Titulación | Tipo | Curso | Semestre |
---|---|---|---|
4313136 Modelización para la Ciencia y la Ingeniería / Modelling for Science and Engineering | OT | 0 | 2 |
Los estdiantes deberían tener conocimientos básicos de álgebra lineal, inferencia estadística, y modelos lineales.
La experiencia previa con R y Python es recomendable.
Minería de Textos
Estadística
Alternativa
Deep Learning
Keras and Tensorflow.
Ver la versión de la guía en inglés.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases teóricas | 38 | 1,52 | 2, 5 |
Ejercicios (problemas y programación) | 36 | 1,44 | 1, 8 |
Tipo: Autónomas | |||
Estudio autónomo | 20 | 0,8 | 5 |
Homework | 44 | 1,76 | 1, 2, 4, 5, 6, 8 |
La evaluación constará de ejercicios propuestos a lo largo del curso sobre los diferentes tópicos ( 60% de la nota) y
Un proyecto de análisis de datos según las instrucciones publicadas en el Campus Virtual.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Deep Learning | 0.25 | 3 | 0,12 | 1, 2, 4, 5, 6, 8 |
Homework Estadística Part B | 0.25 | 3 | 0,12 | 1, 2, 4, 5, 6, 7, 8 |
Homework Estadística Parte A | 0.25 | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7 |
Homework Text Mining | 0.25 | 3 | 0,12 | 1, 2, 4, 6, 8 |
Basic references
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.
Complementary references
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