Guia en format PDF
Logo

Visualització de Dades i Modelització

Codi: 43482
Crèdits: 6
2026/2027
Titulació Tipus Curs
Modelling for Science and Engineering OP 1

Professor/a de contacte

Nom :
Alejandra Cabaña Nigro
Correu electrònic :
anaalejandra.cabana@uab.cat

Equip docent

Juan Ramón Gonzalez Ruiz

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Un coneixement elemental en Teoria de Probabilitats i en Inferència Estadística i del llenguatge R.

Objectius

Visualització de grans conjunts de dades amb R. GViz, Maps i Tabplot.


Xarxes Bayesianes. Les xarxes bayesianes constitueixen, segons molts investigadors, una de les contribucions més importants de la Intel·ligència Artificial moderna. Es tracta de models probabilístics que representen les relacions de dependència condicional entre un conjunt de variables. Aquests models combinen una estructura gràfica, representada mitjançant un graf acíclic dirigit, amb un conjunt de probabilitats condicionades que en determinen el comportament.

Les xarxes bayesianes poden aprendre's a partir de dades mitjançant tècniques d'Aprenentatge Automàtic i han demostrat ser eines molt útils en nombrosos àmbits científics i tecnològics. Entre les seves aplicacions destaca la classificació, tot i que també s'utilitzen per a la predicció, el diagnòstic i la presa de decisions sota incertesa. En aquesta part s'introduiran els conceptes fonamentals de les xarxes bayesianes, així com els principals mètodes d'inferència probabilística i d'aprenentatge de paràmetres i estructura. Finalment, s'estudiarà la seva utilització com a classificadors probabilístics en diferents problemes reals. L'èmfasi serà tant en la comprensió dels fonaments teòrics com en la seva aplicació pràctica correcta mitjançant l'ús de dades reals i de paquets especialitzats d'R.


Simulació de dades, Boostrap i tests permutacionals. L'objectiu principal és capacitar els estudiants en l'ús del principi de "plug-in" i mètodes de remostreig per realitzar inferències estadístiques precises quan les distribucions són desconegudes. Es pretén que l'alumnat aprengui a estimar biaixos, errors estàndard i construir intervals de confiança que superin les limitacions de la normalitat asimptòtica, especialment amb dades censurades, estructurades o no normals. Alhora, el curs aprofundeix en el disseny de proves de permutació per obtenir nivells de significació exactes mitjançant el condicionament a les dades observades. Finalment, s'introdueixen fonaments teòrics essencials per avaluar la precisió de segon ordre i la consistència d'aquests mètodes en estadístics complexos

Resultats d'aprenentatge

  • CA31 (Aplicar les eines estadístiques i computacionals de modelització a problemes de l’àmbit empresarial o de la recerca.) Aplicar les eines estadístiques i computacionals de modelització a problemes de l’àmbit empresarial o de la recerca.
  • CA32 (Integrar els mètodes estadístics a altres eines de modelització en el context de projectes multidisciplinaris.) Integrar els mètodes estadístics a altres eines de modelització en el context de projectes multidisciplinaris.
  • KA23 (Identificar els llenguatges i entorns de programació propis de l’àmbit de la modelització estadística i de la intel·ligència artificial.) Identificar els llenguatges i entorns de programació propis de l’àmbit de la modelització estadística i de la intel·ligència artificial.
  • KA24 (Reconèixer les tècniques de xarxes bayesianes i les prestacions que ofereixen en cada àmbit de modelització concret.) Reconèixer les tècniques de xarxes bayesianes i les prestacions que ofereixen en cada àmbit de modelització concret.
  • SA29 (Fer servir el programari específic en la resolució de problemes de modelització estadística i de tractament de dades.) Fer servir el programari específic en la resolució de problemes de modelització estadística i de tractament de dades.
  • SA30 (Aplicar tècniques estadístiques adequades per a la construcció de models que donin resposta a problemes particulars.) Aplicar tècniques estadístiques adequades per a la construcció de models que donin resposta a problemes particulars.
  • SA31 (Interpretar els paràmetres que conformen un model estadístic per descriure una situació concreta.) Interpretar els paràmetres que conformen un model estadístic per descriure una situació concreta.
  • SA32 (Interpretar els resultats en aplicar un model estadístic concret.) Interpretar els resultats en aplicar un model estadístic concret.
  • SA33 (Analitzar les prediccions obtingudes en aplicar un model estadístic concret.) Analitzar les prediccions obtingudes en aplicar un model estadístic concret.

