Modelització Estadística

Crèdits
6
Tipus
Obligatòria
Requisits
Departament
EIO
Web
https://www.fib.upc.edu/ca/estudis/graus/grau-en-intelligencia-artificial/pla-destudis/assignatures/
Model.lització estadística és la segona d'una seqüència de 4 assignatures del grau dedicades a l'estadística i les dades. Com a continuació de l'assignatura precedent introductòria en l'àmbit de la probabilitat i estadística, aquesta assignatura aporta formació en els principals models estadístics que permeten extreure coneixement de les dades.

Les tècniques de model.lització estadística constitueixen un dels pilars fonamentals de l'àmbit del suport a la presa de decisions, i l'anàlisi intel.ligent de dades

En aquest curs es veuran els principals models multivariants predictius (model lineal general), i descriptius (anàlisi multivariant i clustering), així com nocions de disseny d'experiments que seran útils en la configuració dels conjunts de dades d'entrenament i validació dels models, no només per aquesta assignatura, sinó també per les d'aprenentatge automàtic que també es veuen en el grau. S'inclou en el programa de l'assignatura eines de modelització dinàmica per dades amb caràcter temporal.

Les eines vistes en aquesta assignatura complementaran les vistes a aprenentatge automàtic i seran input imprescindible per les assignatures de la matèria anàlisi intel·ligent de dades i sistemes intel·ligents de suport a la presa de decisions.

Professorat

Responsable

  • Jordi Cortés Martínez (jordi.cortes-martinez@upc.edu)

Altres

  • Dante Conti (dante.conti@upc.edu)
  • Karina Gibert Oliveras (karina.gibert@upc.edu)

Hores setmanals

Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0
Aprenentatge autònom
6

Competències

Competències Transversals

Transversals

  • CT3 [Avaluable] - Comunicació eficaç oral i escrita. Comunicar-se de forma oral i escrita amb altres persones sobre els resultats de l'aprenentatge, de l'elaboració del pensament i de la presa de decisions; participar en debats sobre temes de la pròpia especialitat.
  • CT4 [Avaluable] - Treball en equip. Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o realitzant tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, assumint compromisos tenint en compte els recursos disponibles.
  • CT8 [Avaluable] - Perspectiva de gènere. Conèixer i comprendre, des de l'àmbit de la titulació mateixa, les desigualtats per raó de sexe i gènere en la societat, i integrar les diverses necessitats i preferències per raó de sexe i gènere en el disseny de solucions i la resolució de problemes.

    • Bàsiques

  • CB3 - Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
  • CB4 - Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

    • Competències Tècniques

    Específiques

  • CE01 - Resoldre els problemes matemàtics que puguin plantejar-se en l'àmbit de la intel·ligència artificial. Aplicar els coneixements sobre: àlgebra, càlcul diferencial i integral i mètodes numèrics; estadística i optimització.
  • CE09 - Concebre, dissenyar i integrar sistemes d'anàlisi intel·ligent de dades amb aplicació en entorns de producció i de serveis.
  • CE20 - Triar i emprar Tècniques de Modelització estadística i anàlisi de dades, avaluant la calidad dels models, validant-i interpretant.

    • Competències Tècniques Generals

    Genèriques

  • CG2 - Utilitzar els coneixements fonamentals i metodologies de treball sòlides adquirits durant els estudis per adaptar-se als nous escenaris tecnològics de el futur.
  • CG4 - Raonar, analitzant la realitat i dissenyant algoritmes i formulacions que la modelin. Identificar problemes i construir solucions algorísmiques o matemàtiques vàlides, eventualment noves, integrant el coneixement multidisciplinari necessari, valorant diferents alternatives amb esperit crític, justificant les decisions preses, interpretant i sintetitzant els resultats en el context de l'domini d'aplicació i establint generalitzacions metodològiques a partir de aplicacions concretes.
  • CG8 - Observar un exercici ètic de la professió en totes les seves facetes, aplicant criteris ètics en el disseny de sistemes, algoritmes, experiments, utilització de dades, d'acord amb els sistemes ètics recomanats pels organismes nacionals i internacionals, amb especial èmfasi en seguretat, robustesa , privacitat, transparència, traçabilitat, prevenció de biaixos (de raça, gènere, religió, territori, etc.) i respecte als drets humans.

