Análisis Multivariante

• Profesorado
• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Web links
• Capacidades previas

Profesorado

Responsable

• Nihan Acar Denizli ( )

Otros

• Belchin Adriyanov Kostov ( )

Horas semanales

Competencias

Competencias Transversales

Uso solvente de los recursos de información

• CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Lengua extranjera

• CT5 - Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

Espíritu emprendedor e innovador

• CT1 - Conocer y entender la organización de una empresa y las ciencias que rigen su actividad; tener capacidad para entender las normas laborales y las relaciones entre la planificación, las estrategias industriales y comerciales, la calidad y el beneficio. Conocer y entender los mecanismos en que se basa la investigación científica, así como los mecanismos e instrumentos de transferencia de resultados entre los diferentes agentes socioeconómicos implicados en los procesos de I+D+i.

Básicas

• CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
• CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• CB8 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• CB9 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
• CB10 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

Competencias Técnicas Genéricas

Genéricas

• CG2 - Identificar y aplicar métodos de análisis, extracción de conocimiento y visualización de datos recogidos en formatos muy diversos.
• CG3 - Definir, diseñar e implementar sistemas complejos que cubran todas las fases en proyectos de ciencia de datos

Competencias Técnicas

Específicas

• CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
• CE6 - Diseñar el proceso de Ciencia de Datos y aplicar metodologías científicas para obtener conclusiones sobre poblaciones y tomar decisiones en consecuencia, a partir de datos estructurados o no estructurados y potencialmente almacenados en formatos heterogéneos.
• CE7 - Identificar las limitaciones impuestas por la calidad de datos en un problema de ciencia de datos y aplicar técnicas para disminuir su impacto
• CE8 - Extraer información de datos estructurados y no estructurados, teniendo en cuenta la naturaleza multivariante de los mismos.
• CE9 - Aplicar métodos adecuados para el análisis de otro tipo de formatos, tales como procesos y grafos, dentro del ámbito de ciencia de datos
• CE10 - Identificar los métodos de aprendizaje automático y modelización estadística a utilizar para resolver un problema específico de ciencia de datos y aplicarlos de forma rigurosa
• CE11 - Analizar y extraer conocimiento de información no estructurada mediante técnicas de procesamiento de lenguaje natural, minería de textos e imágenes
• CE12 - Aplicar la ciencia de datos en proyectos multidisciplinares para resolver problemas en dominios nuevos o poco conocidos y que sean económicamente viables, socialmente aceptables, y de acuerdo con la legalidad vigente
• CE13 - Identificar las principales amenazas en el ámbito de la ética y la privacidad de datos en un proyecto de ciencia de datos (tanto en el aspecto de gestión como de análisis de datos) y desarrollar e implantar medidas adecuadas para mitigar dichas amenazas.

Objetivos

1. Visualización de los datos
   Competencias relacionadas: CT4, CT5, CT1, CG2, CE5, CB8,
2. Descripción multivariante de los datos
   Competencias relacionadas: CT4, CE7, CE8, CE12, CE13, CB7, CB9, CB10,
3. Métodos de reducción de dimensiones
   Competencias relacionadas: CT4, CT5, CG2, CE5, CE6, CE11, CE8, CE10, CB6, CB8, CB9, CB10,
4. Inferencia multivariada
   Competencias relacionadas: CT1, CG2, CG3, CE6, CE11, CE8, CE9, CE10, CB6, CB7, CB9,
5. Clasificación de nuevos individuos
   Competencias relacionadas: CT1, CG3, CE6, CE10, CB6, CB7,

Contenidos

1. Introducción al Análisis de Datos Multivariado
   Preprocesamiento y visualización de datos multivariantes.
2. Análisis de Componentes Principales
   Análisis de individuos. Análisis de variables. Representación visual de la información. Reducción de dimensionalidad. Información suplementaria. Descomposición en valores singulares.
3. Escalamiento Multidimensional
   Reducción de la dimensión basada en matrices de similitud o distancia con aplicaciones.
4. Análisis de Correspondencias
   Reducción de dimensiones de dos variables categóricas y visualización de relaciones entre categorías.
5. Análisis de Correspondencias Multiple
   El análisis y visualización de relaciones entre categorías de más de dos variables categóricas mediante reducción de dimensión.
6. Análisis de Cluster
   Dos enfoques para agrupar métodos utilizados para clasificar las observaciones, dentro de un conjunto de datos, en múltiples grupos en función de su semejanza.
7. Métodos de profiling
   Los métodos de profiling ayudan a entender las características comunes de los clusters
8. Distribución normal multivariante
   La función de densidad de probabilidad de distribución normal multivariada y pruebas de hipótesis de media para datos multivariados.
9. Análisis Discriminante
   Clasificación de observaciones en grupos dados mediante el uso de análisis discriminante lineal, análisis discriminante cuadrático y métodos Naive Bayes.
10. Reglas de asociación
    Encontrar patrones, asociaciones, correlaciones o estructuras causales frecuentes entre conjuntos de elementos u objetos en bases de datos de transacciones, bases de datos relacionales y otros repositorios de información.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Applied multivariate statistical analysis - Johnson, Richard A.; Wichern, Dean W, Pearson Education Limited, [2014]. ISBN: 9781292024943
  https://ebookcentral-proquest-com.recursos.biblioteca.upc.edu/lib/upcatalunya-ebooks/detail.action?pq-origsite=primo&docID=5174865
• Exploratory multivariate analysis by example using R - Husson, F.; Lê, S.; Pagès, J, CRC Press, Taylor & Francis Group, 2017. ISBN: 9781315301860
  https://ebookcentral-proquest-com.recursos.biblioteca.upc.edu/lib/upcatalunya-ebooks/detail.action?pq-origsite=primo&docID=4856173
• Multivariate statistical methods : a primer - Manly, Bryan F. J, CRC Press, Taylor & Francis Group, [2017]. ISBN: 9781498728966
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004178359706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Complementaria:

• Análisis de datos multivariantes - Peña, Daniel, McGraw-Hill/Interamericana de España, S.L , [2010]. ISBN: 9788448136109
  https://www-ingebook-com.recursos.biblioteca.upc.edu/ib/NPcd/IB_BooksVis?cod_primaria=1000187&codigo_libro=4203

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/

Capacidades previas