandes. 3. Realizar análisis descriptivos de redes, explorando características de vértices y ejes, como centralidad, cohesión, detección de comunidades y asortatividad, con aplicaciones prácticas. 4. Familiarizarse con modelos e inferencias para redes, incluyendo modelos clásicos, modelos generalizados y modelos de mundo pequeño, y comprender sus aplicaciones. 5. Aprender técnicas de predicción en redes, incluyendo métodos de vecinos más cercanos, así como explorar alternativas para la predicción en este contexto.

1. Introducción y preliminares. 1.1 Introducción. 1.2 Ejemplos de redes. 1.3 Grafos. 2. Análisis descriptivo de redes. 2.1 Introducción. 2.2 Visualización de redes. 2.3 Características de vértices: centralidad, hubs, influencers,... 2.4 Características de ejes: centralidad. 2.5 Cohesión de redes. 2.6 Detección de comunidades en redes. 2.7 Asortatividad. 3. Modelos e inferencia para redes. 3.1 Introducción. 3.2 Modelos matemáticos para redes. 3.3 Modelos estadísticos para redes. 4. Modelización y predicción para procesos en redes. 4.1 Introducción. 4.2 Métodos de vecinos más cercanos. 4.3 Campos aleatorios Markovianos. 4.4 Métodos kernel.

Actividades formativas: Clases teóricas Clases prácticas Tutorías Trabajo en grupo Trabajo individual del estudiante Pruebas de evaluación presencial Metodología a utilizar: Clases teóricas con material de apoyo disponible en la Web. Clases de resolución de problemas. Prácticas computacionales en aulas informáticas. Exposiciones orales. Regimen de tutorías: Tutorías individuales a lo largo del curso.