Identifying Data

2022/23

Subject (*)

Statistical Learning

Code

614493125

Study programme

Mestrado Universitario en Técnicas Estadísticas (Plan 2019)

Descriptors

Cycle

Period

Year

Type

Credits

Official Master's Degree

1st four-month period

Second

Optional

Language

Spanish

Teaching method

Face-to-face

Prerequisites

Department

Matemáticas

Coordinador

Fernández Casal, Rubén

E-mail

ruben.fcasal@udc.es

Lecturers

Fernández Casal, Rubén

E-mail

ruben.fcasal@udc.es

Web

http://rubenfcasal.github.io/aprendizaje_estadistico

General description

Nesta materia preténdese achegar ao alumno ao modelado e resolución de problemas de aprendizaxe estatística procedentes de aplicacións reais

Study programme competencies

Code	Study programme competences
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.

Learning aims

Learning outcomes	Study programme competences
Ser capaz de identificar e modelar problemas complexos de aprendizaxe estatística xurdidos en aplicacións reais	AC16 AC17 AC18 AC19 AC20 AC21 AC22 AC23 AC24 AC25	BJ1 BJ2 BJ3 BJ4 BJ5 BJ17 BJ18 BJ19 BJ20 BJ21	CJ11 CJ12 CJ13 CJ14 CJ15
Adquirir coñecementos avanzados sobre aprendizaxe estatística tanto supervisado como non supervisado	AC16 AC17 AC18 AC19 AC20 AC21 AC22 AC23 AC24 AC25	BJ1 BJ2 BJ3 BJ4 BJ5 BJ17 BJ18 BJ19 BJ20 BJ21	CJ11 CJ12 CJ13 CJ14 CJ15
Coñecer os principios xerais das novas metodoloxías de aprendizaxe supervisada para clasificación e regresión	AC16 AC17 AC18 AC19 AC20 AC21 AC22 AC23 AC24 AC25	BJ1 BJ2 BJ3 BJ4 BJ5 BJ17 BJ18 BJ19 BJ20 BJ21	CJ11 CJ12 CJ13 CJ14 CJ15
Identificar e adquirir destreza no uso das principais ferramentas de R de aprendizaxe estatística	AC16 AC20 AC24 AC25	BJ2 BJ3 BJ4 BJ5 BJ20 BJ21	CJ12 CJ13 CJ14 CJ15
Saber analizar datos utilizando técnicas de Aprendizaxe Estatística en contextos multidisciplinares	AC16 AC17 AC18 AC20 AC21 AC24 AC25	BJ1 BJ2 BJ3 BJ4 BJ5 BJ17 BJ18 BJ19 BJ20 BJ21	CJ11 CJ12 CJ13 CJ14 CJ15
Ser capaz de aplicar con autonomía os resultados adquiridos na análise de datos masivos ou de alta dimensión	AC16 AC17 AC18 AC20 AC21 AC24 AC25	BJ1 BJ2 BJ3 BJ5 BJ17 BJ18 BJ19 BJ20 BJ21	CJ11 CJ12 CJ13 CJ14 CJ15
Saber comunicar os resultados propios da Aprendizaxe Estatística a un público especializado ou non especializado		BJ4 BJ19	CJ11 CJ12 CJ14 CJ15

Contents

Topic	Sub-topic
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.

Planning

Methodologies / tests	Competencies	Ordinary class hours	Student’s personal work hours	Total hours
Guest lecture / keynote speech	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
ICT practicals	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
Mixed objective/subjective test	A16 A17 A24 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14	4	0	4

Personalized attention		10	0	10

(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies

Methodologies	Description
Guest lecture / keynote speech	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
ICT practicals	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
Mixed objective/subjective test	O alumno deberá demostrar o seu dominio dos aspectos teóricos da materia e a súa capacidade para a resolución de problemas

Personalized attention

Methodologies

ICT practicals

Guest lecture / keynote speech

Description

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

Assessment

Methodologies	Competencies	Description	Qualification
ICT practicals	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
Mixed objective/subjective test	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

Assessment comments
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.

Sources of information

Basic	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

Complementary	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

Recommendations

Subjects that it is recommended to have taken before

Generalized Regression and Mixed Models/614493110

Regression Models/614493105

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments

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.

(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.