CG1 - Comunicar y transmitir la información a un público tanto especializado como no especializado.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG11 - Poner en práctica las técnicas, herramientas y metodologías propias de la Ciencia de los Datos en distintos ámbitos de aplicación.

CE3 - Describir situaciones con comportamiento aleatorio y aplicar la Ciencia de los Datos para resolver un problema real mediante los distintos pasos: identificar la información, diseñar el estudio, analizar los datos, construir un modelo adecuado, interpretar los resultados y emitir informes técnicos.
CE4 - Identificar la utilidad y el potencial de las técnicas estadísticas y de análisis de datos adquiridas en las distintas áreas de aplicación (como la documental, geográfica, actuarial, económica, financiera, biosanitaria, etc.) y utilizarlas adecuadamente para descubrir patrones de comportamiento en datos de cualquier volumen y tipología y extraer conclusiones relevantes.
CE5 - Aplicar la estimación, diagnosis, comparación y validación de modelos en diferentes problemas de inferencia y predicción sobre poblaciones de estudio.
CE6 - Aplicar técnicas estadísticas y de aprendizaje automático en el análisis de datos cualitativos y cuantitativos de cualquier volumen y tipo, tales como espaciales, de texto, imágenes, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.
CE12 - Identificar y aplicar las técnicas adecuadas de exploración, gestión, procesamiento, explotación y visualización de datos en función de su volumen y complejidad.
CE16 - Identificar y aplicar las técnicas algorítmicas básicas y avanzadas para encontrar soluciones secuenciales y paralelas a problemas, analizando la complejidad y la adecuación de los algoritmos propuestos según el tipo, la organización y el volumen de los datos.

50%

50%

2,4

3,6

5

Manejo de software estadístico.
Estar familiarizado con los conceptos básicos del análisis supervisado.

- Modelos de regresión para datos categóricos y de conteo.
- Árboles de regresión y clasificación. 
- Modelos predictivos basados en árboles de regresión y clasificación (Bagging, Random Forest, Gradient Boosting).

La nota final se calculará como el máximo entre:
a) La calificación obtenida en la prueba final.
b) La media ponderada entre la evaluación continua (60%) y la prueba final (40%).
La evaluación continua consiste en dos pruebas parciales realizadas a lo largo del cuatrimestre, con un peso del 30% cada una sobre la nota final. Para poder optar a la evaluación continua, se requiere una asistencia mínima del 80% a las sesiones de clase.
Para superar la asignatura mediante evaluación continua, es necesario obtener una calificación mínima en cada una de las tres partes evaluadas (los dos parciales y la prueba final). La asignatura no puede superarse únicamente mediante las pruebas parciales de evaluación continua.
Cualquier estudiante tiene derecho a realizar la prueba final. La prueba final tendrá un contenido adaptado según la modalidad de evaluación: quienes concurran sin evaluación continua se examinarán de la totalidad de los contenidos de la asignatura.

Alonso, J.M. & Calviño, A. (2025). Introducción a la Ciencia de Datos con R: Análisis Supervisado. García Maroto Editores.
Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J. (1984). Classification and Regression Trees. Chapman & Hall/CRC.
Hastie, T., Tibshirani, R. & Friedman, J. (2001). The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer.
James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. (2023). An Introduction to Statistical Learning with Applications in R (2ª ed.). Springer.
Kuhn, M. & Johnson, K. (2013). Applied Predictive Modeling. Springer.
Kuhn, M. & Silge, J. (2022). Tidy Modeling with R. O'Reilly.