Guía en formato PDF
Logo

Modelización de Datos Complejos

Código: 104864
Créditos: 6
2026/2027
Titulación Tipo Curso
Estadística Aplicada OB 3

Profesor/a de contacto

Nombre :
Rosario Delgado De la Torre
Correo electrónico :
rosario.delgado@uab.cat

Equipo docente

Rosario Delgado De la Torre

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Se supone que el alumno que cursa esta asignatura ha adquirido las competencias propias de las asignaturas de

  • Càlcul 1,
  • Eines informàtiques per a l'Estadística i Introducció a la Programació,
  • Introducció a la Probabilitat i Inferència Estdística 1, i
  • Aprenentatge Automàtic 1.

Será necesario un buen nivel y práctica en la programación con R.

 

Objetivos

Aprender qué son y cómo se utilizan las Redes Bayesianas: son un modelo probabilístico que se utiliza en el Aprendizaje Automático Supervisado y que describe las relaciones de tipo probabilístico entre las variables que afectan a determinado fenómeno de interés (que puede ser un sistema complejo) y se pueden utilizar como clasificadores.
 
Entender cómo las Redes Bayesianas se utilizan para evaluar y cuantificar riesgos, entre otras aplicaciones.
 
Conocer diferentes metodologías que se tendrán que aplicar, o no, cuando se trabaje con estos modelos, dependiendo de sus características, en la fase de pre-proceso de la base de datos o bien en la fase de construcción del modelo predictivo.
 
Conocer diferentes métricas de comportamiento para realizar la validación del modelo y entender su utilidad y adecuación, en función de las características de la base de datos.
 
Aprender cómo construir scripts de R que permitan aprender estos modelos a partir de una base de datos y hacer su validación, utilizando las librerías pertinentes. Aplicarlo a datos reales.
 
 
 
 
 
 

Resultados de aprendizaje

  • CM09 (Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.) Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.
  • KM12 (Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.) Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.
  • SM12 (Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales) Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales
  • SM13 (Comparar el grado de ajuste entre diversos modelos estadísticos.) Comparar el grado de ajuste entre diversos modelos estadísticos.
  • SM14 (Emplear gráficos de visualización del ajuste y de la adecuación del modelo.) Emplear gráficos de visualización del ajuste y de la adecuación del modelo.

Contenidos


  1. Introducción a las Redes Bayesianas (RBs).
    Definición.
    Inferencia con RBs.
    Aprendizaje de RBs (tanto de estructura como de parámetros).

  2. RBs como clasificadores.
    Clasificación versus regresión.
    Clasificadores bayesianos y el criterio MAP.
    La optimalidad del Naive Bayes.
    Tipos de tareas de clasificación. 

  3. Validación y métricas de comportamiento.
    Validación cruzada.
    Métricas para el caso binario en general. El caso de la base de datos desequilibrada. 
    Métricas para el caso de clasificación multiclase.
    Métricas para el caso de clasificación ordinal.

  4. Otros aspectos.
    Clasificación multi-dimensional.
    El criterio MAP y la clasificación ordinal.
    Ensembles de clasificadores.
    RBs dinámicas.

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Ejercicios prácticos con ordenadores 30 1,2
Teoría 26 1,04
Problemas 14 0,56
Tutorías 10 0,4
Estudio y pensar problemas 40 1,6
Prácticas (entregas, controles) 12 0,48

La asignatura se estructura a partir de clases teóricas, de problemas y prácticas. El seguimiento de la asignatura es presencial, pero será necesario ampliar las explicaciones del profesor con el estudio autónomo del alumno, con el apoyo de la bibliografía de referencia y del material facilitado por el profesor.

La clase de problemas se dedicará a la resolución orientada de algunos problemas propuestos. En las clases prácticas se trabajará con R y sus librerías. Se valorará especialmente la participación de los estudiantes en las clases de problemas y prácticas.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
PAC1 25% 3 0,12 CM09, KM12, SM12, SM13, SM14
PAC2 15% 9 0,36 KM12, SM12, SM13
Examen de problemas 50% 4 0,16 KM12, SM12, SM13
Examen de prácticas 10% 2 0,08 KM12, SM12, SM13, SM14

La calificación final de esta asignatura se obtiene como la media ponderada de las siguientes actividades:

  • PAC1 (25%)
  • PAC2 (15%)
  • Examen de problemas (50%)
  • Examen de prácticas (10%)

Las actividades de evaluación continua son:

  • PAC1 (una prueba de problemas), y
  • PAC2 (problemas/ejercicios prácticos con R, cuyo contenido concreto se especificará a lo largo del curso y que se desarrollarán y entregarán durante las clases presenciales a lo largo del semestre).