    • Objectius

    1. Dissenyar jocs de proves i d'entrenament solvents i orientats a objectius
      Competències relacionades: CG8, CT8, CB3, CE09,
    2. Identificar quin model predictiu és adequat per un problema concret i unes dades concretes
      Competències relacionades: CG4, CE01, CE09, CE20,
    3. Construir i interpretar models vàlids per l'evolució temporal d'una variable numèrica
      Competències relacionades: CG4, CT3, CT4, CE01, CE09, CE20,
    4. Identificar classes en un conjunt de dades i saber-les validar i interpretar conceptualment
      Competències relacionades: CG2, CG4, CT3, CT4, CE01, CE09, CE20,
    5. Caracteritzar les relacions multivariants en un conjunt de dades amb tècniques d'anàlisi factorial
      Competències relacionades: CG4, CT3, CT4, CE01, CE09, CE20,
    6. Poder fer l'anàlisi bàsica no supervisada d'una base de dades textual amb tècniques bàsiques de topic modelling i anàlisi multivariant per dades textuals
      Competències relacionades: CG4, CT3, CT4, CE01, CE09, CE20,
    7. Saber construir i validar el model adequat per una situació real nova
      Competències relacionades: CG2, CG4, CT3, CT4, CE01, CE09, CE20,
    8. Saber integrar els continguts dels diferents temes d'aquest curs i els previs en una solució global per un problema complex
      Competències relacionades: CG2, CE01, CE09, CE20,
    9. Saber planificar a llarg termini la modelització d'un problema real complex i resoldre'l al llarg del curs en equip
      Competències relacionades: CT3, CT4, CB4,

    Continguts

    1. Models lineals generalitzats
      Introducció als conceptes de models lineals generalitzats. Models logístics
    2. Sèries temporals
      Introducció als processos estocàstics. Sèrie cronològica vs Sèrie temporal
      Metodologia Box-Jenkins
      Principals models de sèries temporals: MA, AR , ARIMA, SARIMA (concepte i estudi de casos)
    3. Anàlisis factorial
      Métodes de reducció de dimensionalitat
    4. Clustering
      Introducció. Principal models de classificació. Distàncies.
    5. Profiling
      Descripció de les classificacions a partir de l'estudi de significativitat de variables
    6. Disseny d'experiments
      Dissenys 2k complets i fraccionals. Anàlisis de sensibilitat i explicabilitat dels models. Identificació d'efectes principals i interaccions. Disseny de conjunts de dades d'entrenament per aprenentatge automàtic. Disseny de jocs de test per validació de models de dades

    Activitats

    Activitat Acte avaluatiu


    Treball en equip

    Els alumnes s'organitzen en grups i busquen unes dades reals que compleixen certs requisits marcats pel professor Les utilitzen per anar aplicant les tècniques i metodologies que es vegin al llarg del curs. Al final presenten un informe amb els resultats i fan una presentació oral amb els resultats més rellevants de l'estudi
    Objectius: 1 2 3 4 5 6 7 8 9
    Continguts:
    Teoria
    0h
    Problemes
    0h
    Laboratori
    11h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    27.5h

    Classes de teoria del temari de l'assignatura

    classes de teoria del temari de l'assignatura
    Objectius: 2 3 4 5 6 7
    Continguts:
    Teoria
    30h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    30h

    Aplicació pràctica temari assignatura

    Execució de scripts pràctics a R sobre els conceptes vistos en teoria.

