NO EXISTEN CAMBIOS
La guía de la asignatura ha sido actualizada con los cambios que aquí se mencionan.
| NOMBRE DE LA ASIGNATURA |
| NOMBRE DE LA ASIGNATURA |
MACHINE LEARNING APLICADO A LAS CIENCIAS SOCIALES |
| CÓDIGO |
| CÓDIGO |
65014183 |
| CURSO ACADÉMICO |
| CURSO ACADÉMICO |
2023/2024 |
| DEPARTAMENTO |
| DEPARTAMENTO |
ECONOMÍA APLICADA Y ESTADÍSTICA
|
| TÍTULO EN QUE SE IMPARTE |
| TÍTULO EN QUE SE IMPARTE |
|
|
|
GRADO EN ECONOMÍA
|
| CURSO - PERIODO - TIPO |
-
CUARTO
-
SEMESTRE 1
- OPTATIVAS
|
|
GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
|
| CURSO - PERIODO - TIPO |
-
CUARTO
-
SEMESTRE 1
- OPTATIVAS
|
| Nº ECTS |
| Nº ECTS |
6 |
| HORAS |
| HORAS |
150 |
| IDIOMAS EN QUE SE IMPARTE |
| IDIOMAS EN QUE SE IMPARTE |
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. La carga de trabajo de la asignatura es de 6 créditos ECTS, equivalentes a 150 horas.
Esta asignatura introduce al alumno en el novedoso campo del Machine Learning o aprendizaje máquina aplicado en el campo de las Ciencias Sociales y, más concretamente, en el ámbito de Economía y ADE.
En los últimos años, con el aumento del poder computacional, muchas técnicas procedentes del área de Ciencias de la Computación se han adaptado para ser utilizadas en diferentes áreas de conocimiento. Así, en el caso de la Economía, el análisis de grandes volúmenes de datos utilizando diferentes herramientas de Machine Learning proporciona un notable avance en esta disciplina, por cuanto gracias a este tipo de herramientas es posible crear modelos capaces de extraer pautas con capacidad predictiva a partir de los datos, que además son capaces de aprender y mejorar a medida que se le proporcionan nuevos inputs al modelo.
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 aLF, 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
Tema 2. Tratamiento de Datos con R
Tema 3. Nearest Neighbors
Tema 5. Árboles de Decisión
Tema 7. Máquina de Vector Soporte
Tema 8. Clustering con el Algoritmo K-Means
Para el estudio de esta asignatura el estudiante dispondrá de un texto base recomendado por el equipo docente en el que encontrará toda la teoría así como ejemplos prácticos resueltos utilizando para ello el lenguaje de programación R.
A partir del estudio del manual recomendado, el estudiante podrá consultar todas aquellas cuestiones que desee al profesorado, a través de diferentes canales (foro del curso virtual, correo electrónico, teléfono).
TIPO DE PRUEBA PRESENCIAL
|
| Tipo de examen |
| Tipo de examen |
No hay prueba presencial |
PRUEBAS DE EVALUACIÓN CONTINUA (PEC)
|
| ¿Hay PEC? |
| ¿Hay PEC? |
No |
| Descripción |
| Descripción |
Esta asignatura no tiene Prueba de Evaluación Continua. |
| Criterios de evaluación |
| Criterios de evaluación |
|
| Ponderación de la PEC en la nota final |
| Ponderación de la PEC en la nota final |
|
| Fecha aproximada de entrega |
| Fecha aproximada de entrega |
|
| Comentarios y observaciones |
| Comentarios y observaciones |
|
OTRAS ACTIVIDADES EVALUABLES
|
| ¿Hay otra/s actividad/es evaluable/s? |
| ¿Hay otra/s actividad/es evaluable/s? |
Si |
| Descripción |
| Descripción |
Para aprobar la asignatura será necesario realizar un trabajo práctico de temática libre, en el que se utilice una o varias de las técnicas de Machine Learning aprendidas en el curso. Previamente a la realización del trabajo, el alumno deberá enviar al equipo docente un breve documento con la propuesta del trabajo, indicando claramente cuáles son sus objetivos, las fuentes de datos que se utilizarán, la técnica que se empleará y las conclusiones que espera obtener a priori. En todo caso, 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. A modo de orientación se propone como estructura de índice para el trabajo la siguiente: - 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.
|
| Criterios de evaluación |
| Criterios de evaluación |
|
| Ponderación en la nota final |
| Ponderación en la nota final |
|
| Fecha aproximada de entrega |
| Fecha aproximada de entrega |
|
| Comentarios y observaciones |
| Comentarios y observaciones |
|
¿Cómo se obtiene la nota final?
|
La nota final de la asignatura se obtendrá como el resultado de la evaluación del trabajo realizado. |
La bibliografía básica de la asignatura es Lantz, B. (2019), Machine Learning With R, 3rd. Edition, disponible a través de la editorial Packt Publishing.
Adicionalmente, el equipo docente subirá diversos materiales de apoyo con ejemplos adicionales en formato PDF.
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.
