L'assignatura es centra en dues situacions de modelització estadística avançada: Estadística Bayesiana i Sèries Temporals. Es fa èmfasi en la selecció i validació dels models. Una part fonamental del curs és l'estudi de casos reals, tant per part dels professors com per part dels estudiants a les tasques programades
Professorat
Responsable
Jose Antonio Sánchez Espigares (
)
Xavier Puig Oriol (
)
Hores setmanals
Teoria
3
Problemes
0
Laboratori
0
Aprenentatge dirigit
0
Aprenentatge autònom
7
Competències
Competències Transversals
ús solvent dels recursos d'informació
CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.
Tercera llengua
CT5 - Conèixer una tercera llengua, preferentment l'anglès, amb un nivell adequat oral i escrit i en consonància amb les necessitats que tindran els titulats i titulades.
Bàsiques
CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
CB7 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, essent incomplerta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.
CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
CB9 - Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma..
CB10 - Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca.
Competències Tècniques Generals
Genèriques
CG2 - Identificar i aplicar mètodes d'anàlisi, extracció de coneixement i visualització de dades recollides en formats molt diferents
Competències Tècniques
Específiques
CE5 - Modelar, dissenyar i implementar sistemes complexos de dades, incloent-hi la visualització de dades
CE6 - Dissenyar el procés de Ciència de Dades i aplicar metodologies científiques per a obtenir conclusions sobre poblacions i prendre decisions en conseqüència, a partir de dades estructurades o no estructurades i potencialment emmagatzemades en formats heterogenis.
CE9 - Aplicar mètodes adequats per a l'anàlisi d'altres tipus de formats, com ara processos i grafs, dins l'àmbit de ciència de dades
CE10 - Identificar els mètodes d'aprenentatge automàtic i modelització estadística a utilitzar per resoldre un problema específic de ciència de dades, i aplicar-los de forma rigorosa
CE12 - Aplicar la ciència de dades en projectes multidisciplinaris per resoldre problemes en dominis nous o poc coneguts per la ciència de dades i que siguin econòmicament viables, socialment acceptables, i d'acord amb la legalitat vigent
Al final del curs l'estudiant serà capaç de proposar, estimar i validar models ARIMA per a la predicció de sèries temporals
Al final del curs l'estudiant serà capaç de millorar els models ARIMA amb tractament d'atípics, efectes de calendari i anàlisi d'intervenció
Al final del curs l'estudiant serà capaç de aplicar mètodes d'aprenentatge automàtic per a la predicció de sèries temporals (xarxes neuronals recurrents i LSTM)
Al final del curs l'estudiant serà capaç de definir models d'espai d'estat per a sèries temporals i aplicar el filtre de Kalman per resoldre diferent tipus de problemes (neteja de soroll, imputació de dades faltants, separació de components en sèries temporals estructurals)
Continguts
Anàlisi de Dades Bayesiana
1. Model Bayesià. El model estadístic. La funció de versemblança. El model Bayesià
2. Inferència Bayesiana. Estimació puntual i per interval. Test d'hipòtesi
3. Computació Bayesiana. Simulació de Markov Chain Montecarlo. Monitoritzar la convergència
4. Models jeràrquics
5. Validant i denfinint el model
Sèries Temporals
1. Metodologia Box-Jenkins (models ARIMA) per a la predicció
2. Extensions: tractament d'atípics, efectes de calendari i anàlisi d'intervenció
3. Models d'Espai d'Estat i Filtre de Kalman. Aplicacions
Activitats
ActivitatActe avaluatiu
Presentació del Tema 1 (Models Bayesians) a classe
Presentació del Tema 1 (Models Bayesians) a classe Objectius:1 Continguts:
Objectius:1 Setmana:
8 (Fora d'horari lectiu) Tipus:
examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h
Examen Final
Objectius:2 Setmana:
1 (Fora d'horari lectiu) Tipus:
examen de teoria
Teoria
3h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h
Metodologia docent
Hi ha una sessió setmanal de 3 hores. Les 2 primeres hores es dediquen a la presentació, per part del professor, dels continguts teòrics de l'assignatura. L'última hora es dedica a posar en pràctica aquests continguts: cada alumne té a classe el seu ordinador portàtil i realitza les tasques que el professor proposa.
Cada sessió finalitza amb la proposta d'una feina als alumnes que han de lliurar resolta la següent sessió.
Mètode d'avaluació
S'assignaran tasques per fer a casa. La nota de les tasques valdrà el 50% de la nota final.
Hi haurà un examen de la primera part de l'assignatura, fet a la setmana de parcials (tema 1), i un altre examen de la segona part (tema 2) fet com examen final, tots dos amb un pes del 25%.
Nota del curs = 0.5 * Nota Tasques + 0.25 * Nota Examen 1a part + 0.25 * Nota Examen 2a part