RA1 - Conocer los métodos de depuración y codificación de variables y tratamiento de datos ausentes en datos estadísticos
RA3 - Conocer la base teórica de los modelos lineales de predicción
RA13 – Reunir, depurar y transformar los datos que la empresa almacena, en información estructurada y coherente para contrastar hipótesis que traten de responder a preguntas de investigación dentro del ámbito de la Inteligencia de Negocios
RA15 - Dominar herramientas estadísticas básicas y el software estadístico especializado y avanzado para la aplicación de las técnicas de Ciencia de datos
RA16 - Aplicar de forma efectiva en el ámbito de la Inteligencia empresarial, las distintas técnicas de Ciencia de datos necesarias, discriminando entre todas ellas y buscando la solución óptima
RA17 - Modelizar problemas de clasificación y predicción dentro del ámbito de la estrategia empresarial
RA19 - Elaborar un programa básico en lenguaje de programación en un contexto de modelización predictiva
RA20 - Tomar las decisiones apropiadas en la utilización de algoritmos predictivos en un problema real
RA21 - Aplicar diferentes modelos de segmentación, agrupación de observaciones y reducción de variables
RA23 - Desarrollar el espíritu innovador en un ámbito interdisciplinario, fomentando la búsqueda de soluciones creativas a diversos tipos de problemas
RA25 - Investigar en nuevas metodologías y técnicas para la gestión y explotación de grandes bases de datos con las que crear conocimiento que apoye la toma de decisiones en la dirección estratégica y en la inteligencia empresarial
RA26 - Comunicar las conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
RA27 - Establecer las fases y estructura de una investigación relacionada con la Ciencia de Datos partiendo de un problema concreto

50%

50%

1,92

4,08

1

El alumno será evaluado de manera continua a lo largo del curso. Esta evaluación consistirá en la entrega de dos trabajos individuales. Dichos trabajos tendrán un peso del 50% cada uno de ellos en la nota de evaluación continua. Sera necesario obtener un mínimo de 4 puntos en cada uno de los trabajos.
Para aquello alumnos que renuncien a la evaluación continua o que no alcancen los objetivos mínimos se les evaluará a través de un examen que constituirá el 100% de la nota.
Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso

-Hastie, Trevor; Tibshirani, Robert y Friedman, Jerome (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.
- Kuhn, Max y Johnson, Kjell (2016). Applied Predictive Modelling. Springer. - Gareth, James et. al (2015). An introduction to statistical learning : with applications in R. Springer.
Brett Lantz (2019).Machine learning with R
- Swirl stats: aprendizaje básico de R dentro del propio R. Disponible gratuitamente en https://swirlstats.com/ - Wright, C., Ellis, S.E., Hicks, S. C., Peng, R. D. (2021). «Tidyverse skills for data science». Disponible gratuitamente en https: //jhudatascience.org/tidyversecourse/
- Matloff, N (2011). The Art of R Programming. A tour of statistical software design. Disponible como recurso electrónico en la biblioteca de la UCM. - Crawley, M.J. The R book. Disponible como recurso electrónico en la biblioteca de la UCM
- Santin González, Daniel y Pérez, López, César (2007). Minería de datos, técnicas y herramientas. Tomson.
- Cerrito B. Patricia (2006). Introduction to Data Mining Using SAS Enterprise Miner. SAS Institute.