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.
Profesores Titulares
Profesores Docentes
Conocimiento básico de probabilidad y estadística Conocimiento básico de cálculo
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.
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
Sesión | Unidad | Temas | Actividad en clase | Deberes asignados | Fecha límite de entrega |
1 | 1. Visión general, teoría de la probabilidad | Árboles de decisión, repaso de probabilidad | x |
|
|
2 | 2. Probabilidad condicional y Teorema de Bayes | Tablas cruzadas, Teorema de Bayes, verosimilitud |
| Tarea 1 |
|
3 | 2. Probabilidad condicional y Teorema de Bayes | Matriz de confusión, árboles de probabilidad | x |
| Tarea 1 |
4 | 3. Árboles de decisión, juegos | Utilidad esperada. Juegos en forma normal, juegos en forma extensiva. | x |
|
|
5 | 3. Árboles de decisión, juegos | Información imperfecta, información perfecta |
| Tarea 2 |
|
6 | 4. Toma de decisiones multicriterio | Decisiones sin probabilidad, SMART. Análisis de sensibilidad | x |
| Tarea 2 |
7 | 5. Decisiones asistidas por ordenador | Visión general del Machine Learning. Aplicación a redes bayesianas | x |
|
|
EXAMEN PARCIAL | Examen escrito | Sesiones 1–6. Traer bolígrafo, goma y calculadora de bolsillo
| |||
8 | 6. Análisis multivariable | Optimización multivariable. Descenso del gradiente |
| Tarea 3 |
|
9 | 7. Perceptrón | El perceptrón, el aprendizaje y el invierno de la IA | x |
| Tarea 3 |
| La Salle Fest | Autoestudio, por determinar |
| Proyecto final |
|
10 | 8. Redes neuronales y aprendizaje | Redes neuronales profundas. Ajuste. Bootstrapping. | x |
|
|
11 |
| Más sobre el ajuste de redes neuronales. Aprovechamiento de grandes modelos preentrenados mediante APIs |
|
|
|
12 | 9. Aplicación de redes neuronales | Aplicaciones actuales de las redes neuronales | x |
|
|
13 | 9.2 Aplicación de redes neuronales | Aplicaciones actuales de las redes neuronales |
|
| Proyecto final |
EXAMEN FINAL | Examen oral | Preguntas sobre el Proyecto Final + teoría de las sesiones 7–12
| |||
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.
Asignaturas y métodos
Asignatura | Métodos |
1. Teoría de la probabilidad | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
2. Probabilidad condicional y Teorema de Bayes | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
3. Árboles de decisión, juegos | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
4. Toma de decisiones multicriterio | Clase magistral, resolución de problemas, trabajo en grupo |
5. Decisiones asistidas por ordenador | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
6. Análisis multivariable | Clase magistral, resolución de problemas, laboratorio informático |
7. Perceptrón | Clase magistral |
8. Redes neuronales y aprendizaje | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
9. Aplicación de redes neuronales | Clase magistral, resolución de problemas, trabajo en grupo, laboratorio informático |
Parte | Peso | Qué | Nota mínima | Importancia |
Participación | 10% | Asistencia, actitud, puntualidad, actividades en clase | - | Moderada |
Trabajo individual | 20% | Tareas 1–3 | ≥ 4/10 para aprobar | Moderada |
Estudio de caso | 20% | Proyecto final, individual o en grupos | ≥ 4/10 para aprobar | Alta |
Examen parcial | 25% | Prueba escrita | ≥ 4/10 para aprobar | Alta |
Examen final | 25% | Examen oral | ≥ 4/10 para aprobar | Alta |
Política de recuperación
No hay examen de recuperación en esta asignatura.
--
"Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.
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/