Guía docente de Introducción a la Ciencia de Datos (M51/56/3/2)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
- Rafael Alcalá Fernández
- Juan Carlos Cubero Talavera
- Juan Gómez Romero
- María Coral Del Val Muñoz
Horario de Tutorías
Rafael Alcalá Fernández
Email- Tutorías 1º semestre
- Lunes 12:00 a 13:00 (Mect (Fciencia))
- Lunes 9:30 a 10:00 (Mect (Fciencia))
- Martes 12:00 a 13:00 (Mect (Fciencia))
- Martes 9:30 a 10:00 (Mect (Fciencia))
- Miércoles 9:30 a 10:00 (Mect (Fciencia))
- Miércoles 12:00 a 13:00 (Mect (Fciencia))
- Jueves 12:00 a 13:00 (Mect (Fciencia))
- Jueves 9:30 a 10:00 (Mect (Fciencia))
- Tutorías 2º semestre
- Miércoles 11:30 a 13:00 (D08 (Etsiit))
- Jueves 9:00 a 13:00 (D08 (Etsiit))
Juan Carlos Cubero Talavera
Email- Tutorías 1º semestre
- Lunes 8:30 a 9:30 (D37 (Etsiit))
- Lunes 11:30 a 13:30 (D37 (Etsiit))
- Martes 8:30 a 9:30 (D37 (Etsiit))
- Martes 11:30 a 13:30 (D37 (Etsiit))
- Tutorías 2º semestre
- Lunes 8:30 a 14:30 (D37 (Etsiit))
Juan Gómez Romero
Email- Tutorías 1º semestre
- Miércoles 9:00 a 14:00 (M3 (Fciencia))
- Jueves 11:00 a 12:00 (M3 (Fciencia))
- Tutorías 2º semestre
- Miércoles 9:00 a 14:00 (M3 (Fciencia))
- Jueves 11:00 a 12:00 (M3 (Fciencia))
María Coral Del Val Muñoz
Email- Tutorías 1º semestre
- Martes 9:00 a 12:00 (Bo (Fcyd))
- Miércoles 9:00 a 12:00 (M6 (Fciencia))
- Tutorías 2º semestre
- Lunes 10:00 a 14:00 (M6 (Fciencia))
- Miércoles 10:00 a 12:00 (M6 (Fciencia))
Breve descripción de contenidos (Según memoria de verificación del Máster)
Introducción: Inteligencia de negocio, minería de datos, análisis y modelado de datos
Aprendizaje supervisado versus no supervisado.
Conceptos de clasificación, regresión, clustering y asociación.
Técnicas básicas de clasificación y regresión
Validación cruzada y Bootstrap
Análisis de experimentos. Inferencia estadística
Resolución de casos prácticos en ciencia de datos: competiciones de KAGGLE
Lenguaje de programación R
Prerrequisitos y/o Recomendaciones
Conocimientos básicos de Programación
Competencias
Competencias Básicas
- CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en 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.
- CB8. 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.
- CB9. 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.
- 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
- CG01. Capacidad de acceso y gestión de la información
- CG02. Capacidad de análisis y síntesis
- CG03. Capacidad de organización y planificación
- CG04. Capacidad emprendedora
- CG05. Capacidad para tomar decisiones de forma autónoma
- CG06. Capacidad de uso de una lengua extranjera
- CG07. Motivación por la calidad
- CG08. Capacidad para trabajar en equipo
Competencias Específicas
- CE03. Capacidad para la aplicación de técnicas y metodologías que permitan abordar desde nuevas perspectivas los problemas de interés, gracias a la disponibilidad de las plataformas de computación y comunicación con altos niveles de prestaciones.
- CE04. Capacidad de análisis de aplicaciones en ámbitos de biomedicina y bioinformática, optimización y predicción, control avanzado, y robótica bioinspirada, tanto desde el punto de vista de los requisitos para una implementación eficaz de los algoritmos y las técnicas de computación que se usan para abordarlas, como de las características deseables en las arquitecturas donde se ejecutan
- CE05. Capacidad para modelar y resolver problemas reales o académicos mediante técnicas de ciencia de datos
- CE06. Capacidad para modelar y resolver problemas reales o académicos mediante tecnologías inteligentes o de inteligencia computacional.
- CE07. Capacidad de utilización de herramientas avanzadas para modelar y resolver problemas en los que se dispone de un tamaño enorme de datos.
Competencias Transversales
- CT01. Ser consciente de la importancia del desarrollo sostenible y demostrar sensibilidad medioambiental.
