Grau en Business Intelligence i Data Analytics

Lidera la transformació de les empreses mitjançant l'ús i l'anàlisi de dades.

Mètodes de presa de decisions

Descripció
S'ofereix un curs sobre mètodes quantitatius en una àmplia varietat de disciplines, des de les ciències socials a l'empresa, passant per les ciències naturals. Els mateixos mètodes estadístics s'apliquen en totes les disciplines. Per tant, no hauria de sorprendre que les eines que aprendrà a utilitzar en aquest curs li beneficiïn en els seus futurs cursos i carreres, independentment de si el seu interès professional són les finances, la comptabilitat, l'estratègia, la gestió o el màrqueting. En aquest curs aprendrà molts mètodes interessants per a prendre decisions saludables com a directius del futur. La primera part d'aquest curs se centra en els principis de la presa de decisions racional recolzada en la teoria de la probabilitat. La segona part amplia aquestes tècniques a la presa de decisions assistida per ordinador, en particular el mètode d'aprenentatge automàtic (Machine Learning, ML) mitjançant l'ús de xarxes neuronals (Neural Networks, NN). D'aquesta manera, es proporciona a l'alumne una de les principals eines de l'anterior paradigma de presa de decisions sobre Big data. Es requeriran coneixements bàsics de programació, ja que la segona part del curs té com a objectiu aplicar tècniques de ML en entorn Python.
Tipus assignatura
Tercer - Obligatoria
Semestre
Segon
Curs
2
Crèdits
4.00

Professors Titulars

Coneixements previs

Coneixements bàsics d'estadística i probabilitat.
Coneixements bàsics de càlcul.

Objectius

Els Resultats d'Aprenentatge d'aquesta assignatura són:
EL.01 - Conèixer la terminologia, notació i mètodes de la recerca quantitativa, concretament els relacionats amb la inferència.
EL.02 - Ser capaç d'analitzar i resumir la informació de les classes magistrals i dels materials proporcionats pel professor.
EL.03 - Comprendre i ser capaç d'implementar algorismes de ML en Python.

Continguts

Aquests són els temes que es tractaran durant el curs:
Primera part
1. Repàs de la probabilitat
2. Probabilitat condicional i Teorema de Bayes
3. Arbres de Decisió
4. Decisió Multicriteri
Segona part
5. Anàlisi de funcions multivariables
6. Perceptrons
7. Xarxes neuronals

Metodologia

L'ensenyament setmanal consistirà en una sessió lectiva per explicar els conceptes bàsics i la resolució de problemes en grup a classe per aplicar els coneixements a situacions pràctiques. Les sessions de programació es destinaran a la resolució de problemes i al projecte final.

Avaluació

L'avaluació contínua té la següent estructura d'avaluació:

Examen parcial - 30%: Exposició, resolució
Projecte final - 30%: Declaració, resolució i presentació
Qualificació de les tasques individuals - 30%: 3 deures
Assistència, participació i treball a classe - 10%: Lliurables de classe

Per incorporar el cas pràctic i les qualificacions grupals a l'esquema d'avaluació, la mitjana de la qualificació dels treballs individuals haurà de ser igual o superior a 4.
L'avaluació del cas pràctic serà la següent:
1. Exposició: originalitat i grau d'aplicació (10%)
2. Resolució de l'exercici: (60%) - 20% cada part.
3. Conclusions (10%)
4. Explicació dels casos (20%)

POLÍTICA DE RECUPERACIÓ: L'examen de recuperació serà acumulatiu i la nota de l'examen de recuperació comptarà com la nota del llibre de qualificacions. La nota màxima per a aprovar l'assignatura en la recuperació és de 6,0. Els treballs individuals, de grup i els casos pràctics hauran de ser pujats al campus virtual abans de la recuperació.

Criteris avaluació
Bibliografia bàsica

El llibre recomanat és:
1) "Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.

Per sort, les referències més importants per a l'aprenentatge automàtic estan disponibles online.
2) "Neural networks and deep learning". Michael Nielsen, available

3) "Practical Deep Learning for Coders - Practical Deep Learning (fast.ai)", J. Howard, S. Gugger.

Per a una exposició més formal del tema i perspectives sobre tècniques avançades de ML:
4) "Deep Learning" I. Goodfellow, Y. Bengio, A Courville
https://www.deeplearningbook.org/

Material complementari