Sistemas de Información (2225.YR.009143.3)

Datos generales

Tipo:	OBL	Curso:	3	Periodo:	S semestre
Créditos ECTS:	4 ECTS

Profesorado:

Grupo	Profesor	Departamento	Idioma
Year 3	Jordi Tarda Valls	Operaciones, Innovación y Data Sciences	ESP

Matemáticas aplicadas a la Gestión
Estadística descriptiva y Probabilidad
Inferencia Estadística y Análisis de Datos

Saber usar el sistema de archivos de un ordenador (finder / explorer)
Ser capaz de comprimir y descomprimir archivos en formato zip así como de descargar ficheros de Internet

Distribución de la carga de trabajo:

Sesiones expositivas: 18
Sesiones participativas: 18
Trabajo autónomo: 56

Disponer de datos supone transformar a la sociedad y a las organizaciones. El aprendizaje automático y la inteligencia artificial proporcionan un conjunto de marcos, teorías y métodos para usar los datos en la toma de decisiones. Este curso contribuye al programa de la siguiente forma:

1) Los estudiantes adquirirán los conocimientos básicos necesarios sobre el aprendizaje automático y su aplicación práctica dentro de la empresa.

2) Los estudiantes desarrollarán las habilidades necesarias que les permitirán utilizar estas técnicas por si mismos usando el lenguaje de programación Python, el estándar de facto en la mayoría de empresas.

1 . Reconocer y utilizar el lenguaje científico con fluidez en problemas relacionados con el análisis de datos.
2. Comprender y relacionar conceptos matemáticos, estadísticos e informáticos para resolver problemas relacionados con la ciencia de datos.
3. Usar el razonamiento formal para resolver problemas basados en datos
4. Ser capaz de usar una mentalidad orientada al uso de los datos para resolver problemas analíticos

1. Mentalidad computacional La ciencia de datos requiere cierta comprensión sobre cómo las computadoras almacenan y acceden a los datos. En este tema estudiaremos diferentes estructuras de datos y cómo usarlas para analizar los datos almacenados. También introduciremos los elementos básicos de programación en Python como son las funciones, condicionales y bucles.

2. Modelos lineales Los modelos lineales son las técnicas de ciencia de datos más simples y fáciles. En este tema estudiaremos modelos de regresión lineal y regresión logística. Describiremos ambos modelos desde una perspectiva matemática, así como desde una perspectiva práctica. Para hacerlo, introduciremos numpy, una biblioteca de Python para análisis numérico, e implementaremos ambos modelos en Python.

3. Aprendizaje automático Uno de los principales desafíos de la ciencia de datos es el desarrollo y la evaluación de algoritmos y modelos de aprendizaje automático. Durante la segunda parte del curso presentaremos tanto la taxonomía como la metodología estándar para su desarrollo y evaluación. Utilizaremos los árboles de decisión como ejemplo ilustrativo estos modelos y definiremos diferentes métricas para evaluar de forma correcta su rendimiento y precisión, para esto utilizaremos diferentes bibliotecas de Python, como pandas y scikit-learn.

En cuanto a la metodología utilizada en el curso se combinarán sesiones magistrales, sesiones de problemas y la realización de problemas de forma autónoma.

Actividades de evaluación

Bibliografía básica:

Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2014. An Introduction to Statistical Learning: with Applications in R. Springer Publishing Company, Incorporated.

Grupo	Profesor	Departamento
Year 3	Jordi Tarda Valls	Operaciones, Innovación y Data Sciences