Guía docente de Introducción a la Ciencia de Datos (2AB1119)

No se establecen prerrequisitos formales para cursar esta asignatura.

Se recomienda que el estudiantado haya adquirido conocimientos básicos de programación en Python, incluyendo el uso de variables, estructuras de control, funciones, estructuras de datos básicas y lectura/escritura de información sencilla. También resulta conveniente una familiaridad inicial con el uso de entornos de trabajo como Google Colab o Jupyter Notebook.

Asimismo, se recomienda haber asimilado los conceptos básicos de análisis exploratorio de datos y visualización introducidos en el primer cuatrimestre, especialmente en lo relativo a tipos de variables, medidas descriptivas elementales, representación gráfica de datos y detección inicial de problemas de calidad en los datos.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

• La importancia del dato en el aprendizaje del dato.
• Introducción al aprendizaje automático (supervisado, no supervisado y por refuerzo).
• Árboles de decisión.
• Evaluación de modelos de aprendizaje.
• Introducción a la Minería de Datos.
• Reglas de asociación.

1. Comprender el papel del dato como elemento central en la ciencia de datos y la inteligencia artificial.
2. Identificar las fases principales de un proceso de Ciencia de Datos: planteamiento del problema, adquisición de datos, preparación, análisis, modelado, evaluación, comunicación y explotación.
3. Distinguir entre problemas descriptivos, predictivos y exploratorios, así como entre aprendizaje supervisado, no supervisado y por refuerzo.
4. Aplicar de forma introductoria modelos sencillos de aprendizaje automático, especialmente árboles de decisión.
5. Evaluar modelos predictivos mediante criterios básicos de rendimiento, generalización y comparación.
6. Introducir técnicas elementales de minería de datos, incluyendo patrones frecuentes y reglas de asociación.
7. Reconocer riesgos y buenas prácticas asociados al uso responsable de datos y modelos.
8. Desarrollar pequeños flujos de trabajo reproducibles en Python, Google Colab/Jupyter y Orange, y comunicar sus resultados técnicos de forma clara.
9. Identificar aspectos básicos de responsabilidad, privacidad, sesgo, trazabilidad e interpretación en proyectos de datos.

• Tema 1. La Ciencia de Datos y la importancia del dato
• Tema 2. El ciclo de vida de un proyecto de Ciencia de Datos
• Tema 3. Tipos de datos, variables y problemas de análisis
• Tema 4. Introducción al aprendizaje automático
• Tema 5. Aprendizaje supervisado: ejemplos de algoritmos y modelos
• Tema 6. Árboles de decisión
• Tema 7. Evaluación básica de modelos de aprendizaje
• Tema 8. Minería de datos, patrones frecuentes y reglas de asociación
• Tema 9. Ciencia de Datos responsable
• Tema 10. Despliegue, comunicación y explotación de resultados

• Práctica 1. Primer flujo de trabajo de Ciencia de Datos en Python, Orange y Google Colab
• Práctica 2. Carga, inspección y preparación básica de datos
• Práctica 3. Formulación de problemas predictivos y partición de datos
• Práctica 4. Modelos supervisados básicos: árboles de decisión, k-NN, regresión lineal/logística y Naive Bayes
• Práctica 5. Evaluación y comparación de modelos: métricas y análisis de errores
• Práctica 6. Minería de datos y reglas de asociación con Python y Orange

• Seminario 1. Casos reales de Ciencia de Datos e Inteligencia Artificial
• Seminario 2. Introducción a Orange Data Mining para flujos visuales de Ciencia de Datos
• Seminario 3. Introducción a scikit-learn para modelos supervisados y evaluación
• Seminario 4. Errores frecuentes en proyectos de datos: sesgos, fuga de información y mala interpretación
• Seminario 5. Ejemplos prácticos de despliegue de proyectos de Ciencia de Datos

• Grus, J. (2019). Data Science from Scratch: First Principles with Python. 2nd ed. O'Reilly.
• VanderPlas, J. (2022). Python Data Science Handbook: Essential Tools for Working with Data. 2nd ed. O'Reilly.
• James, G., Witten, D., Hastie, T., Tibshirani, R. y Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
• Tan, P.-N., Steinbach, M., Karpatne, A. y Kumar, V. (2019). Introduction to Data Mining. 2nd ed. Pearson.
• Provost, F. y Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly.
• Barocas, S., Hardt, M. y Narayanan, A. (2023). Fairness and Machine Learning: Limitations and Opportunities. MIT Press.

• Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd ed. O'Reilly.
• Witten, I. H., Frank, E., Hall, M. A. y Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. 4th ed. Morgan Kaufmann.
• Han, J., Kamber, M. y Pei, J. (2011). Data Mining: Concepts and Techniques. 3rd ed. Morgan Kaufmann / Elsevier.
• Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer.
• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
• Cielen, D., Meysman, A. D. B. y Ali, M. (2016). Introducing Data Science: Big Data, Machine Learning, and More, Using Python Tools. Manning.

• Python Tutorial — Documentación oficial de Python. Recurso de consulta para repasar fundamentos del lenguaje y buenas prácticas básicas. (Python documentation)
• Google Colab. Entorno en la nube para ejecutar notebooks de Python sin instalación local, útil para prácticas guiadas y trabajo autónomo. (colab.research.google.com)
• scikit-learn — Getting Started. Documentación oficial para construir y evaluar modelos básicos de aprendizaje automático en Python. (Scikit-learn)
• Orange Data Mining — Getting Started. Introducción al uso de Orange mediante flujos visuales para análisis de datos, aprendizaje automático y minería de datos. (orangedatamining.com)

Con objeto de evaluar la adquisición de los contenidos y competencias a desarrollar en la asignatura, se utilizará un sistema de evaluación diversificado, seleccionando las técnicas de evaluación más adecuadas en cada momento, que permita poner de manifiesto los diferentes conocimientos y capacidades adquiridos por el alumnado. De entre las técnicas evaluativas a aplicar se utilizarán alguna o algunas de las siguientes:

• Pruebas escritas: exámenes de desarrollo, exámenes de tipo test, resolución de problemas, casos o supuestos, pruebas de respuesta breve, informes y diarios de clase, trabajos periódicos escritos.
• Pruebas orales: exposición oral de trabajos en clase, individuales o en grupo, sobre contenidos de la asignatura (seminario) y sobre ejecución de tareas prácticas correspondientes a competencias concretas.
• Pruebas en los laboratorios de prácticas: elaboración y defensa de supuestos prácticos en el laboratorio de informática.

Se utilizará la siguiente ponderación en los sistemas de Evaluación: Exámenes (50%), Trabajos y/o ejercicios (25%), Realización de distintos tipos de prácticas (25%).

En el examen extraordinario (evaluado de 0 a 10) tanto la parte teórica como la práctica serán incluidas en un único examen que incluirá cuestiones de índole teórica y problemas de índole práctica.

Es un examen de preguntas múltiples para que se garantice que el estudiantado ha adquirido la totalidad de las competencias descritas en la presente guía docente, tanto de la parte teórica como de la práctica.

Para aprobar la asignatura es necesario tener una calificación numérica superior o igual a 5 (sobre 10).

La evaluación única final se realizará en un solo acto académico el día de la convocatoria oficial de examen para la asignatura.

Es un examen de preguntas múltiples para que se garantice que el estudiantado ha adquirido la totalidad de las competencias descritas en la presente guía docente, tanto de la parte teórica como de la práctica.

La prueba será evaluada de 0 a 10 e incluirá preguntas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en la presente guía docente, tanto de la parte teórica como de la práctica.

Para aprobar la asignatura es necesario tener una calificación numérica superior o igual a 5 (sobre 10).

Cualquier elemento de esta guía podrá ser adaptado para atender a la diversidad del alumnado teniendo en cuenta los informes facilitados por los tutores NEAE, y siempre siguiendo la Normativa de la Universidad de Granada: https://www.ugr.es/sites/default/files/2017-09/NCG1114.pdf

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).