Grado en Business Intelligence y Data Analytics

Lidera la transformación de las empresas mediante el uso y el análisis de datos.

Métodos de toma de decisiones

Volver al plan de estudios

Descripción
Se ofrece un curso sobre métodos cuantitativos en una amplia variedad de disciplinas, desde las ciencias sociales a la empresa, pasando por las ciencias naturales. Los mismos métodos estadísticos se aplican en todas las disciplinas. Por lo tanto, no debería sorprender que las herramientas que aprenderá a utilizar en este curso le beneficien en sus futuros cursos y carreras, independientemente de si su interés profesional son las finanzas, la contabilidad, la estrategia, la gestión o el marketing. En este curso aprenderá muchos métodos interesantes para tomar decisiones saludables como directivos del futuro. La primera parte de este curso se centra en los principios de la toma de decisiones racional apoyada en la teoría de la probabilidad. La segunda parte amplía estas técnicas a la toma de decisiones asistida por ordenador, en particular el método de aprendizaje automático (Machine Learning, ML) mediante el uso de redes neuronales (Neural Networks, NN). De este modo, se proporciona al alumno una de las principales herramientas del anterior paradigma de toma de decisiones sobre Big data. Se requerirán conocimientos básicos de programación, ya que la segunda parte del curso tiene como objetivo aplicar técnicas de ML en entorno Python.
Tipo asignatura
Tercer - Obligatoria
Semestre
Segundo
Curso
2
Créditos
4.00

Profesores Titulares

Karl Erik Jonas Viklund
Profesor/a
Conocimientos previos

Conocimiento básico de probabilidad y estadística
Conocimiento básico de cálculo

Objetivos

Los Resultados de Aprendizaje de esta asignatura son:
LO.01 - Conocer la terminología, notación y métodos de la investigación cuantitativa, concretamente los relacionados con la inferencia.
LO.02 - Ser capaz de analizar y resumir la información de las clases magistrales y de los materiales proporcionados por el profesor.
LO.03 - Comprender y ser capaz de implementar algoritmos de ML en Python.

Contenidos

Éstos son los temas que se tratarán durante el curso:
Primera parte
1.- Repaso de la probabilidad
2.- Probabilidad condicional y Teorema de Bayes
3.- Árboles de Decisión
4.- Decisión Multicriterio
Segunda parte
4.- Análisis de funciones multivariables
5.- Perceptrones
6.- Redes neuronales

Metodología

La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. Las sesiones de programación se destinarán a la resolución de problemas y al proyecto final.

Evaluación

La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. La evaluación continua tiene la siguiente estructura de evaluación:

Examen parcial - 30%: Exposición, resolución
Proyecto final - 30%: Declaración, resolución y presentación
Calificación de las tareas individuales - 30%: 3 deberes
Asistencia, participación y trabajo en clase - 10%: Entregables de clase

Para incorporar el caso práctico y las calificaciones grupales al esquema de evaluación, la media de la calificación de los trabajos individuales deberá ser igual o superior a 4.
La evaluación del caso práctico será la siguiente:
1. Exposición: originalidad y grado de aplicación (10%)
2. Resolución del ejercicio: (60%) - 20% cada parte.
3. Conclusiones (10%)
4. Explicación de los casos (20%)

POLÍTICA DE RECUPERACIÓN: El examen de recuperación será acumulativo y la nota del examen de recuperación contará como la nota del libro de calificaciones. La nota máxima para aprobar la asignatura en la recuperación es de 6,0. Los trabajos individuales, de grupo y los casos prácticos deberán ser subidos al campus virtual antes de la recuperación.

Criterios evaluación
Bibliografía básica

"Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.

Material complementario

El libro de texto recomendado es:
1) "Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.

Por suerte, las referencias más importantes para el aprendizaje automático están 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.

Para una exposición más formal del tema y perspectivas sobre técnicas avanzadas de ML:
4) "Deep Learning" I. Goodfellow, Y. Bengio, A Courville
https://www.deeplearningbook.org/