Únicamente se tendrán en cuenta en el cálculo de la media ponderada aquellas calificaciones que sean iguales o superiores a 3,5 sobre 10. Las calificaciones inferiores a este umbral contribuirán con un valor de 0 a la media ponderada.

Para superar la asignatura, dicha media ponderada deberá ser al menos de 5,0 sobre 10.


Los estudiantes que no superen la asignatura en la primera convocatoria podrán presentarse al examen de recuperación.

Para los estudiantes que se presenten a la recuperación, el examen de recuperación representa el 85% de la calificación final. Únicamente podrán presentarse a la recuperación los estudiantes que no hayan superado la asignatura en la primera convocatoria. El examen de recuperación no podrá utilizarse para mejorar la calificación de estudiantes que ya hayan aprobado la asignatura.

El 15% restante corresponde a la calificación obtenida en la PAC2, que no es recuperable.


Se considerará evaluable al estudiante que se haya presentado a la prueba PAC1, haya realizado alguna entrega correspondiente a la PAC2 o se haya presentado a cualquiera de los exámenes. En caso contrario, figurará en acta como No Evaluable.

Para la eventual concesión de Matrículas de Honor, no se tendrán en cuenta las calificaciones obtenidas en la segunda convocatoria.


USO DE LA INTELIGENCIA ARTIFICIAL (IA): En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente para tareas de apoyo, tales como la búsqueda bibliográfica o de información, la corrección de textos o las traducciones. El estudiante deberá identificar claramente qué partes de sus entregas han sido generadas mediante esta tecnología, en su caso, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo dichas herramientas han influido tanto en el proceso como en el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una falta de honestidad académica y podrá conllevar una penalización parcial o total en la calificación de la actividad, así como sanciones más graves en los casos de mayor gravedad.


La realización de cualquier irregularidad en una actividad de evaluación (fraude académico, plagio o uso indebido de la Inteligencia Artificial, salvo que dicho uso esté expresamente autorizado en la guía docente) que pueda dar lugar a una alteración significativa de la calificación supondrá que dicha actividad sea calificada con un 0.

En caso de que la guía docente establezca que para superar la asignatura sea requisito imprescindible haber obtenido una calificación mínima en esa actividad de evaluación, o de que se detecten varias irregularidades en las actividades de evaluación de una misma asignatura, la calificación final de la asignatura será de 0.

Asimismo, podrá iniciarse un procedimiento disciplinario contra el estudiante que incurra en cualquiera de estas irregularidades.

Bibliografía

  • Norman Fenton and Martin Neil, "Risk Assessment and Decision Analysis with Bayesian Networks", CRC Press. A Chapman & Hall Book, 2013. (Disponible en línia)
  • Radhakrishnan Nagarajan, Marco Scutari and Sophie Lèbre, "Bayesian Networks in R with applications in Systems Biology", Springer, 2013. (Disponible en línia)
  • Oliver Pourret, Patrick Naïm and Bruce Marcot, "Bayesian Networks. A practical guide to Applications", Series: Statistics in Practice. Wiley, 2008. (Disponible en línia)
  • Richard E. Neapolitan, "Learning Bayesian Networks", Prentice Hall Series in Artificial Intelligence, 2004.
  • Adnan Darwiche, "Modeling and reasoning with Bayesian networks", Cambridge, 2009.
  • Kevin B. Korb and Ann E. Nicholson, "Bayesian Artificial Intelligence" (2nd edition), Series: Computer Science and Data Analysis. CRC Press. A Chapman & Hall book, 2011. (Disponible en línia)
  • Daphne Koller and Nir Friedman, "Probabilistic Graphical Models", The MIT Press Cambridge, Massachusetts London, England, 2009. http://mcb111.org/w06/KollerFriedman.pdf
  • Radhakrishnan Nagarajan, Marco Scutari and Sophie Lèbre, "Bayesian Networks in R with applications in systems biology", Series: Use R! Springer, 2013. (Disponible en línia)
  • Marco Scutari and Jean-Baptiste Denis, "Bayesian networks with examples in R", Series: Texts in Statistical Science. CRC Press. A Chapman & Hall Book, 2015.

Software

 Se utilizará el software R con algunas librerías que se indicarán oportunamente a lo largo del curso. Preferiblemente en el entorno RStudio.

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 1 Catalán segundo cuatrimestre tarde
(PLAB) Prácticas de laboratorio 1 Catalán segundo cuatrimestre tarde