Titulació | Tipus | Curs | Semestre |
---|---|---|---|
4313136 Modelització per a la Ciència i l'Enginyeria / Modelling for Science and Engineering | OT | 0 | 2 |
Els estudiants haurien de tenir coneixements bàsics d'àlgebra lineal, inferència estadística, i models lineals.
L'experiència prèvia amb R i Python és recomanable.
Mineria de Textos
Estadística
Alternativament, es podrien tratar els següents tópics:
Processesos Gaussians i aprenentatge automátic.
Anàlisi de dades funcionals.
Deep Learning
Veure la versió de la guia en anglés.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Clases de Teoria | 38 | 1,52 | 2, 5 |
Excercicis ( problemes i ordinador) | 36 | 1,44 | 1, 8 |
Tipus: Autònomes | |||
Estudi autònom | 20 | 0,8 | 5 |
Homework | 44 | 1,76 | 1, 2, 4, 5, 6, 8 |
Homework: Presentació escrita dels exercicis proposats.
Projecte final: Els estudiants haurán de desenvolupar un projecte segons les indicacions publicades al Campus Virtual.
Les dates previstes seran anunciadesd durant el curs i seràn estrictes.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Deep Learning | 0,25 | 3 | 0,12 | 1, 2, 4, 5, 6, 8 |
Homework Estadística Part A | 0,25 | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7 |
Homework Estadística Part B | 0.25 | 3 | 0,12 | 1, 2, 4, 5, 6, 7, 8 |
Homework Text Mining | 0,25 | 3 | 0,12 | 1, 2, 4, 6, 8 |
Referencies básiques
B. Efron, T. Hastie, Computer Age Statistical Inference, Cambridge University Press (2016) (5th Ed 2017) https://web.stanford.edu/~hastie/CASI/index.html
G. James, D. Witten, T. Hastie and R. Tibshirani, An Introduction to Statistical Learning (with applications in R). Springer, 2013.
D. Skillicorn, “Understanding Complex Data. Data Mining with Matrix Decomposition”. Chapman&Hall, 2007.
Referéncies Complementàries
B. Everitt and T. Hothorn, “An introduction to Applied Multivariate Analysis with R”. Springer, 2011.
(B. Everitt, “An R and S+ Companion to Multivariate Analysis”, Springer, 2005).
J. Faraway, “ Extending de Linear Model with R”, Chapman & Hall, Miami, 2006.
J. Faraway, “Linear Models with R”, Chapman & Hall, Boca Raton, 2005.
W. Härdle and L. Simar, “Applied Multivariate Statistical Analysis”. Springer. 2007.
B. Ripley, “Pattern Recognition and Neural Networks”. Cambridge University Press, 2002.
L. Torgo. “Data Mining with R. Learning with Case Studies”. Chapman & Hall, Miami. 2010
W Venables, B Ripley, “Modern Applied Statisticswith S-PLUS”, Springer, New York.
Collins FS and Varmus H, “A new initiative on precision medicine”. N Engl J Med. 2015 Feb 26;372(9):793-5 .
Jensen A.B. et al, “Temporal disease trajectories condensed from population-wide registry data covering 6.2 million patients”. Nat Commun 2014 Jun 24; 5:4022.
J.D. Jobson, “Applied Multivariate Analysis”. Vol I i II. Springer, 1992.
R. Johnson and D.W. Wichern, “Applied Multivariate Statistical Analysis”. Pearson Education International, 2007.
P.Y.Lum et al., “Extracting insights from the shape of complex data using topology". Sci. Rep. 3, 1236; DOI:10.1038/srep01236 (2013).
A. Rencher, “Methods of Multivariate Analysis”. Wiley Series in Probability and Mathematical Statistics, 2002.
G. Singh, F. Mémoli, G. Carlsson, “Topological methods for the analysis of High dimensional data sets and 3D object recognition”. Eurographic Symp. on Point-Based Graphics, 2007
Journal of Statistical Software, http://www.jstatsoft.org/
Dealing with Data (2011) Special Issue. Science 11 February 2011:692-789
P. Kokoszka, M. Reimherr, Introduction to Functional Data Analysis. CRC Press.(2017).
Ramsay, J. , B. W. Silverman,Functional Data Analysis Springer (2nd Ed. 2005).
R Core Team (2021). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.
Python