    Teoria
    0h
    Problemes
    0h
    Laboratori
    12.5h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Quiz 1

    Durant el curs es realitzaran proves de resposta curta per fixar peces d'aprenentatge. Es farà al final de certes classes de laboratori
    Objectius: 2
    Setmana: 4
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Quiz 2

    Durant el curs es realitzaran proves de resposta curta per fixar peces d'aprenentatge. Es farà al final de certes classes de laboratori
    Objectius: 2 3
    Setmana: 7
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Presentació inicial de la pràctica

    Presentació inicial de la pràctica
    Objectius: 1 2 3 4 5 6 7 8 9
    Continguts:
    Teoria
    0h
    Problemes
    0h
    Laboratori
    2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    10h

    Quiz 3

    Durant el curs es realitzaran proves de resposta curta per fixar peces d'aprenentatge. Es farà al final de certes classes de laboratori
    Objectius: 2 3
    Setmana: 8
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Quiz 4

    Durant el curs es realitzaran proves de resposta curta per fixar peces d'aprenentatge. Es farà al final de certes classes de laboratori
    Objectius: 4
    Setmana: 11
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Quiz 5

    Durant el curs es realitzaran proves de resposta curta per fixar peces d'aprenentatge. Es farà al final de certes classes de laboratori
    Objectius: 1
    Setmana: 13
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Presentació final pràctica

    Presentació final pràctica
    Objectius: 2 3 4 5 6 7 8 9
    Setmana: 14
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Examen Final

    Examen Final
    Objectius: 1 2 3 4 5 6 7 8 9
    Setmana: 15 (Fora d'horari lectiu)
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Metodologia docent

    L'assignatura consta de dues hores de teoria i dues de laboratori per setmana

    Al web de l'assignatura hi haurà el calendari de l'assignatura i els materials per preparar cada classe. La classe de teoria es dedicarà fonamentalment a explicar conceptes i a la presentació de casos i al desenvolupament d'activitats interactives amb els estudiants com la discussió dels casos, el desenvolupament de problemes.

    Els estudiants realitzaran per grups de 4 persones un treball pràctic amb dades que buscaran ells mateixos i que compliran certes característiques fixades pel professorat. Amb aquestes dades cada equip realitzarà les sessions de pràctiques, cada setmana aplicant les tècniques del tema treballat a la sessió de teoria. El professor farà seguiment setmanal de tots els equips de treball en les sessions de laboratori.

    A mitjans i a final de curs els equips presentaran els seus resultats en una sessió de posada en comú on es debatrà conjuntament sobre tots els projectes.

    Mètode d'avaluació

    Avaluació Ordinària:
    ---------------------------
    (Q) Qüestionaris. 20%
    (P) Projecte. 30%
    (EF) Examen Final. 50%
    Nota Final Ordinària = 0,2 * Q + 0,3 * P + 0,5 * EF

    Q. Consta de 5 qüestionaris individuals i presencials amb el mateix pes sobre la nota final. Aquests qüestionaris es realitzaran presencialment i no es podran recuperar en un altre dia diferent de la data programada ni per causa justificada.
    Q = (Q1 + Q2 + Q3 + Q4 + Q5) / 5

    P. Projecte en grup on es valoraran les següents competències: (P1) Recol·lecció de dades, anàlisi i interpretació de resultats i Transmissió de resultats (80%); (P2) Comunicació oral i escrita (20%);
    P = 0,8 * P1 + 0,2 * P2

    S'haurà d'obtenir una nota mínima d'un 3,5 en les proves individuals i presencials, és a dir,
    2/7 * Q + 5/7 * EF > 3,5 per aprovar l'assignatura. Per altra banda, la realització del projecte també serà obligatòria per poder aprovar durant l'avaluació ordinària.

    Avaluació Extraordinària:
    ---------------------------------
    Només es poden presentar a la reavaluació aquelles persones que, havent-se presentat a l'examen final l'hagin suspès.

    (EF) Examen Final Extraordinari

    Nota Extraordinària = Mínim{7, Màxim{EE, 0,2 * Q + 0,3 * P + 0,5 * EE}}

    En aquesta convocatòria no hi haurà nota mínima per aprovar. La màxima nota en aquesta convocatòria és un 7.

    Bibliografia

    Bàsic

    Capacitats prèvies

    Introducció a l'Estadística
    Coneixements de teoria de la probabilitat
    Coneixements d'inferència estadística
    Coneixements de models estadístics simples
    Coneixements de visualització de dades
    Coneixements bàsics de programació
    Coneixements bàsics d'R
    Àlgebra