Competencias / Resultados do título |
Código
|
Competencias / Resultados do título
|
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 |
Metodoloxías
|
Prácticas a través de TIC |
Sesión maxistral |
|
Descrición |
Tanto nas sesións maxistrais como nas sesións prácticas será importante atender persoalmente aos alumnos ante as posibles dúbidas que poidan xurdir. Esta atención servirá ao profesor para detectar posibles problemas na metodoloxía empregada para impartir a materia e, ademais, aos alumnos para consolidar os coñecementos e para expresar as súas inquietudes acerca da materia |
|
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 |
40 |
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 |
60 |
|
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.
Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC.
|
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., Costa, J. y Oviedo, M. (2021). 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 |
Regresión Xeneralizada e Modelos Mixtos/614493110 | Modelos de Regresión/614493105 |
|
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.
|
|