- CT02. Ser consciente del derecho a la no discriminación y al acceso universal al conocimiento de las personas con discapacidad.
Resultados de aprendizaje (Objetivos)
Aprender los conceptos de minería de datos, y análisis y modelado de datos
Aprender a identificar problemas de clasificación, regresión y asociación
Aprender a resolver problemas de clasificación y regresión con técnicas básicas
Aprender a construir y validar modelos de forma correcta
Aprender a diseñar experimentos y a analizar los resultados
Aprender a utilizar el lenguaje de programación R para la resolución de problemas de clasificación, minería de datos y regresión.
Resolver casos prácticos con técnicas de ciencia de datos
Programa de contenidos Teóricos y Prácticos
Teórico
- Introducción a la Ciencia de Datos: Inteligencia de Negocio, análisis y minería de datos.
- Análisis Exploratorio de Datos: Estadística descriptiva e Introducción al Preprocesamiento
- Técnicas de inferencia estadística y test de hipótesis para minería de datos
Práctico
- El lenguaje de Programación R: Procesamiento y visualización con tipos de datos básicos. Análisis EDA.
- Modelos de Minería de Datos. Modelos no supervisados y supervisados. Casos prácticos en KAGGLE
- Técnicas básicas de Clasificación y Regresión. Evaluación. - Análisis de Experimentos
Bibliografía
Bibliografía fundamental
Foster Provost and Tom Fawcett. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (1st ed.). O'Reilly Media, Inc..
Torsten Hothorn and Brian S. Everitt. A Handbook of Statistical Analyses Using R. Chapman and Hall. 2014.
Bibliografía complementaria
Michael J. Crawley. Statistics: An Introduction using R. Wiley. 2005.
Michael R. Berthold, Christian Borgelt, Frank Hppner, and Frank Klawonn. 2010. Guide to Intelligent Data Analysis: How to Intelligently Make Sense of Real Data (1st ed.). Springer Publishing Company, Incorporated
Enlaces recomendados
Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/
https://towardsdatascience.com/
Metodología docente
- MD01 Lección magistral/expositiva
- MD02 Resolución de problemas y estudio de casos prácticos
- MD03 Prácticas de laboratorio
- MD04 Seminarios
- MD05 Análisis de fuentes y documentos
- MD06 Realización de trabajos en grupo
- MD07 Realización de trabajos individuales
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)
Evaluación Ordinaria
La evaluación de teoría y práctica se hará de forma conjunta, evaluando si el alumno es capaz de aplicar los conocimientos técnicos adquiridos correctamente al enfrentarse a un problema real. El alumno debe entregar tres trabajos teóricos/prácticos: 1. Análisis exploratorio de datos, 2. Aplicación de técnicas de regresión y 3. Aplicación de técnicas de clasificación
La evaluación continua se medirá solicitando a los estudiantes la entrega de algunos ejercicios breves durante el curso. Los estudiantes que no puedan asistir a clase durante todo el curso, así como aquellos que ocasionalmente falten a algunas clases, deberán entregar los ejercicios de evaluación continua en la fecha y hora solicitados a todos los estudiantes.
Cálculo de la calificación final. La nota final se calculará según la siguiente ponderación
|
Descripción del Sistema de Evaluación |
Porcentaje |
|
1. Análisis exploratorio de datos 2. Aplicación de técnicas de regresión 3. Aplicación de técnicas de clasificación |
30% 30% 30% |
|
Evaluación Continua |
10% |
Evaluación Extraordinaria
El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.
El alumno tendrá que entregar los tres trabajos siguiendo las directrices detalladas en el apartado "Evaluación ordinaria". La calificación final se calculará según la siguiente ponderación:
|
Descripción del Sistema de Evaluación |
Porcentaje |
|
1. Análisis exploratorio de datos 2. Aplicación de técnicas de regresión 3. Aplicación de técnicas de clasificación |
1/3 1/3 1/3 |
Evaluación única final
Para más información sobre la evaluación única final, véase la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada.
En la evaluación única final, el alumno deberá entregar un trabajo integrador siguiendo las directrices detalladas en el apartado "Evaluación ordinaria". La calificación final se calculará según lo indicado en el apartado "Evaluación ordinaria -> Cálculo de la calificación final" cambiando la tabla de ponderación por la siguiente:
|
Descripción del Sistema de Evaluación |
Ponderación |
|
Evaluación del Trabajo Teórico/Práctico Integrador |
100% |
Información adicional
Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).