Datos Identificativos 2024/25
Asignatura (*) Análise de Datos Código 730554005
Titulación
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 1º cuadrimestre
Primeiro Obrigatoria 4.5
Idioma
Castelán
Galego
Modalidade docente Presencial
Prerrequisitos
Departamento Enxeñaría Industrial
Matemáticas
Coordinación
Calvo Rolle, Jose Luis
Correo electrónico
jose.rolle@udc.es
Profesorado
Calvo Rolle, Jose Luis
Michelena Grandío, Álvaro
Naya Fernandez, Salvador
Tarrio Saavedra, Javier
Correo electrónico
jose.rolle@udc.es
alvaro.michelena@udc.es
salvador.naya@udc.es
javier.tarrio@udc.es
Web http://https://campusvirtual.udc.gal
Descrición xeral O obxectivo fundamental desta materia é que o alumno coñeza os conceptos fundamentais e os principais modelos da minería de datos, tanto desde un punto de vista da aprendizaxe automática como estatístico, e a súa aplicación no campo da temática do mestrado.

Competencias / Resultados do título
Código Competencias / Resultados do título

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias / Resultados do título
Resolver problemas con iniciativa e tomar decisións, con creatividade e razoamento crítico. AI1
Elaborar, desenvolver e xestionar proxectos de I+D+i no ámbito téxtil. AI4
Integrar coñecementos e emitir xuízos, incluíndo reflexións sobre as responsabilidades sociais e éticas. AI5
Distinguir as técnicas analíticas para actividades de investigación e desenvolvemento en procesos téxtiles. AI13
Empregar ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión. AI24

Contidos
Temas Subtemas
Introdución á análise de datos. Conceptos principais.
Análise exploratorio de datos.
Visualización de datos.
Introdución ao software estatístico.
Elementos da aprendizaxe supervisada: Regresión. Correlación.
Modelos de regresión lineal multivariable.
Regresión contraida.
Operador de selección e contracción mínima absoluta (LASSO).
Regresión non paramétrica.
Elementos da aprendizaxe supervisada: Clasificación. Introdución.
Métodos de clasificación supervisados: Árbores de clasificación, k-veciños máis próximos, LDA, Bayes, SVM, NN, Boosting.
Elementos de aprendizaxe non supervisado. Análise de compoñentes principais (PCA).
Agrupación.

Planificación
Metodoloxías / probas Competencias / Resultados Horas lectivas (presenciais e virtuais) Horas traballo autónomo Horas totais
Sesión maxistral A1 A4 A5 A13 A24 10 25 35
Solución de problemas A1 A4 A5 A13 A24 5 15 20
Prácticas de laboratorio A1 A4 A5 A13 A24 5 16 21
Traballos tutelados A1 A4 A5 A13 A24 5 25 30
Proba obxectiva A1 A4 A5 A13 A24 1.5 0 1.5
 
Atención personalizada 5 0 5
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe.
Solución de problemas Técnica mediante a que ha de resolverse unha situación problemática concreta, a partir dos coñecementos que se traballaron, que pode ter máis dunha posible solución.
Prácticas de laboratorio Metodoloxía que permite que os estudantes aprendan efectivamente a través da realización de actividades de carácter práctico, tales como demostracións, exercicios, experimentos e investigacións.
Traballos tutelados Metodoloxía deseñada para promover a aprendizaxe autónoma dos estudantes, baixo tutela do profesor e en escenarios variados (académicos e profesionais). Está referida prioritariamente á aprendizaxe do "como facer as cousas.
Constitúe unha opción baseada na asunción polos estudantes da responsabilidade pola súa propia aprendizaxe. Este sistema de ensino baséase en dous elementos básicos: a aprendizaxe independente dos estudantes e o seguimento desa aprendizaxe polo profesor titor.
Proba obxectiva Consistirá na realización dun exame no que se pode poñer un test, problemas e/ou exercicios, coas puntuacións e tempos de realización ben definidos, na folla de exame, para cada un deles.
Para o aprobado da materia é obrigatorio ter realizado todas as prácticas de laboratorio nas datas establecidas para elas.

Atención personalizada
Metodoloxías
Traballos tutelados
Solución de problemas
Sesión maxistral
Prácticas de laboratorio
Descrición
Asociadas ás leccións maxistrais e de solución de problemas, cada Alumno dispón para a resolución das súas dúbidas, das correspondente sesións de titoría personalizada.
A realización das prácticas de laboratorio será levada persoalmente por un dos profesores designados.

Avaliación
Metodoloxías Competencias / Resultados Descrición Cualificación
Traballos tutelados A1 A4 A5 A13 A24 Proporanse traballos a realizar polo estudante no marco da asignatura que serán evaluados, con posibilidade de que teñan que ser expostos en público. 50
Proba obxectiva A1 A4 A5 A13 A24 Examen tipo proba obxetiva 50
 
Observacións avaliación

Para aprobar a asignatura é indispensable ter realizadas e aprobadas as partes por separado.

No marco das metodoloxías incluiranse aspectos tales como asistencia a clase, traballo persoal, traballos persoais proposto, ACTITUDE, etc., para axudar á obtención do aprobado.

É necesario superar o 50% da puntuación na proba obxectiva para aprobar.

A cualificación correspondente a "Traballos tutelados" poderá fluctuar entre o 50% indicado e un  100%, en consecuencia a "Proba obxectiva" pode variar entre un 0% e o 50% indicado.

Os criterios de avaliación da 2º oportunidade e da convocatoria adiantada de decembro, son os mesmos que os da 1º oportunidade.

No caso de que algún alumno non puidese por razón debidamente xustificada (dispensa académica) seguir esta metodoloxía docente, deberá porse en contacto co profesor para realizar unha serie de traballos e/ou unha proba obxectiva que permita validar os seus coñecementos na materia.


Fontes de información
Bibliografía básica
  • James, G., Witten, D., Hastie, T., Tibshirani, R. 0. (2013). An introduction to statistical learning. New York: Springer
  • Basilio Sierra Araujo (2006). Aprendizaje Automático: conceptos básicos y avanzados. Pearson Prentice Hall
  • Rubén Fernández Casal, Julián Costa Bouzas, Manuel Oviedo de la Fuente (2020). Aprendizaje Estadístico. url: https://rubenfcasal.github.io/aprendizaje_estadistico/
Bibliografía complementaria


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente

Materias que continúan o temario

Observacións

A entrega dos traballos documentais que se realicen nesta materia realizarase a través de Moodle, en formato dixital sen necesidade de imprimilos.



(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías