Anàlisi Multivariant

• Professorat
• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Web links
• Capacitats prèvies

Professorat

Responsable

• Nihan Acar Denizli ( )

Altres

• Belchin Adriyanov Kostov ( )

Hores setmanals

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.

Emprenedoria i innovació

• CT1 - Conèixer i comprendre l'organització d'una empresa i les ciències que regeixen la seva activitat; tenir capacitat per entendre les normes laborals i les relacions entre la planificació, les estratègies industrials i comercials, la qualitat i el benefici. Conèixer i entendre els mecanismes en què es basa la recerca científica, així com els mecanismes i instruments de transferència de resultats entre els diferents agents socioeconòmics implicats en els processos d'I+D+i.

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
• CG3 - Definir, dissenyar i implementar sistemes complexos que cobreixin totes les fases en projectes de ciència de dades

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.
• CE7 - Identificar les limitacions imposades per la qualitat de dades en un problema de ciència de dades i aplicar tècniques per a disminuir el seu impacte
• CE8 - Extreure informació de dades estructurades i no estructurades, tenint en compte la naturalesa multivariant de les mateixes.
• 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
• CE11 - Analitzar i extreure coneixement d'informació no estructurada mitjançant tècniques de processament de llenguatge natural, mineria de textos i imatges
• 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
• CE13 - Identificar les principals amenaces en l'àmbit de l'ètica i la privacitat de dades en un projecte de ciència de dades (tant en l'aspecte de gestió com d'anàlisi de dades) i desenvolupar i implantar mesures adequades per esmorteïr aquestes amenaces.

Objectius

1. Visualització de les dades
   Competències relacionades: CT4, CT5, CT1, CG2, CE5, CB8,
2. Descripció multivariant de les dades
   Competències relacionades: CT4, CE7, CE8, CE12, CE13, CB7, CB9, CB10,
3. Mètodes de reducció de dimensions
   Competències relacionades: CT4, CT5, CG2, CE5, CE6, CE11, CE8, CE10, CB6, CB8, CB9, CB10,
4. Inferencia multivariada
   Competències relacionades: CT1, CG2, CG3, CE6, CE11, CE8, CE9, CE10, CB6, CB7, CB9,
5. Classificació de nous individus
   Competències relacionades: CT1, CG3, CE6, CE10, CB6, CB7,

Continguts

1. Introducció a l'Anàlisi de Dades Multivariada
   Preprocessament i visualització de dades multivariants.
2. Anàlisi de components principals
   Anàlisi d'individus. Anàlisi de variables. Representació visual de la informació. Reducció de dimensionalitat. Informació suplementària. Descomposició en valors singulars.
3. Escalament Multidimensional
   Reducció de la dimensió basada en matrius de similitud o distància amb aplicacions.
4. Anàlisi de Correspondències
   Reducció de dimensions de dues variables categòriques i visualització de relacions entre categories.
5. Anàlisi de Correspondències Multiple
   L'anàlisi i visualització de relacions entre categories de més de dues variables categòriques mitjançant reducció de dimensió.
6. Anàlisi de Cluster
   L'ús de mètodes de clustering jeràrquics i no jeràrquics per classificar les observacions en grups basats en dades multivariants.
7. Mètodes de profiling
   Els mètodes de profiling ajuden a entendre les característiques comunes dels clusters.
8. Distribució normal multivariant
   La funció de densitat de probabilitat de distribució normal multivariada i proves d'hipòtesi de mitjana per a dades multivariades.
9. Anàlisi Discriminant
   Classificació d'observacions en grups donats mitjançant l'ús d'anàlisi discriminant lineal, anàlisi discriminant quadràtic i mètodes Naive Bayes.
10. Regles d'associació
    Trobar patrons, associacions, correlacions o estructures causals freqüents entre conjunts d'elements o objectes en bases de dades de transaccions, bases de dades relacionals i altres repositoris d'informació.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Applied multivariate statistical analysis - Johnson, Richard A.; Wichern, Dean W, Pearson Education Limited, [2014]. ISBN: 9781292024943
  http://cataleg.upc.edu/record=b1520493~S1*cat
• Exploratory multivariate analysis by example using R - Husson, François; Lê, Sébastien; Pagès, Jérôme, CRC Press, Taylor & Francis Group, 2017. ISBN: 9781315301860
  http://cataleg.upc.edu/record=b1496325~S1*cat
• Multivariate statistical methods : a primer - Manly, Bryan F. J, CRC Press, Taylor & Francis Group, [2017]. ISBN: 9781498728966
  http://cataleg.upc.edu/record=b1521931~S1*cat

Complementaria:

• Análisis de datos multivariantes - Peña, Daniel, McGraw-Hill/Interamericana de España, S.L , [2010]. ISBN: 9788448136109
  http://cataleg.upc.edu/record=b1222351~S1*cat

Web links

• Homepage of R https://cran.r-project.org/
• R for Data Science (2e) https://r4ds.hadley.nz/
• R Cookbook https://rc2e.com/
• Rstudio homepage https://rstudio.com/

Capacitats prèvies