Última actualización: 26/04/2023


Curso Académico: 2023/2024

Modelos de predicción
(17233)
Máster Universitario en Métodos Analíticos para Datos Masivos: Big Data/Master in Big Data Analytics (Plan: 352 - Estudio: 322)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: NOGALES MARTIN, FCO. 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)
Matemáticas para el Análisis de Datos Estadística para el Análisis de Datos
Objetivos
* Competencias básicas   - CB6: Poseer y comprender los conocimientos que proporcionan una base u oportunidad para ser original en el desarrollo y/o aplicación de las ideas, a menudo en un contexto de investigación.   - CB9: Que los estudiantes sepan cómo comunicar sus conclusiones y el conocimiento y las razones últimas que las sustentan a audiencias especializadas y no especializadas de una manera clara e inequívoca.   - CB10: Que los estudiantes tengan las habilidades de aprendizaje que les permitan continuar estudiando de manera que sean en gran medida autodirigidos o autónomos. * Competencias generales   - CG1: Capacidad de aplicar las técnicas de análisis y representación de la información, para adaptarla a problemas reales.   - CG4: Sintetizar las conclusiones obtenidas del análisis de datos y presentarlas de forma clara y convincente en un entorno bilingüe (español e inglés) tanto escrito como oral.   - CG5: Ser capaz de generar nuevas ideas (creatividad) y anticiparse a nuevas situaciones, en los contextos de análisis de datos y toma de decisiones.   - CG6: Utilizar las habilidades sociales para el trabajo en equipo y para relacionarse con los demás de forma autónoma.   - CG7: Aplicar técnicas avanzadas de análisis y representación de información, para adaptarla a problemas reales. * Competencias específicas   - CE1: Aplicar en el desarrollo de métodos de análisis de problemas reales, conocimientos avanzados de inferencia estadística.   - CE2: Usar software libre como R y Python para la implementación de análisis estadísticos.   - CE5: Aplicar los fundamentos estadísticos avanzados para el desarrollo y análisis de problemas reales, que implican la predicción de una respuesta variable.   - CE6: Aplicar modelos no paramétricos para la interpretación y predicción de fenómenos aleatorios.   - CE10: Aplicar la modelización estadística en el tratamiento de problemas relevantes en el campo científico. * Resultados del aprendizaje Adquisición de conocimientos sobre: 1) fundamentos estadístico-matemáticos del modelo de regresión lineal; 2) comparación y selección de modelos de regresión; 3) extensiones del modelo de regresión lineal (penalización, modelos no lineales, modelos con reducción de la dimensión, modelos lineales generalizados, etc.); 4) adaptaciones de los modelos lineales generalizados para trabajar con big data.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción 2. Modelo de Regresión Lineal 3. Modelos Lineales Generalizados 4. Regresión Avanzada
Actividades formativas, metodología a utilizar y régimen de tutorías
50% clases magistrales con material de apoyo disponible en la Web. Otro 50% de prácticas computacionales.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Calendario de Evaluación Continua
Bibliografía básica
  • James, G., Witten, D., Hastie, T. y Tibshirani, R.. An Introduction to Statistical Learning with Applications in R. Springer-Verlag. 2021
Bibliografía complementaria
  • Kuhn, M. y Johnson, K.. Applied Predictive Modeling. Springer. 2013
  • Li, Q. y Racine, J. S.. Nonparametric Econometrics. Princeton University Press. 2007
  • Peña, D.. Regresión y Diseño de Experimentos. Alianza Editorial. 2002
  • Wasserman, L.. All of Statistics. Springer-Verlag. 2004
  • Wood, S. N.. Generalized Additive Models: An Introduction with R. Chapman & Hall/CRC. 2006

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