Se recomienda haber superado las materias de Matemáticas, Estadística y tener conocimientos de programación (en R o Python)

Competencias Básicas: - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación. - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Competencias Generales - Aplicar los fundamentos teóricos de las técnicas de recogida, almacenamiento, tratamiento y visualización de información, especialmente para grandes volúmenes de datos, como base para el desarrollo y adaptación de dichas técnicas a problemas concretos. - Identificar las técnicas de análisis de datos mas adecuadas para cada problema y saber aplicarlas para el análisis, diseño y solución de los mismos. - Obtener soluciones prácticas y eficientes para problemas de tratamiento de grandes volúmenes de datos, tanto individualmente como en equipo. - Sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente en un entorno bilingüe (español e inglés) tanto por escrito como oralmente. - Ser capaz de generar nuevas ideas (creatividad) y de anticipar nuevas situaciones, en los contextos del análisis de datos y de la toma de decisiones. - Utilizar habilidades para el trabajo en equipo y para relacionarse con otros de forma autónoma. Competencias Específicas - Saber diseñar sistemas para el procesamiento de los datos, desde la obtención y filtrado inicial de los mismos, su análisis estadístico, hasta la presentación de los resultados finales - Aplicar los principios básicos y fundamentales de la teoría de redes para poder aplicarlos al estudio de diferentes datos, modelización de los mismos y predicción de su comportamiento a través de variables extraídas de dicha modelización como red. - Saber diseñar visualizaciones de grandes bases de datos que den lugar al descubrimiento, interpretación y acceso a dichos datos - Identificar la oportunidad de utilizar la teoría de redes y la visualización de datos para resolver problemas reales Resultados de aprendizaje - Conocimientos básicos y fundamentales de la ciencia de redes - Comprensión de las técnicas básicas de la ciencia de redes - Utilización de forma práctica de estas técnicas básicas en problemas reales - Conocimientos básicos de las técnicas de visualización de datos - Capacidad para utilizar técnicas de visualización para explicar y resolver problemas reales.

1. Grafos y concentos generales 1.1 Definición matemática y ejemplos 1.2 Teoría de grafos, introducción histórica 1.3 Grafos dirigidos y pesados 1.4 Grafos bipartitos 1.5 Matriz de adyacencia 1.6 Grado, grado medio y distribución de grado 1.7 Conceptos topológicos en grafos (distancia, camino mínimo, diámetro) 1.8 Ejemplo práctico 1.9 Métricas de centralidad 1.10 Cliques, motifs y comunidades 1.11 Tipos de redes: aleatorias, pequeño mundo, sin escala. 1.12 Redes reales frente a redes aleatorias 1.13 ¿Hubs¿ y ¿preferential attachment¿ 2. Redes sociales 2.1 Definición y contexto 2.2 Propiedades locales y globales de las redes sociales 2.3 Diferencia entre las redes sociales y otras redes 2.4 Mecanismos sociales 2.5 Aplicaciones de las redes sociales: detección de fraude, sistemas de recomendación, adopción de productos, baja, etc. 3. Análisis de grafos / Análisis de redes sociales (ARS) 3.1 Perspectiva de las librerías/software para ARS 3.2 Introducción a la librería igraph 3.3 Introduction a la librería networkX 3.4 Ejemplo práctico con librerías 3.5 Creación de un grafo 3.6 Análisis de un grafo 3.7 Simulación de un grafo 3.8 Test estadísticos de un grafo 4. Ejemplos prácticos de análisis de grafos 4.1 Predicción de links: aplicación a la recomendación de amigos 4.2 Modelos epidémicos en grafos 4.3 Construcción, análisis y visualización de redes de información: aplicación a Twitter y uso de su API 4.4 Análisis y visualización de redes dinámicas 5. Introducción a la visualización de datos 5.1 Tipos de datos y fuentes de datos 5.2 Principales herramientas para visualización. Introducción a Tableau, ggplot y D3 5.3 Técnicas de reducción de datos 5.4 Visualización estática de datos 5.5 Visualización de datos univariantes 5.6 Visualización de datos multi-variantes 5.7 Datos geoespaciales 5.8 Datos de contenido (textos) 5.9 Series temporales y modelos predictivos 5.10 Datos de grafos 5.11 Visualización de datos dinámicos 5.12 Ejemplos prácticos. 5.13 Visualización de tráfico aéreo mundial 5.14 Visualización de grandes redes sociales en Twitter 5.15 Visualización de las críticas de películas

La asignatura se imparte en aulas y laboratorios específicos para el Programa de Postgrado. Entre otras, se utilizan las siguientes herramientas en la metodología docente: - Clases magistrales para la presentación, desarrollo y análisis de conocimientos sobre los cuales el estudiante es evaluado. - Realización de ejercicios prácticos (problemas, prácticas en laboratorio) de manera individual. - Tutorías en grupo.