OBJETIVOS              

• Introducción a los conceptos básicos sobre la Estadística.
• Introducción a los conceptos básicos sobre Big Data y Data Science.
• Presentar las herramientas más importantes en el ámbito del Data Science y Big Data.      ·

PALABRAS CLAVE

Estadística, Data Mining, Big Data, Data Science

OBJETIVOS              

• Introducción y operativa básica con R.
• Trabajar con los distintos tipos de objetos en R.
• Realizar consultas.
• Utilizar las funciones incorporadas en R y definir funciones propias.
• Programación de sentencias condicionales y bucles.
• Realizar una estadística descriptiva de nuestros datos a partir de las funciones apply y de la generación de gráficos.      

PALABRAS CLAVE  

R, librerías, funciones, vectores, matrices, listas, factores, dataframes, estructuras de control

OBJETIVOS

• Conocer los principios básicos del diseño experimental.
• Construir modelos de regresión y clasificación a partir del Modelo Lineal General y el Modelo Lineal Generalizado.
• Contrastar e interpretar los parámetros del modelo.
• Utilizar procedimientos fordward, backward y stepwise de selección de variables.
• Evaluar y comparar modelos de cara a la selección del más adecuado.

PALABRAS CLAVE              

Contraste de hipótesis, diseño experimental, Modelo Lineal General, Modelo Lineal Generalizado, residuos de la Devianza, residuos de Pearson, coeficiente de determinación

OBJETIVOS              

• Reducir la dimensionalidad de un conjunto de variables cuantitativas a partir del Análisis de Componentes Principales.
• Estudio de los factores comunes y específicos de un conjunto de variables cuantitativas a partir del Análisis Factorial.
• Reducir la dimensionalidad y estudiar las asociaciones entre los atributos de un conjunto de variables cualitativas a través del Análisis de Correspondencias.

PALABRAS CLAVE

Factor, componente principal, inercia, comunalidad, rotación de los factores, dimensiones, puntos fila, puntos columna

OBJETIVOS              

• Manejar las distintas medidas de distancia/proximidad, aplicadas tanto a individuos como a variables, de cara a su utilización posterior para el agrupamiento (Análisis Clúster) y la reducción de la dimensionalidad (Escalamiento Multidimensional).
• Construir reglas de clasificación a través del Análisis Discriminante.
• Reducir la dimensionalidad y analizar las relaciones existentes entre dos conjuntos de variables a través del Análisis de Correlación Canónica.

PALABRAS CLAVE

Similaridad / disimilaridad, proximidad / distancia, función discriminante de Fisher, tabla de clasificación, dendograma, agrupación jerárquica / no jerárquica, reducción de la dimensionalidad, correlación canónica

OBJETIVOS

• Validar modelos de Data Mining a través de la definición de muestras (entrenamiento, validación y test) o validación cruzada.
• Construir modelos de regresión y clasificación a través de Árboles de Decisión.
• Construir modelos de regresión y clasificación a través de Redes Neuronales Artificiales.

PALABRAS CLAVE

Árbol de decisión, ramas, nodos, poda, red neuronal, neuronas, capa oculta, pesos sinápticos, función de activación, tasa de aprendizaje, momento, perceptrón multicapa, función de base radial, análisis de sensibilidad

OBJETIVOS

• Definir las etapas a llevar a cabo en un proceso de Data Science.
• Definir las operaciones más importantes de la exploración y el preprocesado de los datos.
• Exponer una relación de métodos de imputación de datos ausentes.
• Señalar algunas transformaciones útiles de la base de datos.
• Recalcar la importancia de la reducción de la dimensionalidad y algunas de las técnicas más utilizadas.               

PALABRAS CLAVE

Integración, limpieza y transformación de la información, tipos de datos faltantes: MAR, MCAR, MNAR, valor extremo u outlier, balanceo de muestras, selección de variables: métodos Filter y Wrapper