Continguts

Part 1a: Visualització de grans conjunts de dades amb R (6h)


Part 2na:: Xarxes Bayesianes (16h)

1) Elements bàsics.

2) Inferència amb Xarxes Bayesianes.

3) Aprenentatge de paràmetres i estructura de xarxes bayesianes.

4) Les xarxes bayesianes com a eines d'aprenentatge automàtic (classificadors).


Part 3a: Simulació de dades, Boostrap i Tests Permutacionals (16h)

1)Tests Permutacionals.

3) Bootstrap paramètric.

4) Bootstrap no-paramètric.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Classes magistrals 38 1,52
Exercicis 16 0,64
Sessions pràctiques 20 0,8
Proyectes+Treballs 18 0,72

Les classes magistrals d'aquest  curs, en les que és  determinant l'explicació del professor, són la base del procés d'aprenentatge. És també molt important la participació dels alumnes, combinada amb sessions pràctiques en les que l'estudiant ha d'usar el coneixement aprés per a solucionar problemes.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Projectes 50 20 0,8 CA31, CA32, KA23, KA24, SA29, SA30, SA31, SA32, SA33
Treball continuat 50 38 1,52 CA31, CA32, KA23, KA24, SA29, SA30, SA31, SA32, SA33

L'avaluació del curs consisteix en una avaluació continuada.


Hi ha 3 avaluacions durant el curs, que tenen un pes de 16%, 42% i 42% respectivament.


Cada professor comptarà amb el seu tipus propi d'avaluació.


Avaluació de la part 1: Treball continuat + projecte.

Avaluació de la part 2: Treball continuat + Lliurament d'alguns exercicis + Projecte final.

Avaluació de la part 3: Lliurament d'alguns exercicis fets en sessions pràctiques.


Ús d’Intel·ligència Artificial (IA)


Per a aquesta assignatura, es permet l’ús de tecnologies d’Intel·ligència Artificial (IA) exclusivament en tasques de suport, com ara:

  • la cerca bibliogràfica o d’informació,
  • la correcció de textos o de codi,
  • les traduccions.

L’estudiant haurà de detallar clarament quines parts han estat generades amb IA, especificar les eines emprades i incloure una reflexió crítica sobre com han influït en el procés i el resultat final de l’activitat.

La manca de transparència en l’ús de la IA en activitats avaluables es considerarà una falta d’honestedat acadèmica i podrà comportar una penalització parcial o total en la nota de l’activitat, o sancions majorsen casos greus.


Bibliografia

  • Resampling methods: a practical guide to data Analysis. Phillip I. Good, 2006.
  • The jackknife, the bootstrap and other resampling plans. Bradley Efron, 1982.
  • Bootstrap methods and their application. A.C. Davison, D.V. Hinkley, 1997.
  • \"Learning Bayesian Networks\" by R. E. Neapolitan, Prentice Hall Series in Artificial Intelligence, 2004.
  • \"Probabilistic Methods for Bioinformatics with an Introduction to Bayesian Networks\" by R. E. Neapolitan, Elsevier, 2009.

Programari

R Core Team (2026). R: A language and environment for statisticalcomputing. R Foundation for Statistical Computing, Vienna, Austria.

URL https://www.R-project.org/

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TEm) Teoria (màster) 1 Anglès primer quadrimestre tarda