Métodos de Regresión y Análisis Multivariantes, ambas de tercer curso. Conocimiento del software estadístico R.

1. Conocer y utilizar técnicas estadísticas avanzadas, con soporte informático de última generación. 2. Extraer y analizar información de grandes conjuntos de datos. 1. Capacidad de análisis y síntesis de la información en problemas de Data Mining. 2. Modelización y resolución de problemas prácticos. 3. Comunicación oral y escrita.

1. Introducción a Tidyverse 1.1 Data wrangling 2.2 Visualización de datos: ggplot2 2.3 Agrupamiento e informes de datos. 2. Introducción al text mining. 2.1 Principales conceptos. 2.2 Nubes de palabras. 2.3 Matriz de textos por documentos. 2.4 Implementación en R y aplicaciones. 3. Visualización de datos: Escalamiento Multidimensional métrico, y biplots. 3.1 Escalado multidimensional métrico. 3.2 Biplots. 3.2 Mapas perceptuales. 4. Análisis de cluster. Métodos jerárquicos, no jerárquicos (k-medias). 4.1 Algoritmos de cluster jerárquicos bottom-up. 4.2 k-medias y variantes. 5. Teoría de la información y árboles de clasificación. 6.1 Nociones de teoría de la información. 6.2 Teoría de los árboles de clasificación. 6.3 Ejemplo real: credit scoring. 6.4 Caso de estudio 6. Reglas de asociación. 7.1 Conceptos básicos y algoritmos. 7.2 Ejemplo completo con implementación en R. 7.3 Caso de estudio. 7. Deep Learning. 7.1 Support Vector Machines. 7.2 Redes neuronales para clasificación. 7.3 Redes neuronales para regresión. 8. Resolución de casos de estudio reales. 8.1 Prácticas con casos de estudio comprehensivos de todas las técnicas estudiadas.

Teoría (4 ECTS). Clases teóricas con material de apoyo disponible en la Web. Prácticas (2 ECTS). Clases de resolución de problemas. Prácticas computacionales en aulas informáticas. Exposiciones orales y debates.