Estudia > Oferta formativa > Oferta d'assignatures > Detall de l'assignatura
Anar al contingut (clic a Intro)
UdG Home UdG Home
Tancar
Menú

Estudia a la UdG

Dades generals

Curs acadèmic:
2021
Descripció:
L'objectiu d'aquesta assignatura és comprendre les bases estadístiques del data science així com tècniques específiques que formen part del corpus de metodologies de la ciència de dades. 1. Conceptes i tècniques de dades multivariants. 2. Conceptes de probabilitat i inferència estadística. 2. Reducció de la dimensionalitat per projeccions. 3. Models lineals generalitzats. 4. Modelització no lineal. 5. Tècniques de remostreig: validació creuada, bootstrapping. 6. Rendiment dels models predictius.
Crèdits:
6

Grups

Grup A

Durada:
Semestral, 1r semestre
Professorat:
Javier Palarea Albaladejo
Idioma de les classes:
Castellà (75%), Anglès (25%)

Competències

  • CB10 Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma
  • CE1 Programar a un nivell avançat en els llenguatges i llibreries més utilitzades en la ciència de dades
  • CE7 Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic
  • CE8 Quantificar la bondat dels resultats obtinguts mitjançant la tecnologia de la ciència de dades a través de mètriques adequades
  • CE12 Entendre i utilitzar els principals fonaments estadístics de les tècniques de ciència de dades
  • CE13 Entendre les dades a partir de visualitzacions adequades

Continguts

1. Introducció a les dades multivariants / Introduction to multivariate data

          1.1. Matrius de dades i tipus de variables / Data matrices and types of variables

          1.2. Mesures de centralitat, variabilitat i associació / Measures of centrality, variability and association

          1.3. Reducció de la dimensionalitat: anàlisi de components principals i anàlisi de correspondències / Dimensionality reduction: principal components analysis and analysis of correspondences

2. Probabilitat i inferència estadística / Probability and statistical inference

          2.1. Principals models de probabilitat / Main probability models

          2.2. Mètodes d'estimació / Estimation methods

          2.3. Mètodes de remostreig i validació creuada / Resampling and cross-validation methods

3. Modelització estadística / Statistical modelling

          3.1. Regressió lineal i lineal generalitzada / Linear and generalised linear regression

          3.2. Regressió logística per a resposta binària / Logistic regression for binary response

          3.3. Regressió de Poisson per a comptatges / Poisson regression for counts

          3.4. Models additius basats en splines / Additive models based on splines

          3.5. Validació i simplificació de models / Model validation and simplification

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total
Anàlisi / estudi de casos 0 45,00 0 45,00
Sessió expositiva 31,00 31,00 0 62,00
Sessió pràctica 29,00 14,00 0 43,00
Total 60,00 90,00 0 150

Bibliografia

  • Faraway, J.J. (2016). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models (Segona). Chapman and Hall/CRC.
  • Hastie, T., Tibshirani, R. and Friedman, J.H. (2016). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Segona). Springer.
  • James, G., Witten, D., Hastie, T. and Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R (Segona). Springer.
  • Johnson, R.A., Wichern, D.W. (2007). Applied Multivariate Statistical Analysis (Sisena). Pearson Prentice Hall.

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat % Recuperable
Exercicis i activitats participatives
Es plantejaran un seguit de tasques/treballs i/o exercicis on caldrà resoldre qüestions d'una certa complexitat aplicant els conceptes i la metodologia introduïda a les classes expositives/pràctiques així com el programari utilitzar a les classe pràctiques.
100 No

Qualificació

El professorat avaluarà cada una de les tasques proposades durant el desenvolupament de l'assignatura. També es tindrà en compte la participació de l'alumnat en les diferents activitats.

Criteris específics de la nota «No Presentat»:
No lliurar les tasques i els treballs d'avaluació continuada.

Avaluació única:
L'avaluació única de l'assignatura s'acordarà amb el professorat a principi de curs i pot consistir en un examen o pràctica final que inclourà els diferents blocs de l'assignatura.

Requisits mínims per aprovar:
Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0.

Tutoria

L'alumnat podran sol·licitar fer tutories presencials o bé online amb Google Meet o equivalent. Les tutories podran ser individuals o amb grup.

Comunicacio i interacció amb l'estudiantat

El professorat de l'assignatura es comunicarà amb l'alumnat mitjançant les vies habituals a través del Moodle de l'assignatura i a través del mail.

Escull quins tipus de galetes acceptes que el web de la Universitat de Girona pugui guardar en el teu navegador.

Les imprescindibles per facilitar la vostra connexió. No hi ha opció d'inhabilitar-les, atès que són les necessàries pel funcionament del lloc web.

Permeten recordar les vostres opcions (per exemple llengua o regió des de la qual accediu), per tal de proporcionar-vos serveis avançats.

Proporcionen informació estadística i permeten millorar els serveis. Utilitzem cookies de Google Analytics que podeu desactivar instal·lant-vos aquest plugin.

Per a oferir continguts publicitaris relacionats amb els interessos de l'usuari, bé directament, bé per mitjà de tercers (“adservers”). Cal activar-les si vols veure els vídeos de Youtube incrustats en el web de la Universitat de Girona.