Guía docente de Ciencia de Datos (MD1/56/3/3)

En esta asignatura se conocerán los métodos básicos para extraer información de los datos, comenzando por la etapa de preprocesamiento de datos, donde se estudiará la discretización de datos, el tratamiento de datos perdidos y la reducción de la dimensionalidad. Continuaremos estudiando las técnicas para identificar las principales características de un conjunto de datos mediante el análisis exploratorio de datos o analítica descriptiva introduciendo las herramientas básicas de visualización y la estadística descriptiva. En un siguiente bloque se estudian técnicas básicas utilizadas en el aprendizaje automático o Machine Learning, entre otras: análisis de grupos, clasificación y regresión.

• Analiza datos y extrae información relevante de los mismos
• Implementación de sistemas de gestión y explotación de datos
• Interpretar la información y aplicar el conocimiento de forma crítica
• Aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento
   

Teoría:

1. Introducción a la Ciencia de Datos
2. Fundamentos Machine Learning: Aprendizaje Supervisado y No Supervisado
3. Aprendizaje Supervisado: Clasificación
4. Aprendizaje Supervisado: Regresión
5. Aprendizaje No Supervisado: Reglas de Asociación
6. Aprendizaje No Supervisado: Clustering

Supuestos prácticos:

1. Clasificación
2. Regresión
3. No supervisado: Reglas de Asociación y Clustering

• Acito, F. (2023). Predictive analytics with KNIME. Analytics for citizen data scientists, Switzerland: Springer. ISBN: 978-3-031-45629-9, 978-3-031-45630-5
• Alpaydin, E. (2020). Introduction to Machine Learning (4ª Edición). The MIT Press. ISBN: 0262028182, 9780262028189
• Alpaydin, E. (2016). Machine Learning: The New AI. MIT Press. ISBN: 9780262529518
• Geng, Y., Li, Q., Yang, G., Qiu, W. (2024). Practical Machine Learning Illustrated with KNIME. Singapur: Springer Nature Singapore
• Geron, A. (2019). Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2ª Edición). O'Reilly Media, Inc, USA. ISBN 1492032646
• Grolemund, G., Wickham, H. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media, Inc, USA. ISBN 1491910399
• Han, J., Kamber, M., Pei, J. (2011). Data Mining: Concepts and Techniques. San Francisco, CA, USA: Morgan Kaufmann Publishers. ISBN: 0123814790, 9780123814791
• Heesen, B. (2024). Artificial Intelligence and Machine Learning with R: Applications in the Field of Business Analytics. Alemania: Springer Fachmedien Wiesbaden
• Shalev-Shwartz, S., Ben-David, S. (2014). Understanding machine learning: from theory to algorithms. ISBN: 9781107057135 1107057132
• Triguero, I., & Galar, M. (2023). Large-Scale Data Analytics with Python and Spark: A Hands-on Guide to Implementing Machine Learning Solutions. Cambridge University Press
• Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2017). Data mining: practical machine learning tools and techniques. Amsterdam; London: Morgan Kaufmann. ISBN: 9780128042915 0128042915

• https://www.knime.com/
• https://campusvirtual.unia.es/

• MD01 Clases magistrales, impartición de seminarios y exposiciones multimedia.
• MD02 Clases de ejercicios y resolución de casos prácticos, estudios de caso y discusión de trabajos y artículos.
• MD03 Supervisión de trabajos.
• MD05 Estudio personal del estudiante.

Metodología:

SE1. Participación activa en el desarrollo de la materia, presencialmente y/o mediante teledocencia (Blackboard) y Campus Virtual (Moodle) (uso del chat, foros, e-mail, etc.).
SE2. Pruebas escritas presenciales de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura.
SE3. Pruebas mediante el uso del Campus Virtual o vía telepresencial de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura.
SE4. Elaboración y/o presentación oral (telepresencial) o escrita de trabajos, informes o proyectos de la asignatura.

La ponderación de las notas es:

• Pruebas mediante el uso del Campus Virtual o vía telepresencial de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura:    50%
• Elaboración y/o presentación oral (telepresencial) o escrita de trabajos, informes o proyectos de la asignatura:    40%
• Participación activa en el desarrollo de la materia:    10%

Para obtener el aprobado de la asignatura, los estudiantes han de completar satisfactoriamente las actividades obligatorias en los plazos dispuestos y superar las pruebas realizadas con una nota igual o superior a un 5. Las actividades serán evaluadas por parte los docentes del curso, otorgando una calificación y una retroalimentación de mejora.

Le evaluación será igual que en la convocatoria ordinaria.

Metodología:

SE2. Pruebas escritas presenciales de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura.
SE3. Pruebas mediante el uso del Campus Virtual o vía telepresencial de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura.
SE4. Elaboración y/o presentación oral (telepresencial) o escrita de trabajos, informes o proyectos de la asignatura.

La ponderación de las notas es:

• Pruebas mediante el uso del Campus Virtual o vía telepresencial de resolución de ejercicios teórico-prácticos, cuestionarios, test de evaluación y/o comentarios sobre los contenidos de la asignatura:    50%
• Elaboración y/o presentación oral (telepresencial) o escrita de trabajos, informes o proyectos de la asignatura:    50%

Para obtener el aprobado de la asignatura, los estudiantes han de completar satisfactoriamente las actividades obligatorias en los plazos dispuestos y superar las pruebas realizadas con una nota igual o superior a un 5. Las actividades serán evaluadas por parte los docentes del curso, otorgando una calificación y una retroalimentación de mejora.

• En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendacionesia# contenido0
• Con el fin de garantizar la originalidad y la autoría de los entregables de evaluación, y en el ejercicio de la discrecionalidad técnica del profesorado, el equipo docente se reserva el derecho de convocar a cualquier estudiante a una prueba oral complementaria de verificación tras la realización de cualquier prueba de evaluación (exámenes oficiales o pruebas de evaluación continua). Esta medida de control se activará siempre que existan indicios fundados (tales como discordancias severas con el rendimiento habitual, sospecha de uso de dispositivos no autorizados, o patrones de redacción y resolución idénticos a los generados por Inteligencia Artificial de forma no permitida) que hagan dudar de la autoría autónoma del entregable por parte del estudiante. En dicha sesión de verificación, el/la estudiante deberá justificar los procesos lógicos, desarrollos teóricos, códigos o argumentos plasmados en su examen. La negativa injustificada a comparecer a dicha citación, o la incapacidad manifiesta para refrendar el contenido de su propio examen/trabajo ante el profesorado, conllevará la anulación automática del ejercicio y la calificación de Suspenso (0) en la convocatoria oficial correspondiente, sin perjuicio de las responsabilidades disciplinarias en las que se pudiera incurrir de acuerdo con la Normativa de Evaluación de los Estudiantes y el Régimen Disciplinario de la Universidad.