| Competencias do título |
| Código | Competencias / Resultados do título |
| A16 | CE1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de estatística e investigación operativa, nun contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais. |
| A17 | CE2 – Desenvolver autonomía para a resolución práctica de problemas complexos surdidos en aplicación reais e para a interpretación dos resultados cara á axuda na toma de decisións. |
| A18 | CE3 - Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a investigación operativa, que permitan o seu desenvolvemento profesional especializado. |
| A19 | CE4 - Adquirir as destrezas necesarias no manexo teórico-práctico da teoría de probabilidade e as variables aleatorias que permitan o seu desenvolvemento profesional no eido científico/académico, tecnolóxico ou profesional especializado e multidisciplinar. |
| A20 | CE5 - Profundizar no coñecemento dos fundamentos teórico-prácticos especializados de modelado e estudo de distintos tipos de relacións de dependencia entre variables estatísticas. |
| A21 | CE6 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas específicamente á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre distintas perspectivas en contextos complexos. |
| A22 | CE7 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas de optimización matemática, tanto en contextos unipersoais como multipersoais, e saber aplicalos con autonomía suficiente nun contexto científico, tecnolóxico ou profesional. |
| A23 | CE8 - Adquirir coñecementos teórico-prácticos avanzados das técnicas destinadas á realización de inferencias e contrastes relativos a variables e parámetros dun modelo estatístico, e saber aplicalos con autonomía suficiente nun contexto científico, tecnolóxico ou profesional. |
| A24 | CE9 - Coñecer e saber aplicar con autonomía en contextos científicos, tecnolóxicos ou profesionais, técnicas de aprendizaxe automático e técnicas de análise de datos de alta dimensión (big data). |
| A25 | CE10 - Adquirir coñecementos avanzados sobre metodoloxías para a obtención e o tratamento de datos derivados de distintas fuentes, como enquisas, internet, ou entornos “na nube". |
| B1 | CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
| B2 | CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en ámbitos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo |
| B3 | CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
| B4 | CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades |
| B5 | CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo. |
| B17 | CG1 - Coñecer, comprender e saber aplicar os principios, metodoloxías e novas tecnoloxías na estatística e a investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares, así como adquirir as destrezas e competencias descritas nos objectivos generales do título. |
| B18 | CG2 - Desenvolver autonomía para identificar, modelar e resolver problemas complexos da estatística e da investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares. |
| B19 | CG3 - Desenvolver a capacidade para realizar estudos e tarefas de investigación e transmitir os resultados a públicos especializados, académicos e xeneralistas. |
| B20 | CG4 - Integrar coñecementos avanzados e enfrontarse á toma de decisións a partir de información científica e técnica. |
| B21 | CG5 - Desenvolver a capacidade de aplicación de algoritmos e técnicas de resolución de problemas complexos no eido da estatística e a investigación operativa, manexando o software especializado axeitado. |
| C11 | CT1 - Desenvolver firmes capacidades de razoamento, análise crítica e autocrítica, así como de argumentación e de síntese, contextos especializados e multidisciplinais. |
| C12 | CT2 - Desenvolver destrezas avanzadas no manexo de Tecnoloxías da Información e a Comunicación (TIC), tanto para a obtención de información como para a difusión do coñecemento, nun ámbito científico/académico, tecnolóxico ou profesional especializado e multidisciplinar. |
| C13 | CT3 - Ser capaz de resolver problemas complexos en novos escenarios mediante a aplicación integrada dos coñecementos. |
| C14 | CT4 - Desenvolver unha sólida capacidade de organización e planificación do estudo, asumindo a responsabilidade do seu propio desenvovemento profesional, para a realización de traballos en equipo e de xeito autónomo. |
| C15 | CT5 - Desenvolver capacidades para o aprendizaxe e a integración no traballo en equipos multidisciplinais, nos ámbitos científico/académico, tecnolóxico e profesional. |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias / Resultados 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 / Resultados | Horas lectivas (presenciais e virtuais) | Horas 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 / Resultados | 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. |