Anàlisi Multivariant

Esteu aquí

Inici » Estudis » Màsters » Màster en Innovació i Recerca en Informàtica » Pla d'estudis » Assignatures » Anàlisi Multivariant
Crèdits
6
Tipus
Obligatòria d'especialitat (Ciència de les Dades)
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
EIO
L'objectiu del curs és proporcionar els conceptes estadístics de l'anàlisi de dades multivariants i les seves tècniques bàsiques, que constitueixen un dels pilars fonamentals de la Mineria de Dades.

Hores setmanals

Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0.15
Aprenentatge autònom
7.39

Objectius

  1. Descripció multivariant de les dades
    Competències relacionades: CG1, CG3, CEC1, CEC2, CTR4, CTR6,
  2. Visualització de les dades
    Competències relacionades: CG3, CTR4,
  3. Inferencia multivariada
    Competències relacionades: CG3, CEC1, CEC2, CTR6,
  4. Classificació de nous individus
    Competències relacionades: CG1, CG3, CEC1, CEC2, CTR6,

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.
  3. Anàlisi de Correspondències
    L'anàlisi de correspondència, també anomenada mitjana recíproca, és una tècnica de visualització de la ciència de dades útil per esbrinar i mostrar la relació entre categories. Utilitza un gràfic que representa dades, mostrant visualment el resultat de dos o més punts de dades.
  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. Clustering basats en models
    La agrupació basada en models suposa que les dades van ser generades per un model i intenta recuperar el model original a partir de les dades. A continuació, el model que recuperem de les dades defineix clústers i una assignació de documents als clústers. Un criteri utilitzat habitualment per estimar els paràmetres del model és la màxima versemblança.
  8. Distribució normal multivariant
    Particularitats de la distribució normal en el cas general de plantejaments multivariants, on els punts es distribueixen en varies dimensions. Aquesta temàtica no és fa especificament però sí transversalment a tot els continguts de l'assignatura.
  9. Anàlisi Discriminant i més enllà
    L'anàlisi discriminant (DA) és un mètode de classificació. DA classifica les observacions en grups no superposats, basant-se en les puntuacions d'una o més variables predictores quantitatives. Veurem diferents tècniques que tenen com a base diferents algoritmes de discriminació.
  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


Presentació de l'assignatura + Anàlisi Multivariant de Dades


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Anàlisi de Components Principals


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Anàlisi de Correspondències


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Clustering basats en models


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Anàlisi Factorial


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Anàlisi Factorial


Objectius: 2 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Escalament Multidimensional


Objectius: 2 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Anàlisi Discriminant


Objectius: 3 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Árbres de Classificació i Regressió


Objectius: 2 3 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Clustering Jeràrquic i de Particions


Objectius: 2 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Distribució normal multivariant


Objectius: 2 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Regles d'associació


Objectius: 4
Continguts:
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Pràctica Final



Setmana: 18
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
1.9h
Aprenentatge autònom
13h

Examen de conceptes



Setmana: 14
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
13.1h

Resum i exercicis pràctics. 1a part


Objectius: 2 1 3 4
Continguts:
Teoria
0h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Resum i exercicis pràctics. 2a part


Objectius: 2 1 3 4
Continguts:
Teoria
0h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h


Metodologia docent

El curs té com a objectiu proporcionar les bases estadístiques per a la mineria de dades. L'aprenentatge es realitza mitjançant una combinació d'explicació teòrica i la seva aplicació a un cas real. Les classes desenvoluparan els coneixements científics necessaris, mentre que les classes de laboratori seran la seva aplicació per resoldre problemes de mineria de dades. La implementació de pràctiques afavoreix habilitats genèriques relacionades amb el treball en equip i la presentació de resultats i serveix per integrar diferents coneixements de la matèria. El programari utilitzat serà principalment R i RStudio.

Mètode d'avaluació

L'avaluació del curs es basarà en les notes obtingudes en els exercicis pràctics realitzats durant el curs, una nota de teoria i la nota obtinguda en la pràctica final.
Cada pràctica donarà lloc a la redacció de la corresponent redacció de l'informe i podrà realitzar-se de forma conjunta, fins a un màxim de quatre alumnes per grup.
Els exercicis realitzats al llarg de el curs tenen com a objectiu consolidar l'aprenentatge de tècniques multivariants..
La pràctica final és que els estudiants demostrin la seva maduresa per resoldre un problema real utilitzant tècniques de visualització multivariant, interpretació d'agrupament i predicció. Els estudiants triaran entre diferents alternatives per resoldre el problema. Aquesta pràctica serà presentada i defensada públicament, en la qual l'alumne haurà de respondre a qualsevol dubte sobre els models teòrics i mètodes utilitzats en la solució. Les pràctiques es realitzen utilitzant el programari R.
Les proves escrites avaluaràn l'assimilació dels conceptes bàsics de l'assignatura. Hi haurà tres proves al llarg del curs, en hores de classe de teoria. Mentre que la presentació de la pràctica es realitzarà durant el període d'exàmens.

Els exercicis realitzats durant el curs tenen una ponderació del 30%, la nota de teoria del 30% i la pràctica final del 40%.

Bibliografia

Bàsica:

Complementaria:

Web links

Capacitats prèvies

L'assignatura suposa haver efectuat previament un curs basic d'estadística, programació i matemàtiques, en particular tenir adquirits els conceptes següents
- Concepte de mitjana, matriu de covariancies i correlacions.
- Concepte de prova de hipòtesis.
- Operacions d'algebra matricial, valors i vectors propis.
- Programació d'algorismes.
- Regressió lineal múltiple