Formación gratuita en competencias digitales avanzadas para trabajadores y directivos de pymes europeas
| Socio: Universidad de Burgos | ||||||
| Facultad/Departamento: Departamento de Digitalización | ||||||
| Código del curso: | Título del curso: Aprendizaje automático empresarial empleando R. Aprendiendo a sacar el mayor partido de tus datos | |||||
| Formato: online | ||||||
| Carga lectiva: 30 horas (20 horas lectivas sincrónicas y 10 horas de trabajo autónomo) | ||||||
| Número de créditos ECTS concedidos / Tipo de certificación: 2 ECTS | ||||||
| Requisitos para completar el curso: Evaluación continua: (20%): Seguimiento del trabajo de los alumnos a través de cuestionarios de evaluación. Evaluación final (80%): Evaluaciones de rendimiento del algoritmo de aprendizaje supervisado y aprendizaje no supervisado estudiado a lo largo del curso. | ||||||
| Destinatarios: Principal: Personas que trabajan en TIC y técnicos de PYME. Otros: Estudiantes de carreras técnicas, biotecnología o personal investigador. | ||||||
| Resultados del aprendizaje: Al finalizar el curso, el participante Comprenderá los criterios básicos del uso del lenguaje R para el análisis de datos. Aprender a crear, extraer, preprocesar y visualizar información. Aprender a crear modelos predictivos lineales y no lineales utilizando aprendizaje supervisado para tareas de clasificación y regresión. Practicar el uso del aprendizaje no supervisado para extraer información de clusters. | ||||||
| Estructura y programa del curso: Entre paréntesis se indican las horas siguientes (trabajo sincrónico / autónomo) