NO EXISTEN CAMBIOS
The subject guide has been updated with the changes mentioned here
| SUBJECT NAME |
| SUBJECT NAME |
MACHINE LEARNING APLICADO A LAS CIENCIAS SOCIALES |
| CODE |
| CODE |
65014183 |
| SESSION |
| SESSION |
2025/2026 |
| DEPARTMENT |
| DEPARTMENT |
ECONOMÍA APLICADA Y ESTADÍSTICA
|
| DEGREE IN WHICH IT IS OFFERED |
| DEGREE IN WHICH IT IS OFFERED |
|
|
|
GRADO EN ECONOMÍA
|
| COURSE - PERIOD - TYPE |
-
CUARTO
COURSE
-
SEMESTER 1
- OPTATIVAS
|
|
GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
|
| COURSE - PERIOD - TYPE |
-
CUARTO
COURSE
-
SEMESTER 1
- OPTATIVAS
|
| CREDITS NUMBER |
| CREDITS NUMBER |
6 |
| HOURS |
| HOURS |
150 |
| LANGUAGES AVAILABLE |
| LANGUAGES AVAILABLE |
CASTELLANO |
La asignatura "Machine Learning Aplicado a las Ciencias Sociales" es de carácter optativo y se ubica en el primer cuatrimestre del cuarto curso del Grado en Administración y Dirección de Empresas (ADE). Tiene una carga de trabajo de 6 créditos ECTS, equivalentes a 150 horas.
Esta asignatura se inserta en la materia "Métodos Cuantitativos para la Empresa", y su finalidad es proporcionar al estudiante una introducción al novedoso campo del Machine Learning (aprendizaje automático) en el contexto de las Ciencias Sociales, con especial énfasis en sus aplicaciones en Economía y Dirección de Empresas.
En los últimos años, el aumento del poder computacional ha permitido adaptar numerosas técnicas procedentes de las Ciencias de la Computación para su uso en diversos ámbitos del conocimiento. En particular, el análisis de grandes volúmenes de datos mediante herramientas de Machine Learning ha supuesto un importante avance en disciplinas como la Economía y la Empresa. Estas herramientas permiten construir modelos capaces de detectar patrones con capacidad predictiva, que aprenden y mejoran progresivamente al incorporar nuevos datos.
Esta asignatura se relaciona estrechamente con otras del Grado que abordan el análisis de datos desde distintas perspectivas. En concreto, complementa asignaturas como "Introducción a la Estadística", "Estadística Empresarial" y "Econometría", aportando una dimensión más aplicada y actual centrada en el uso de algoritmos y modelos predictivos. Además, ofrece una base metodológica útil para aquellos estudiantes interesados en proseguir su formación en análisis de datos aplicado a la empresa en estudios de posgrado.
Para poder cursar la asignatura, resulta imprescindible que el estudiante posea el grado de competencia en inglés necesario para el correcto aprovechamiento de los materiales. La peculiar naturaleza de los lenguajes de especialidad requiere un dominio de la lengua inglesa de como mínimo un nivel A2+ del Marco Común Europeo de Referencia para las Lenguas (MCERL). Tener este nivel es un requisito previo para cursar la asignatura, pues, de otro modo, no se podrán seguir ni aprovechar los contenidos de la misma.
Para tratar cualquier asunto relacionado con la asignatura, el alumno puede contactar, tanto por correo electrónico como por teléfono, con el equipo docente de la asignatura:
Dr. D. Alberto Muñoz Cabanes
Despacho 1.25 - Facultad CC. Economicas UNED
Lunes de 16:00 a 20:00 horas
Tel.: 91 398 87 06
Correo electrónico: amunoz@cee.uned.es
Dr. D. Alfonso Herrero de Egaña y Espinosa de los Monteros
Despacho 3.12 - Facultad CC. Economicas UNED
Lunes de 18:00 a 19:00 horas
Martes de 11:00 a 14:00 horas
Tel.: 91 398 78 00
Correo electrónico: alherrero@cee.uned.es
Adicionalmente el alumno dispondrá también de acceso al Curso Virtual de la asignatura en la plataforma Ágora, plataforma de e-Learning de la UNED que ofrecen al alumno un espacio de estudio online en el que compaginar el trabajo individual con el aprendizaje cooperativo.
