Última actualización: 02/04/2024


Curso Académico: 2024/2025

Modelado Avanzado
(19147)
Máster Universitario en Ciencias Sociales Computacionales/ Computational Social Science (Plan: 472 - Estudio: 375)
Escuela de Economía y Ciencia Política


Coordinador/a: NOGALES MARTIN, FRANCISCO JAVIER

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación de Datos (19138) Estadística y Ciencia de Datos I (19140) Estadística y Ciencia de Datos II (19141)
Objetivos
- Capacidad de usar conceptos y métodos relevantes de aprendizaje automático para formular, estructurar y resolver problemas prácticos que conllevan datos masivos o complejos. - Capacidad de aplicar modelos básicos de aprendizaje automático para predicción y toma de decisiones.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al Machine Learning 1.1. ¿Entender o predecir? 1.2. Sesgo vs Varianza 1.3. Evaluación del rendimiento de los modelos 2. Aprendizaje no-supervisado 2.1. Reducción de dimensión: PCA 2.2. Clustering: k-means, métodos jerárquicos 3. Aprendizaje supervisado 3.1. Clasificación: aprendizaje estadístico (clasificadores Bayesianos), machine learning (knn, árboles de decisión, random forest, gradient boosting, redes neuronales) 3.2. Regresión avanzada: selección de modelos, regularización, selección de variables 4. Casos de estudio para todos los temas
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades Formativas: - Clases teórico-prácticas Metodologías Docentes: - 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. - Resolución de casos prácticos, problemas, etc., planteados por el profesor de manera individual o en grupo.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100




Bibliografía básica
  • G. James, D. Witten, T. Hastie and R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Spriger. 2021
  • K. Murphy. Probabilistic Machine Learning: An Introduction. MIT Press. 2022

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


Dirección web para más información: Aula Global