Última actualización: 21/05/2021


Curso Académico: 2021/2022

Análisis de redes y visualización de datos
(17242)
Titulación: Máster U. en Métodos Analíticos para Datos Masivos: Big Data / Master in Big Data Analytics (322)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ANTONIONI , ALBERTO

Departamento asignado a la asignatura: Departamento de Matemáticas

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Se recomienda haber superado las materias de Matemáticas, Estadística y tener conocimientos de programación (en R o Python)
Objetivos
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.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Redes: conceptos generales y definiciones 1.1 Introducción a las redes - Importancia de las redes y ejemplos - Antecedentes históricos de la ciencia de las redes - Tipos y atributos de las redes 1.2 Medidas de las redes - Distribuciones de grados y correlaciones - Transitividad y coeficiente de agrupación - Conectividad y componente gigante Taller 1: Gephi (visualización de redes) 2. Comunidades de red 2.1 Medidas de centralidad - Distancias en redes, radio y diámetro - Centralidades de grado, proximidad, armónica y de interrelación - Centralidades de Eigenvector, Katz y PageRank 2.2 Análisis de la mesoescala de la red - Cliques y motivos de red - Medida de modularidad - Algoritmos de detección de comunidades Taller 2: iGraph y visualización de grafos (R) 3. Modelos de red 3.1 Modelos de grafos aleatorios - Grafo aleatorio Erdös-Rényi (ER) - Gráfico geométrico aleatorio (RGG) - Modelos de redes de configuración 3.2 Modelos de redes de reglas simples - Modelo de bloques estocásticos - Modelo de red sin escala de Barabási-Albert (BA) - Modelo de red de mundo pequeño Watts-Strogatz (WS) Taller 3: Netlogo, algoritmos de detección de comunidades y modelos de red (R) 4. Redes sociales 4.1 Propiedades locales y globales de las redes sociales - Ejemplos de redes sociales y sus propiedades - Paradoja de la amistad (generalizada) - Seis grados de separación - Los números de Dunbar 4.2 Mecanismos sociales - Homofilia - Cierre triádico - Fuerza de las relaciones Taller 4: Análisis de redes 5. Dinámica de redes y aplicaciones 5.1 Predicción de enlaces - Algoritmos asociativos, relacionales y de proximidad - Métodos de distancia de grafos - Métodos de vecinos comunes - Adhesión preferente - Puntuación de Katz y tiempo de acierto - Heurística basada en la comunidad 5.2 Procesos de propagación - Modelo Susceptible-Infectado (SI) - Modelo Susceptible-Infectado-Removido (SIR) - Modelo Susceptible-Expuesto-Infectado-Removido (SEIR) - Modelos más avanzados Taller 5: Predicción de enlaces y procesos de propagación 6.1 Visualización de datos 6.1 Introducción a la visualización - Tipos de visualizaciones - Ejemplos de buenas visualizaciones - Ejemplos de malas visualizaciones 6.2 Introducción a los datos y los gráficos - Tipos de datos - Tipos de gráficos - Herramientas de visualización Taller 6: Visualización de datos (ggplot) Taller 7: GoogleVis, R shiny app y visualización de datos geolocalizados
Actividades formativas, metodología a utilizar y régimen de tutorías
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.
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60
Calendario de Evaluación Continua
Bibliografía básica
  • A-L Barabasi. Network science. http://barabasi.com/book/network­science#network­science. 2018
  • E. Tufte. The Visual Display of Quantitative Information (2nd Edition).. Graphic Press. 2001
  • M.E.J. Newman. Networks: An Introduction . Oxford University Press. 2010
  • Rafa Donahue. Fundamental Statistical Concepts in Presenting Data. http://biostat.mc.vanderbilt.edu/wiki/Main/RafeDonahue. 2018
Bibliografía complementaria
  • Alberto Cairo. The Truthful Art: Data, Charts, and Maps for Communication. New Riders. 2016
  • Nathan Yau. Visualize This. John Wiley & Sons. 2011

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