Las competencias se ajustarán a lo establecido en el Grado. Además, el alumno desarrollará las siguientes competencias específicas:
- Comprender e interpretar modelos y técnicas de representación y análisis de la realidad económica y empresarial.
- Comprender e interpretar técnicas avanzadas de análisis estadístico en el ámbito de la Economía y la Empresa.
- Desarrollar habilidades de aprendizaje para emprender estudios posteriores en el ámbito de la Economía y la Empresa con un alto grado de autonomía.
Al término de la asignatura, el alumno deberá ser capaz de:
- Conocer los principales conceptos relacionados con el Machine Learning.
- Decidir qué modelos son los adecuados para resolver un determinado problema.
- Programar diferentes tipos de modelos de aprendizaje máquina.
- Saber interpretar y validar los resultados obtenidos, y decidir si el modelo obtenido es adecuado o no para resolver el problema que se ha planteado.
Tema 1. Introducción y Fundamentos de Machine Learning
Este tema sienta las bases del aprendizaje automático y su utilidad en las ciencias sociales. Se abordan los conceptos clave y se presentan los diferentes tipos de aprendizaje (supervisado, no supervisado, por refuerzo).
Tema 2. Tratamiento de Datos con R
En este tema se enseña cómo manipular y preparar datos para ser usados en modelos de Machine Learning utilizando el lenguaje R, fundamental en el análisis de datos.
Tema 3. Nearest Neighbors
Se estudia un enfoque simple pero eficaz de clasificación: el algoritmo de los vecinos más cercanos, que asigna etiquetas a los datos según los ejemplos más próximos.
Tema 4. Naive Bayes
Este tema introduce un enfoque probabilístico para la clasificación que se basa en el teorema de Bayes y la independencia condicional entre variables.
Tema 5. Árboles de Decisión
Aquí se presentan modelos basados en decisiones secuenciales que dividen los datos en subconjuntos homogéneos de manera visual e interpretable.
Tema 6. Redes Neuronales
Se estudian los fundamentos de las redes neuronales artificiales, inspiradas en el funcionamiento del cerebro, y su uso en tareas predictivas complejas.
Tema 7. Máquina de Vector Soporte
Este tema introduce un algoritmo poderoso para clasificación que busca el hiperplano que mejor separa las clases en un espacio multidimensional.
Tema 8. Clustering con el Algoritmo K-Means
Se analiza uno de los algoritmos más populares para agrupar datos sin etiquetas previas, utilizado en segmentación de clientes, análisis de comportamiento, etc.
La metodología que utilizaremos en esta asignatura es la general de la UNED, basada en una educación a distancia con materiales escritos preparados específicamente para ello, y apoyada por el uso de las tecnologías de la información y el conocimiento (TIC).
El primer elemento de apoyo con que cuentan los estudiantes es la Guía de Estudio del Grado, que es justamente la que están ahora mismo consultando. Como se puede apreciar, incluye información sobre muy diversos aspectos de cada asignatura, como sus contenidos, el material básico de estudio, los requisitos previos o el sistema de evaluación.
Se dispone asimismo de un Curso Virtual en Ágora, con elementos cuya finalidad también es orientar a los alumnos en el estudio de la asignatura, o ampliar algunos aspectos de la materia. Son especialmente importantes los foros, que permiten hacer consultas al Equipo Docente de forma que pregunta y respuesta están disponibles para todos.
Por otro lado, para poder preparar el trabajo final de la asignatura los estudiantes deberán hacer uso del texto básico, en el que encontrarán toda la teoría así como ejemplos prácticos resueltos utilizando para ello el lenguaje de programación R.
Además del Curso Virtual el estudiante podrá consultar todas aquellas cuestiones que desee al profesorado, a través de otros canales como correo electrónico, teléfono o videoconferencia.
ONSITE TEST
|
| Type of exam |
| Type of exam |
No hay prueba presencial |
CONTINUOUS ASSESSMENT TEST (PEC)
|
| PEC? |
| PEC? |
No |
| Description |
| Description |
Esta asignatura no tiene Prueba de Evaluación Continua. |
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the PEC in the final grade |
| Weighting of the PEC in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
OTHER GRADEABLE ACTIVITIES
|
| Are there other evaluable activities? |
| Are there other evaluable activities? |
Si |
| Description |
| Description |
La evaluación de la asignatura se basa en la realización de un trabajo práctico individual, en el que se apliquen una o varias de las técnicas de Machine Learning estudiadas a lo largo del curso. 1. Propuesta del Trabajo
Antes de comenzar el desarrollo del trabajo, el estudiante deberá enviar una propuesta breve que incluya, al menos: -
Título del trabajo. -
Motivación y objetivos. -
Fuente de datos a emplear (indicando si son públicos o de elaboración propia). -
Técnica(s) de Machine Learning que se aplicarán. -
Hipótesis planteada y resultados esperados a priori. Fecha límite de entrega de la propuesta: como máximo hasta un mes antes del inicio de los exámenes.
