| Competencias do título |
| Código | Competencias do título |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Ser capaz de identificar e modelar problemas complexos de aprendizaxe estatística xurdidos en aplicacións reais | AM16 AM17 AM18 AM19 AM20 AM21 AM22 AM23 AM24 AM25 |
BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21 |
CP11 CP12 CP13 CP14 CP15 |
| Adquirir coñecementos avanzados sobre aprendizaxe estatística tanto supervisado como non supervisado | AM16 AM17 AM18 AM19 AM20 AM21 AM22 AM23 AM24 AM25 |
BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21 |
CP11 CP12 CP13 CP14 CP15 |
| Coñecer os principios xerais das novas metodoloxías de aprendizaxe supervisada para clasificación e regresión | AM16 AM17 AM18 AM19 AM20 AM21 AM22 AM23 AM24 AM25 |
BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21 |
CP11 CP12 CP13 CP14 CP15 |
| Identificar e adquirir destreza no uso das principais ferramentas de R de aprendizaxe estatística | AM16 AM20 AM24 AM25 |
BP2 BP3 BP4 BP5 BP20 BP21 |
CP12 CP13 CP14 CP15 |
| Saber analizar datos utilizando técnicas de Aprendizaxe Estatística en contextos multidisciplinares | AM16 AM17 AM18 AM20 AM21 AM24 AM25 |
BP1 BP2 BP3 BP4 BP5 BP17 BP18 BP19 BP20 BP21 |
CP11 CP12 CP13 CP14 CP15 |
| Ser capaz de aplicar con autonomía os resultados adquiridos na análise de datos masivos ou de alta dimensión | AM16 AM17 AM18 AM20 AM21 AM24 AM25 |
BP1 BP2 BP3 BP5 BP17 BP18 BP19 BP20 BP21 |
CP11 CP12 CP13 CP14 CP15 |
| Saber comunicar os resultados propios da Aprendizaxe Estatística a un público especializado ou non especializado | BP4 BP19 |
CP11 CP12 CP14 CP15 |
|
| Contidos |
| Temas | Subtemas |
| Introdución á aprendizaxe estatística | Aprendizaxe estatística e aprendizaxe automática. Métodos de aprendizaxe estatística: supervisados e non supervisados. Construción e avaliación dos modelos. A maldición da dimensionalidade. Análise e interpretación dos modelos. Paquetes de R. |
| Métodos de aprendizaxe supervisada para clasificación | Métodos baseados en árbores. Bagging, bosques aleatorios e boosting. Máquinas de soporte vectorial (support vector machines). Outros métodos de clasificación. |
| Métodos de aprendizaxe supervisada para regresión | Modelos lineais xeneralizados e modelos aditivos. Métodos non paramétricos. Selección de variables e métodos de regularización: regresión contraída (ridge) e lasso. Métodos de redución da dimensión: compoñentes principais e mínimos cadrados parciais. Regresión por projection pursuit. Redes neuronais. Métodos colaborativos. |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | A16 A17 A18 A19 A20 A21 A22 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 | 15 | 25 | 40 |
| Prácticas a través de TIC | A16 A17 A18 A19 A20 A21 A22 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 | 20 | 51 | 71 |
| Proba mixta | A16 A17 A24 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 | 4 | 0 | 4 |
| Atención personalizada | 10 | 0 | 10 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Sesión maxistral | Presentación dos aspectos teóricos relevantes da materia, de modo que o alumnado poida abordar a realización das prácticas a través de TIC. Fomentarase en todo momento a participación e o debate |
| Prácticas a través de TIC | Aplicación práctica das metodoloxías explicadas nas sesións maxistrais. Farase uso de ferramentas de software libre, principalmente da contorna estatística R, e tamén de recursos web |
| Proba mixta | O alumno deberá demostrar o seu dominio dos aspectos teóricos da materia e a súa capacidade para a resolución de problemas |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Prácticas a través de TIC | A16 A17 A18 A19 A20 A21 A22 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 | Ao longo do curso, o alumno demostrará o seu interese e dominio da materia, e a súa capacidade de traballo en equipo, mediante a realización de traballos, individuais ou en grupo. A cualificación obtida conservarase entre as dúas oportunidades da convocatoria de cada curso | 50 |
| Proba mixta | A16 A17 A24 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 | O exame final consistirá nunha proba escrita teórico-práctica | 50 |
| Observacións avaliación | |||
|
Na data que estableza o Máster de Técnicas Estatísticas na súa programación anual, o alumno realizará, por escrito, o exame final da materia (proba mixta), no que terá que responder a preguntas teóricas, resolver cuestións teórico-prácticas, e calcular a solución de diversos problemas. Para esta proba o alumno só poderá levar consigo o material que se autorice de forma expresa. Para aprobar a materia será necesario superar as dúas partes (prácticas a través de TIC e proba mixta). A oportunidade de xullo (segunda oportunidade) estará sometida aos mesmos criterios que a de xaneiro (primeira oportunidade). Os alumnos que se presenten á segunda oportunidade poderán optar entre manter a nota de prácticas a través de TIC ou volver examinarse tamén desta parte. |
|||
| Fontes de información |
| Bibliografía básica |
James, G., Witten, D., Hastie, T. y Tibshirani, R. (2017). An Introduction to Statistical Learning: with Aplications in R. Springer
Kuhn, M. y Johnson, K. (2013). Applied predictive modeling. Springer
Fernández-Casal, R. y Costa, J. (2020). Aprendizaje Estadístico. Libro online: https://rubenfcasal.github.io/aprendizaje_estadistico
Williams, G. (2011). Data Mining with Rattle and R. Springer |
|
|
|
| Bibliografía complementaria |
Burger, S. V. (2018). Introduction to Machine Learning with R: Rigorous Mathematical Analysis. O’Reilly
Efron, B. y Hastie, T. (2016). Computer Age Statistical Inference. Cambridge University Press
Torgo, L. (2011). Data Mining with R: Learning with Case Studies. Chapman & Hall/CRC Press
Hastie, T., Tibshirani, R. y Wainwright, M. (2015). Statistical Learning with Sparsity: the Lasso and Generalizations. CRC press
Hastie, T., Tibshirani, R. y Friedman, J. (2017). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer |
|
|
| Recomendacións | ||
| Materias que se recomenda ter cursado previamente | ||
|
| Materias que se recomenda cursar simultaneamente |
| Materias que continúan o temario |
| Observacións | |
|
É recomendable que o alumno posúa coñecementos básicos de regresión e de estatística multivariante. Dispoñer de coñecementos xerais da contorna estatística R facilitará o aproveitamento das clases e a realización das prácticas. Aconséllase participar activamente no proceso de aprendizaxe da materia: asistencia e participación ás clases teóricas e prácticas, utilización de horas de titorías e a realización dun esforzo responsable de traballo e asimilación persoal dos métodos estudados. |