Guía docente de Introducción a la Ciencia de Datos (M51/56/3/2)

Introducción: Inteligencia de negocio, minería de datos, análisis y modelado de datos

Aprendizaje supervisado versus no supervisado.

Conceptos de clasificación, regresión, clustering y asociación.

Técnicas básicas de clasificación y regresión

Validación cruzada y Bootstrap

Análisis de experimentos. Inferencia estadística

Resolución de casos prácticos en ciencia de datos: competiciones de KAGGLE

Lenguaje de programación R

Conocimientos básicos de Programación

Aprender los conceptos de minería de datos, y análisis y modelado de datos

Aprender a identificar problemas de clasificación, regresión y asociación

Aprender a resolver problemas de clasificación y regresión con técnicas básicas

Aprender a construir y validar modelos de forma correcta

Aprender a diseñar experimentos y a analizar los resultados

Aprender a utilizar el lenguaje de programación R para la resolución de problemas de clasificación, minería de datos y regresión.

Resolver casos prácticos con técnicas de ciencia de datos

1. Introducción a la Ciencia de Datos: Inteligencia de Negocio, análisis y minería de datos.
2. Análisis Exploratorio de Datos: Estadística descriptiva e Introducción al Preprocesamiento 
3. Técnicas de inferencia estadística y test de hipótesis para minería de datos

1. El lenguaje de Programación R: Procesamiento y visualización con tipos de datos básicos. Análisis EDA.
2. Modelos de Minería de Datos. Modelos no supervisados y supervisados. Casos prácticos en KAGGLE
3. Técnicas básicas de Clasificación y Regresión. Evaluación. - Análisis de Experimentos

Foster Provost and Tom Fawcett. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (1st ed.). O'Reilly Media, Inc.. 

Torsten Hothorn and Brian S. Everitt. A Handbook of Statistical Analyses Using R. Chapman and Hall. 2014.

Michael J. Crawley. Statistics: An Introduction using R. Wiley. 2005.

Michael R. Berthold, Christian Borgelt, Frank Hppner, and Frank Klawonn. 2010. Guide to Intelligent Data Analysis: How to Intelligently Make Sense of Real Data (1st ed.). Springer Publishing Company, Incorporated

Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/

http://www.kdnuggets.com

http://www.r-project.org/

https://towardsdatascience.com/

La evaluación de teoría y práctica se hará de forma conjunta, evaluando si el alumno es capaz de aplicar los conocimientos técnicos adquiridos correctamente al enfrentarse a un problema real. El alumno debe entregar tres trabajos teóricos/prácticos:  1. Análisis exploratorio de datos, 2. Aplicación de técnicas de regresión y 3. Aplicación de técnicas de clasificación

La evaluación continua se medirá solicitando a los estudiantes la entrega de algunos ejercicios breves durante el curso. Los estudiantes que no puedan asistir a clase durante todo el curso, así como aquellos que ocasionalmente falten a algunas clases,  deberán entregar los ejercicios de evaluación continua en la fecha y hora solicitados a todos los estudiantes.

Cálculo de la calificación final. La nota final se calculará según la siguiente ponderación

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.

El alumno tendrá que entregar los tres trabajos siguiendo las directrices detalladas en el apartado "Evaluación ordinaria". La calificación final se calculará según la siguiente ponderación:

Para más información sobre la evaluación única final, véase la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada.

En la evaluación única final, el alumno deberá entregar un trabajo integrador siguiendo las directrices detalladas en el apartado "Evaluación ordinaria". La calificación final se calculará según lo indicado en el apartado "Evaluación ordinaria -> Cálculo de la calificación final" cambiando la tabla de ponderación por la siguiente: