Última actualización: 23/04/2019


Curso Académico: 2019/2020

Análisis de Datos en la IC4.0
(18043)
Titulación: Máster Universitario en Industria Conectada 4.0 (357)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: GUERRERO LOZANO, VANESA

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Competencias que adquiere el estudiante y resultados del aprendizaje.
COMPETENCIAS BÁSICAS: - CB6: 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. - CB7: 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 - CB10: 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: - CG3: Capacidad de desarrollo de aplicaciones distribuidas básicas para el transporte, almacenamiento y gestión de la información. - CG5: Capacidad de análisis básicas de los requisitos para el manejo de información y tratamiento de grandes volúmenes de datos. - CG6: Capacidad de adaptación a cambios de requisitos asociados a nuevos productos, a nuevas especificaciones y a entornos. COMPETENCIAS ESPECÍFICAS: - CE8: Capacidad para aplicar la tecnología de realidad aumentada, en el contexto de Industria Conectada 4.0 - CE9: Capacidad para identificar los requisitos de seguridad informática en entornos de industria conectada - CE10: Capacidades programáticas de tratamiento de datos en la resolución de problemas particulares de la industria conectada RESULTADOS DEL APRENDIZAJE: - Conocimiento de técnicas y herramientas para la visualización de datos. - Compresión y aplicación de modelos de regresión y clasificación (aprendizaje supervisado). - Comprensión y aplicación de modelos de clustering y reducción de la dimensión (aprendizaje no supervisado).
Descripción de contenidos: Programa
1. Introducción 1.1 Introducción al Análisis de Datos Multivariantes 1.2 Introducción al Aprendizaje Estadístico 1.3 Aprendizaje Supervisado frente a No Supervisado 1.4 Técnicas de Visualización de Datos 2. Aprendizaje supervisado: Regresión 2.1 Regresión Lineal 2.2 Selección del modelo lineal y regularización 2.3 Regresión polinómica 2.4 Splines 2.5 Modelos Lineales Generalizados 2.6 Validación cruzada en problemas de regresión 3. Aprendizaje supervisado: Clasificación 3.1 Regresión Logística 3.2 Clasificador de Bayes 3.3 Análisis Discriminante Lineal 3.4 k-Vecinos más Cercanos 3.5 Random Forests 3.6 Máquinas de Vector Soporte 3.7 Validación cruzada en problemas de clasificación 4. Aprendizaje no supervisado y Técnicas de Reducción de la Dimensión 4.1 Análisis Cluster: k-medias y clustering jerárquico 4.2 Mapa Auto-organizado (SOM) 4.3 Análisis de Componentes Principales 4.4 Análisis Factorial 4.5 Escalado Multidimensional 4.6 ISOMAP y Locally-Linear Embedding
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS: - Clases teóricas y prácticas en las que se usará el lenguaje estadístico R. - Trabajo en grupo - Trabajo individual del estudiante METODOLOGÍA DOCENTE: - Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Lectura crítica de textos recomendados por el profesor de la asignatura: artículos, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. - Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo - Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos TUTORÍAS: - Tutorías individuales semanales - Posibilidad de tutorías colectivas.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Bibliografía básica
  • G. James, D. Witten, T. Hastie and R. Tibshirani. An Introduction to Statistical Learning. Springer. 2013
  • H. Wickham. ggplot2. Elegant Graphics for Data Analysis. Springer. 2016
  • T. Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning. Springer. 2009
  • T. Hastie, R. Tibshirani and M. Wainwright. Statistical Learning with Sparsity. CRC Press. 2015

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