• Español

Ciencia de los Datos Aplicada

Undergraduate Programme. Academic Year 2024/2025.

APRENDIZAJE SUPERVISADO III - 806319

Curso Académico 2024-25

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Comunicar y transmitir la información a un público tanto especializado como no especializado.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG11 - Poner en práctica las técnicas, herramientas y metodologías propias de la Ciencia de los Datos en distintos ámbitos de aplicación.
Específicas
CE3 - Describir situaciones con comportamiento aleatorio y aplicar la Ciencia de los Datos para resolver un problema real mediante los distintos pasos: identificar la información, diseñar el estudio, analizar los datos, construir un modelo adecuado, interpretar los resultados y emitir informes técnicos.
CE4 - Identificar la utilidad y el potencial de las técnicas estadísticas y de análisis de datos adquiridas en las distintas áreas de aplicación (como la documental, geográfica, actuarial, económica, financiera, biosanitaria, etc.) y utilizarlas adecuadamente para descubrir patrones de comportamiento en datos de cualquier volumen y tipología y extraer conclusiones relevantes.
CE5 - Aplicar la estimación, diagnosis, comparación y validación de modelos en diferentes problemas de inferencia y predicción sobre poblaciones de estudio.
CE6 - Aplicar técnicas estadísticas y de aprendizaje automático en el análisis de datos cualitativos y cuantitativos de cualquier volumen y tipo, tales como espaciales, de texto, imágenes, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.
CE10 - Diseñar, programar e implantar aplicaciones de análisis y Ciencia de los Datos.
CE12 - Identificar y aplicar las técnicas adecuadas de exploración, gestión, procesamiento, explotación y visualización de datos en función de su volumen y complejidad.
CE16 - Identificar y aplicar las técnicas algorítmicas básicas y avanzadas para encontrar soluciones secuenciales y paralelas a problemas, analizando la complejidad y la adecuación de los algoritmos propuestos según el tipo, la organización y el volumen de los datos.

ACTIVIDADES DOCENTES

Clases teóricas
50%
Clases prácticas
50%

Presenciales

2,4

No presenciales

3,6

Semestre

6

Objetivos

Este curso se centra en técnicas avanzadas de aprendizaje supervisado, proporcionando conocimientos teóricos y prácticos sobre varios algoritmos y procesos utilizados en la definición y aplicación de modelos. A lo largo del curso, se profundizará en los siguientes temas, todos ellos desarrollados para problemas de clasificación y de regresión: Support Vector Machines, Algoritmo del Vecino Más Próximo (k-NN), ensamblado de modelos y la puesta en producción de modelos, incluyendo la creación de aplicaciones.

Contenido

1. Support Vector Machines (SVM)

• Introducción a SVM: conceptos básicos y geometría del SVM; SVM para clasificación y regresión.

• Teoría del margen máximo: Hiperplanos y márgenes en un espacio de características, maximización del margen para mejorar la generalización.

• Kernels en SVM: funciones kernel y su importancia en la transformación de datos; tipos de kernels.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

2. Algoritmo del Vecino Más Próximo (k-NN)

• Introducción al algoritmo k-NN: concepto y principios fundamentales del k-NN; elección del valor de k y su impacto en el modelo.

• Distancias y métricas: diferentes métricas de distancia; impacto de la normalización de datos en k-NN.

• Aplicaciones de k-NN: ejemplos prácticos en clasificación y regresión; ventajas y limitaciones del algoritmo k-NN.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

3. Ensamblado de Modelos

• Conceptos básicos: ventajas del ensamblado de modelos; métodos de ensamblado con distintos modelos base.

• Implementación y optimización: parámetros de ajuste y validación cruzada; implementación práctica en Python.

4. Puesta en Producción de Modelos

• Ciclo de vida de Machine Learning

• Infraestructura y Herramientas

• Monitorización y Mantenimiento

• Creación de Aplicaciones


Evaluación

A lo largo del curso, los estudiantes realizarán diversas pruebas de evaluación continua, tanto teóricas como prácticas, en las que se evaluará la adquisición de los conceptos de la asignatura y la aplicación de Python.

La nota final tendrá en cuenta tanto la evaluación continua como el examen final, y se calculará como el máximo entre:
a) Calificación del examen final
b) La media ponderada de la evaluación continua y el examen final, siendo el peso de la evaluación continua de al menos el 50%. En todo caso, el alumno tiene la opción de superar la asignatura por evaluación continua. Cualquier alumno podrá presentarse al examen final, siendo la valoración del mismo el 100% de su nota final.

Bibliografía

1 Hastie, T., Tibshiriani, R., Friedman, J. (2009). The Elements of Statistical Learning. Springer Series in Statistics. New York: Springer https://doi.org/10.1007/978-0-387-84858-7
2 Raschka, S. Mirjalili, V. (2019) Python Machine Learning. Marcombo.
3 An introduction to Statistical learning with applications in Python https://github.com/qx0731/Sharing_ISL_python
4 Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer.
5 Scikit-learn Documentation. Disponible en: https://scikit-learn.org/stable/documentation.html

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases Teóricas y/o Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2025 - 13/05/2025VIERNES 11:00 - 13:00-INMACULADA GUTIERREZ GARCIA-PARDO


Actividades Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2025 - 13/05/2025MARTES 13:00 - 15:00-INMACULADA GUTIERREZ GARCIA-PARDO