Forma de envío: la propuesta deberá ser enviada por correo electrónico al Coordinador de la asignatura (amunoz@cee.uned.es). La propuesta será revisada por el equipo docente, que podrá aprobarla, sugerir modificaciones o desaconsejarla si no se ajusta a los objetivos de la asignatura.
2. Entrega del Trabajo Final
El trabajo deberá desarrollarse aplicando los conocimientos teóricos y empirícos estudiados a una situación real, buscando así desarrollar las habilidades que le capaciten para alcanzar los objetivos perseguidos en la asignatura.
De cara a la realización del trabajo, se sugiere la siguiente estructura orientativa: -
Introducción. Motivación y objetivos del trabajo. -
Descripción y justificación de la técnica o técnicas utilizadas. -
Desarrollo de la investigación. -
Análisis y evaluación de los resultados obtenidos. -
Conclusiones. -
Bibliografía. -
Anexo conteniendo todo el código empleado en un formato reproducible (.Rmd, .ipynb, etc.). Fecha límite de entrega del trabajo final: la fecha límite será el domingo de la 2ª semana de exámenes de la convocatoria de febrero.
Forma de envío: a través del aula virtual, en el apartado “Entrega Trabajo Final”, incluyendo un único archivo comprimido (.zip o .rar) que contenga:
3. Convocatoria Extraordinaria (septiembre)
Los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria deberán presentar un nuevo trabajo, o bien una versión significativamente revisada del anterior (previa aprobación del equipo docente).
Plazos para la convocatoria de septiembre: La estructura del trabajo, forma de entrega y criterios de evaluación serán exactamente los mismos que en la convocatoria ordinaria. |
| Assessment criteria |
| Assessment criteria |
El trabajo se calificará sobre 10 puntos, teniendo en cuenta especialmente los siguientes aspectos en su evaluación: - Originalidad de la propuesta.
- Claridad en la motivación y formulación del problema.
- Justificación adecuada de la técnica empleada.
- Correcta implementación y limpieza del código.
- Profundidad del análisis y rigor en la evaluación.
- Calidad de las conclusiones y discusión crítica.
- Presentación, estructura y redacción del informe.
|
| Weighting in the final grade |
| Weighting in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
How to obtain the final grade?
|
La calificación final de la asignatura corresponderá íntegramente a la nota obtenida en este trabajo. |
La bibliografía básica de la asignatura es Lantz, B. (2019), Machine Learning With R, Fourth Edition, disponible a través de la editorial Packt Publishing.
Para preparar la asignatura también es posible utilizar la 3ª Edición de este mismo texto.
Adicionalmente, el equipo docente subirá diversos materiales de apoyo con ejemplos adicionales en formato PDF.
Adicionalmente al texto base de la asignatura, el estudiante puede ampliar algunos aspectos del temario utilizando los siguientes manuales:
- Grolemund, G., Wickham, H. (2017). R for Data Science. O'Reilly. Disponible online en https://r4ds.hadley.nz/
- James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (2ª ed.). Springer.
- Kuhn, M., Johnson, K. (2013). Applied Predictive Modeling. Springer.
- Provost, F., Fawcett, T. (2013). Data Science for Business. O'Reilly
- Shmueli, G., Bruce, P. C., Patel, N. R. (2017). Data Mining for Business Analytics: Concepts, Techniques, and Applications with R. Wiley
- Zaki, M. J., Meira Jr, W. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press.
La docencia y el aprendizaje en esta asignatura se apoyará fundamentalmente en las posibilidades que ofrecen las herramientas de la plataforma educativa empleada por la UNED. En concreto, en el Curso Virtual de la asignatura el estudiante encontrará los siguientes elementos de apoyo:
- Guía Didáctica.
- Orientaciones para la realización del trabajo.
- Materiales de refuerzo.
- Foros de debate.
