Anàlisi Multivariant

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

Professorat

Responsable

• Dante Conti ( )
• Karina Gibert Oliveras ( )
• Sergi Ramirez Mitjans ( )

Altres

• Ariel Duarte López ( )
• David Rodriguez Segado ( )

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

Continguts

1. Introducció a l'Anàlisi de Dades Multivariada
   Avantatges del tractament multivariant. Exemples de dades multivariades. Mètodes probables i lliures de distribució. Enfocament exploratori versus modelatge.
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. Descomposició en valores singulars
   Mètode per explorar i visualitzar files i columnes d'una taula mitjançant descomposició en valors singulars
4. Anàlisi Factorial
   Mètode de reducció de dimensions.
5. Escalament Multidimensional
   Aquest mètode tracta amb dades relatives a distancies entre els elements. Normalment, a partir de dades procedents de distancies o similituds. El mètode posa de manifest una estructura comuna de tots els elements i l'especificitat de cada un d'ells, evidenciant què fa que siguin a prop o distants.
6. Clustering Jeràrquic i de Particions
   Dos enfocaments per agrupar mètodes utilitzats per classificar les observacions, dins d'un conjunt de dades, en múltiples grups en funció de la seva semblança.
7. Mètodes de profiling automàtic
   Els mètodes de profiling ajuden a entendre les característiques comunes dels clusters.
8. Distribució normal multivariant
   Particularitats de la distribució normal en el cas general de plantejaments multivariants, on els punts es distribueixen en varies dimensions.
9. Anàlisi Discriminant
   L'anàlisi discriminant (DA) i Naïve Bayes (NB) són mètodes de classificació. DA classifica les observacions en grups no superposats, basant-se en les puntuacions d'una o més variables predictores quantitatives. NB és un algorisme d'aprenentatge senzill que utilitza la regla de Bayes juntament amb una suposició ferma que els atributs són independents condicionalment, donada la classe.
10. Arbres de classificació i regressió
    Aquest mètode pot predir o classificar. Explica com es poden predir o classificar els valors d'una variable de resultat en funció d'altres valors. Té una estructura gràfica molt útil.
11. 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:

• The Elements of statistical learning : data mining, inference, and prediction - Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome, Springer, cop. 2009. ISBN: 9780387848570
  http://cataleg.upc.edu/record=b1343839~S1*cat
• 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
• Discovering knowledge in data : an introduction to data mining - Larose, Daniel T, John Wiley & Sons,, 2014. ISBN: 9781118874059
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991001810009706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• 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
• An R and S-PLUS companion to multivariate analysis - Everitt, Brian, Springer , 2005. ISBN: 1852338822
  http://cataleg.upc.edu/record=b1275865~S1*cat
• Aprender de los datos : el análisis de componentes principales : una aproximación desde el Data Mining - Aluja Banet, Tomàs; Morineau, Alain, EUB , 1999. ISBN: 8483120224
  http://cataleg.upc.edu/record=b1153963~S1*cat
• Construction and assessment of classification rules - Hand, D. J, Wiley , cop. 1997. ISBN: 0471965839
  http://cataleg.upc.edu/record=b1156230~S1*cat
• Multivariate descriptive statistical analysis : correspondence analysis and related techniques for large matrices - Lebart, Ludovic; Morineau, Alain; Warwick, Kenneth M, John Wiley and Sons , cop. 1984. ISBN: 0471867438
  http://cataleg.upc.edu/record=b1004061~S1*cat

Web links

• Homepage of R https://cran.r-project.org/
• Rstudio homepage https://rstudio.com/

Capacitats prèvies