Última actualización: 18/05/2022


Curso Académico: 2022/2023

Modelado Avanzado
(19147)
Titulación: M.U Ciencias Sociales Computacionales (375)
Escuela de Economía y Ciencia Política


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)
Programación de Datos (19138) Estadística y Ciencia de Datos I (19140) Estadística y Ciencia de Datos II (19141)
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 sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios. - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades. - 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: - Capacidad para identificar, definir y formular problemas de las ciencias sociales y resolverlos mediante técnicas computacionales. Esta capacidad incluye la valoración simultánea de todos los factores en juego, no sólo técnicos, sino también legales. - Capacidad para aplicar los conocimientos teóricos y metodológicos propios de las ciencias sociales computacionales al análisis y resolución de casos y problemas empíricos concretos. - Capacidad para abordar de manera proactiva los problemas planteados bajo entornos nuevos o poco conocidos, dentro del contexto de las ciencias sociales computacionales. - Capacidad para planificar y llevar a cabo de manera autónoma una investigación en el campo de las ciencias sociales computacionales. Competencias Específicas: - Capacidad de comprender y utilizar con nivel avanzado los principales métodos y técnicas de análisis estadísticos propios de las ciencias sociales computacionales. Resultados del Aprendizaje: - Conocimiento de los métodos y técnicas de análisis propios de las ciencias sociales computacionales. - Capacidad de realizar e interpretar contrastes de hipótesis usando datos y las herramientas más apropiadas. - Capacidad de estimar modelos de regresión lineal para datos transversales, así como de entender y explicar los principios estadísticos subyacentes a las estimaciones. - Capacidad de aplicar tests de robustez a las estimaciones de modelos de regresión. - Capacidad de interpretar los parámetros de una regresión lineal, obtener predicciones y evaluar la bondad del ajuste. - Capacidad de usar conceptos y métodos relevantes de aprendizaje automático para formular, estructurar y resolver problemas prácticos que conllevan datos masivos o complejos. - Capacidad de aplicar modelos básicos de aprendizaje automático para predicción y toma de decisiones.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al Machine Learning 1.1. ¿Entender o predecir? 1.2. Sesgo vs Varianza 1.3. Evaluación del rendimiento de los modelos 2. Aprendizaje no-supervisado 2.1. Reducción de dimensión: PCA 2.2. Clustering: k-means, métodos jerárquicos 3. Aprendizaje supervisado 3.1. Clasificación: aprendizaje estadístico (clasificadores Bayesianos), machine learning (knn, árboles de decisión, random forest, gradient boosting, redes neuronales) 3.2. Regresión avanzada: selección de modelos, regularización, selección de variables 4. Casos de estudio para todos los temas
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades Formativas: - Clases teórico-prácticas Metodologías Docentes: - 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. - Resolución de casos prácticos, problemas, etc., planteados por el profesor de manera individual o en grupo.
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 with Applications in R. Spriger. 2021
  • K. Murphy. Probabilistic Machine Learning: An Introduction. MIT Press. 2022

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