RA1 - Conocer los métodos de depuración y codificación de variables y tratamiento de datos ausentes en datos estadísticos
RA3 - Conocer la base teórica de los modelos lineales de predicción
RA4 - Conocer la base teórica de los principales modelos para series temporales
RA15 - Dominar herramientas estadísticas básicas y el software estadístico especializado y avanzado para la aplicación de las técnicas de Ciencia de datos
RA16 - Aplicar de forma efectiva en el ámbito de la Inteligencia empresarial, las distintas técnicas de Ciencia de datos necesarias, discriminando entre todas ellas y buscando la solución óptima
RA17 - Modelizar problemas de clasificación y predicción dentro del ámbito de la estrategia empresarial
RA19 - Elaborar un programa básico en lenguaje de programación en un contexto de modelización predictiva
RA20 - Tomar las decisiones apropiadas en la utilización de algoritmos predictivos en un problema real
RA21 - Aplicar diferentes modelos de segmentación, agrupación de observaciones y reducción de variables
RA23 - Desarrollar el espíritu innovador en un ámbito interdisciplinario, fomentando la búsqueda de soluciones creativas a diversos tipos de problemas
RA24 Generar y mantener actividades de investigación, desarrollo y consultoría en el área de la Ciencia de Datos
RA25 - Investigar en nuevas metodologías y técnicas para la gestión y explotación de grandes bases de datos con las que crear conocimiento que apoye la toma de decisiones en la dirección estratégica y en la inteligencia empresarial
RA26 - Comunicar las conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
RA27 - Establecer las fases y estructura de una investigación relacionada con la Ciencia de Datos partiendo de un problema concreto

50%

50%

1,92

4,08

1

Conocimientos básicos de estadística

El alumno será evaluado continuamente a través de:
- Ejercicio prácticos que se realizarán fuera del horario de clase. La nota media de estas actividades será el 85% de la calificación final.
- La realización de ejercicios propuestos durante el horario de clase representarán el 15% de la nota final.
En el caso de que un alumno no haya superado la asignatura por este método o quiera mejorar la calificación, se podrá presentar a un examen final, que supondrá el 100% de la nota.
Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso,

SAS® for Forecasting Time Series. J. C.Brocklebank , D. A. Dickey, Ed. SAS Institute Inc.
Time Series Econometrics. K. Neusser. Ed Springer Texts in Business and Economics. (2016)
https://otexts.org/fpp2/dynamic.html
https://support.sas.com/documentation/onlinedoc/ets/132/esm.pdf
Alonso Revenga J M Calviño M artínez A 2022 Introducción a la Ciencia de datos con R Preparación de los datos y Análisis no supervisado Ed Ingebook
Hastie, T Tibshirani R Friedman, J 2008 The elements of statistical learning. Ed Springer