Ciencia de los Datos Aplicada
Grado y Doble Grado. Curso 2026/2027.
APRENDIZAJE SUPERVISADO III - 806319
Curso Académico 2026-27
Datos Generales
- Plan de estudios: 081C - GRADO EN CIENCIA DE LOS DATOS APLICADA (2022-23)
- Carácter: Obligatoria
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
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.
Específicas
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.
CE10 - Diseñar, programar e implantar aplicaciones de análisis y Ciencia de los Datos.
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.
ACTIVIDADES DOCENTES
Clases teóricas
Clases prácticas
Presenciales
No presenciales
Semestre
Objetivos
Este curso se centra en técnicas avanzadas de aprendizaje supervisado, proporcionando conocimientos teóricos y prácticos sobre varios algoritmos y procesos utilizados en la definición y aplicación de modelos. A lo largo del curso, se profundizará en los siguientes temas, todos ellos desarrollados para problemas de clasificación y de regresión: Support Vector Machines, Algoritmo del Vecino Más Próximo (k-NN), ensamblado de modelos y la puesta en producción de modelos, incluyendo la creación de aplicaciones.
Contenido
1. Algoritmo del Vecino Más Próximo (k-NN)
- Introducción al algoritmo k-NN: concepto y principios fundamentales
del k-NN; elección del valor de k y su impacto en el modelo.
- Distancias y métricas: diferentes métricas de distancia; impacto de la
normalización de datos en k-NN.
- Aplicaciones de k-NN: ejemplos prácticos en clasificación y regresión;
ventajas y limitaciones del algoritmo k-NN.
- Implementación y optimización: parámetros de ajuste y validación
cruzada; implementación práctica en Python.
2. Support Vector Machines (SVM)
- Introducción a SVM: conceptos básicos y geometría del SVM; SVM para
clasificación y regresión.
- Teoría del margen máximo: Hiperplanos y márgenes en un espacio de
características, maximización del margen para mejorar la generalización.
- Kernels en SVM: funciones kernel y su importancia en la transformación
de datos; tipos de kernels.
- Implementación y optimización: parámetros de ajuste y validación
cruzada; implementación práctica en Python.
3. Ensamblado de Modelos
- Conceptos básicos: ventajas del ensamblado de modelos; métodos de
ensamblado con distintos modelos base.
- Implementación y optimización: parámetros de ajuste y validación
cruzada; implementación práctica en Python.
4. Puesta en Producción de Modelos
- Ciclo de vida de Machine Learning
- Infraestructura y Herramientas
- Monitorización y Mantenimiento
- Creación de Aplicaciones
Evaluación
La nota final tendrá en cuenta tanto la evaluación continua como el examen final, y se calculará como el máximo entre:
a) Calificación del examen final
b) La media ponderada de la evaluación continua y el examen final, siendo el peso de la evaluación continua de al menos el 35% y como máximo del 50%.
En todo caso, el/la alumno/a no tiene la opción de superar la asignatura por evaluación continua.
Bibliografía
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.
Estructura
| Módulos | Materias |
|---|---|
| No existen datos de módulos o materias para esta asignatura. | |
Grupos
| Clases Teóricas y/o Prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo Único | 25/01/2027 - 13/05/2027 | VIERNES 11:00 - 13:00 | - | INMACULADA GUTIERREZ GARCIA-PARDO |
| Actividades Prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo Único | 25/01/2027 - 13/05/2027 | MARTES 13:00 - 15:00 | - | INMACULADA GUTIERREZ GARCIA-PARDO |