Visualització de Dades i Modelització
Codi: 43482 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Modelització per a la Ciència i l'Enginyeria / Modelling for Science and Engineering | OP | 1 |
Professor/a de contacte
- Nom:
- Pedro Puig Casado
- Correu electrònic:
- pere.puig@uab.cat
Equip docent
- Maria Rosa Camps Camprubi
- Giulia Binotto
- Juan Ramon Gonzalez Ruiz
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Un coneixement elemental en Teoria de Probabilitats i en Inferència Estadística.
Objectius
Curs de R. Tots els exercicis pràctics es faran utilitzant el paquet estadístic R. Aquest curs introductòri és bàsic pels posteriors desenvolupaments.
Visualització de grans conjunts de dades amb R. GViz, Maps i Tabplot.
Simulació de dades, Boostrap i tests permutacionals. Aquestes metodologies permeten una solució ràpida per a models estadístics complexos sense un coneixement profund dels mètodes estadístics generals clàssics. Són eines indispensables entre les actuals tècniques de modelització estadística. Els estudiants completaran un programa d'entrenament bàsic, incloent el software adient, i aprendran com enfrontar-se a problemes amb dades reals.
Xarxes Bayesianes. En opinió de molts investigadors constitueixen una de les més significants contribucions de la IA en aquest segle. Es tracta d'estructures gràfiques per a representar relacions probabilístiques entre un gran nombre de variables i també per a fer inferència probabilística amb aquestes variables en un gran número de camps d'aplicació. Un dels objectius d'aquest curs és introduir-les, desenvolupant en els estudiants la habilitat de utilitzar-les en modelització, tant des d'un punt de vista teòric com pràctic, amb un particular èmfasis en la utilització d'un software apropiat.
Resultats d'aprenentatge
- CA31 (Competència) Aplicar les eines estadístiques i computacionals de modelització a problemes de l'àmbit empresarial o de la recerca.
- CA32 (Competència) Integrar els mètodes estadístics a altres eines de modelització en el context de projectes multidisciplinaris.
- CA32 (Competència) Integrar els mètodes estadístics a altres eines de modelització en el context de projectes multidisciplinaris.
- KA23 (Coneixement) Identificar els llenguatges i entorns de programació propis de l'àmbit de la modelització estadística i de la intel·ligència artificial.
- KA23 (Coneixement) Identificar els llenguatges i entorns de programació propis de l'àmbit de la modelització estadística i de la intel·ligència artificial.
- KA24 (Coneixement) Reconèixer les tècniques de xarxes bayesianes i les prestacions que ofereixen en cada àmbit de modelització concret.
- SA29 (Habilitat) Fer servir el programari específic en la resolució de problemes de modelització estadística i de tractament de dades.
- SA30 (Habilitat) Aplicar tècniques estadístiques adequades per a la construcció de models que donin resposta a problemes particulars.
- SA31 (Habilitat) Interpretar els paràmetres que conformen un model estadístic per descriure una situació concreta.
- SA32 (Habilitat) Interpretar els resultats en aplicar un model estadístic concret.
- SA33 (Habilitat) Analitzar les prediccions obtingudes en aplicar un model estadístic concret.
Continguts
Part 1a: Introducció al R (6h)
Part 2na: Visualització de grans conjunts de dades amb R (6h)
Part 3a: Xarxes Bayesianes (13h)
1) Block 1: Elements bàsics.
2) Block 2: Xarxes causals i Inferència en Xarxes Bayesianes.
3) Block 3: Aprenentatge dels paràmetres de les xarxes bayesianes.
Part 4a: Simulació de dades, Boostrap i Tests Permutacionals (13h)
1) Tests Permutacionals.
2) Jackknife.
3) Bootstrap paramètric.
4) Bootstrap no-paramètric.
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Classes magistrals | 38 | 1,52 | |
| Exercicis | 16 | 0,64 | |
| Proyectes+Treballs | 18 | 0,72 | |
| Tipus: Supervisades | |||
| Sessions pràctiques | 20 | 0,8 |
Les classes magistrals d'aquest curs, en les que és determinant l'explicació del professor, són la base del procés d'aprenentatge. És també molt important la participació dels alumnes, combinada amb sessions pràctiques en les que l'estudiant ha d'usar el coneixement aprés per a solucionar problemes.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Projectes | 50 | 20 | 0,8 | CA31, CA32, KA23, KA24, SA29, SA30, SA31, SA32, SA33 |
| Treball continuat | 50 | 38 | 1,52 | CA31, CA32, KA23, KA24, SA29, SA30, SA31, SA32, SA33 |
L'avaluació del curs consisteix en una avaluació continuada.
Hi ha 4 avaluacions durant el curs, que tenen un pes de 15.8%, 15.8%, 34.2% i 34.2% respectivament.
Cada professor comptarà amb el seu tipus propi d'avaluació.
Avaluació de la part 1: Treball continuat + projecte final (anàlisi individual de dades reals amb R).
Avaluació de la part 2: Treball continuat + projecte.
Avaluació de la part 3: Treball continuat + Lliurament d'alguns exercicis + Projecte final.
Avaluació de la part 4: Treball continuat + Lliurament d'alguns exercicis fets en sessions pràctiques.
Bibliografia
- Resampling methods: a practical guide to data Analysis. Phillip I. Good, 2006.
- The jackknife, the bootstrap and other resampling plans. Bradley Efron, 1982.
- Bootstrap methods and their application. A.C. Davison, D.V. Hinkley, 1997.
- "Learning Bayesian Networks" by R. E. Neapolitan, Prentice Hall Series in Artificial Intelligence, 2004.
- "Probabilistic Methods for Bioinformatics with an Introduction to Bayesian Networks" by R. E. Neapolitan, Elsevier, 2009.
Programari
Es farà servir el programàri R.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TEm) Teoria (màster) | 1 | Anglès | primer quadrimestre | tarda |