RA8 - Comprender el funcionamiento de los principales algoritmos de aprendizaje automático como el modelo de red neuronal, random forest y gradient boosting
RA15 - Dominar herramientas estadísticas básicas y el software estadístico especializado y avanzado para la aplicación de las técnicas de Ciencia de datos
RA17 - Modelizar problemas de clasificación y predicción dentro del ámbito de la estrategia empresarial
RA19 - Elaborar un programa básico en lenguaje de programación en un contexto de modelización predictiva
RA20 - Tomar las decisiones apropiadas en la utilización de algoritmos predictivos en un problema real
RA21 - Aplicar diferentes modelos de segmentación, agrupación de observaciones y reducción de variables
RA23 - Desarrollar el espíritu innovador en un ámbito interdisciplinario, fomentando la búsqueda de soluciones creativas a diversos tipos de problemas
RA24 - Generar y mantener actividades de investigación, desarrollo y consultoría en el área de la Ciencia de Datos
RA27 - Establecer las fases y estructura de una investigación relacionada con la Ciencia de Datos partiendo de un problema concreto

50%

50%

100%

1,92

4,08

2

Estar familiarizado al menos con los siguientes programas de software estadístico: SAS y R. Se recomienda también conocer Python.

Modelizar problemas de clasificación y predicción y comprender las principales medidas de evaluación de la capacidad predictiva de estos modelos.

Comprender el funcionamiento de los principales algoritmos de aprendizaje automático como random forest, gradient boosting y redes neuronales.Conocer los fundamentos de los lenguajes de programación más utilizados en Ciencia de Datos y manejar con soltura la sintaxis y librerías en lenguajes
abiertos actuales en Ciencia de Datos como R y SAS.

Se realizarán prácticas a entregar de cada uno de los modelos propuestos pudiendo aprobar por evaluación continua.
La nota final tendrá en cuenta tanto la evaluación continua como la prueba final. Se calculará como el máximo entre:
a) La calificación de la prueba final.
b) La media ponderada de la evaluación continua y la prueba final, siendo el peso de la evaluación continua de al menos el 35%.
Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso.

Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford: Oxford University Press.

Hastie, Tibshirani (2009): The Elements of Statistical Learning (PDF) http://statweb.stanford.edu/~tibs/ElemStatLearn/

Randall Matignon (2005): Neural Network Modeling using SAS Enterprise Miner. Ed. AuthorHouse Schapire and Freund (2014): Boosting. MIT Press.
ftp://ftp.sas.com/pub/neural/FAQ.html

Davis, L. (1991): Handbook of Genetic Algorithms. Van Nostrand Reinhold.