Estadística para las ciencias sociales I: Introducción a la estadística Estadística para las Ciencias Sociales II: técnicas multivariantes

1. Comprender la importancia de transformar grandes volúmenes de datos en información relevante para la toma de decisiones y desarrollo de negocio en organizaciones, empresas y particulares. 2. Aprender las técnicas básicas de preprocesamiento y visualización de datos. Conocer métodos para trabajar con datos faltantes y atípicos. Adquirir el manejo de técnicas de reducción de la dimensión. 3. Conocer los principales métodos de aprendizaje supervisado en regresión y su utilidad en problemas de predicción. Distinguir entre modelos lineales y no lineales y comprender la importancia de los métodos de selección de modelos. 4. Familiarizarse con los procedimientos habituales de aprendizaje supervisado para clasificación. Entender los clasificadores más habituales y sus limitaciones. Conocer métodos avanzados en clasificación y sus beneficios en la empresa. 5. Ser capaz de identificar las técnicas adecuadas del Big Data en problemas reales en la empresa: clasificación de clientes, scoring, gestión de riesgos, detección de fraude, predicción de bancarrota, etc.

K3: Conocer contenidos básicos humanísticos, de expresión oral y escrita, siguiendo principios éticos y completando un perfil formativo multidisciplinar. S4: Utilizar la información interpretando datos relevantes evitando el plagio, y de acuerdo con las convenciones académicas y profesionales del área de estudio, siendo capaz de evaluar la fiabilidad y la calidad de dicha información. S7: Ser capaz de identificar, acceder y gestionar las fuentes de información relevantes para el análisis comparado en el campo de la política, economía y relaciones internacionales S8: Saber plantear y utilizar las herramientas adecuadas para resolver problemas básicos de contenido económico, social, político, especialmente en el contexto internacional S11: Capacidad de discernir qué técnicas de investigación cuantitativas o cualitativas es la adecuada a aplicar en función del fenómeno que se está analizando C3: Capacidad de establecer una buena comunicación interpersonal y de trabajar en equipos multidisciplinares e internacionales.

1. Introducción. 2. Recopilación, muestreo y preprocesamiento de datos. 2.1. Tipos de datos 2.2. Muestreo 2.3. Herramientas de visualización de datos 2.4. Valores perdidos 2.5. Detección y tratamiento de atípicos. 2.6. Transformaciones de datos. 2.7. Reducción de la dimensión. 2.8. Aplicación: Gestión de riesgos en el Mercado de valores. 3. Aprendizaje supervisado: Regresión. 3.1. Regresión lineal y polinómica. 3.2. Validación cruzada. 3.3. Selección de modelos y métodos de regularización (ridge y lasso). 3.4. Modelos no lineales, splines y modelos aditivos generalizados. 3.5. Aplicación: Predicción de credit-scoring. 4. Aprendizaje supervisado: Clasificación. 4.1. Clasificadores de Bayes 4.2. Regresión logística. 4.3. K-vecinos más cercanos. 4.4. Random forest 4.5. Máquinas de vector soporte. 4.6. Boosting. 4.7. Aplicación: Riesgo de créditos 4.8. Aplicación: detección de fraude 4.9. Aplicación: Predicción de bancarrota.

Teoría (2 ECTS). Clases teóricas con material de apoyo disponible en la Web. Prácticas (4 ECTS) Clases de resolución de problemas. Prácticas computacionales en aulas informáticas. Trabajos a realizar en grupo. Tutorías semanales para asesorar a los estudiantes individualmente o en grupos.