Descripción:
Para empezar a hablar de datos, hace falta cimentar debidamente los conocimientos de probabilidad, estadística y, sobre esta base, entender los conceptos esenciales de visualización de datos. Pretendemos establecer un lenguaje común y revisar conceptos adquiridos, para asegurarlos y profundizarlos. Las sesiones de clase se completarán con trabajos y lecturas previas, así como con ejercicios de consolidación, usando como herramienta el lenguaje R.
Tipo asignatura
Primer - Obligatoria
Semestre
Primero
Curso
1
Créditos
5.00
Conocimientos previos:
Se recomienda tener conocimientos previos de probabilidad y estadística a nivel de grado, si bien, la asignatura hará una revisión completa de ambos temas para homogeneizar y fijar un vocabulario común.
Objetivos:
Los objetivos se centrarán en:
Entender las bases del análisis estadístico de datos y de los principios que lo sustentan.
Conocer las bases de estadística que permiten abordar técnicas avanzadas y conceptos de Machine Learning.
Saber usar R como herramienta para el análisis estadístico.
Entender la mejor forma de visualizar un conjunto de datos en función del tipo de datos y del destinatario de la información.
Entender la mejor forma de usar gráficas y de organizar los resultados para transmitir eficientemente el conocimiento generado por los datos.
Contenidos:
1. Presentación
2. Probabilidad
3. Estadística descriptiva
4. Test de hipótesis
5. Regresión
6. Visualización de datos
7. Data Storytelling
8. Matriz de covarianza y ANOVA
9. Análisis de Factores
10. Entropía e información
11. Bayes y sus amigos
12. Survival analysis
13. Preparación de datos
Nota: los temas pueden ajustarse y/o modificarse a criterio de la coordinación del máster.
Metodología:
La metodología utilizada combina clases magistrales, participación de los estudiantes, ejercicios y prácticas. Para el alumno, esto implicará trabajos individuales, así como ejercicios conceptuales y ejercicios escritos.
Evaluación:
Esta asignatura se evaluará de manera continuada a partir de ejercicios, trabajos, prácticas y presentaciones en clase.
Criterios evaluación:
Evaluación continua
Esta asignatura se evaluará de manera continuada a partir de ejercicios, trabajos, prácticas y presentaciones en clase.
La nota final será una ponderación de:
Un ejercicio semanal de resumen de la sesión - Individual
Un trabajo de la parte de Visualización de datos
Un trabajo de la parte de Data Storytelling
Un trabajo final
Convocatoria extraordinaria
Se determinará el examen y/o trabajos de convocatoria extraordinaria desde la coordinación de la asignatura.
Normativa de copias
La asignatura se rige por la normativa de copias general de La Salle Campus BCN:
https://www.salleurl.edu/es/normativa-de-copias
Las actividades formativas se considerarán que tienen la siguiente categoría:
Ejercicios: moderadamente significativa
Proyecto: altamente significativa
Evaluación Final: altamente significativa
Bibliografía básica:
La bibliografía se irá detallando a lo largo de la asignatura.
Apuntes de clase
Documentación y artículos subidos a la Intranet (eStudy)
Material complementario:
Todo el material de clase (presentaciones, ejercicios, artículos, documentos, etcétera) se compartirán en la carpeta de la asignatura de la Intranet de La Salle: eStudy.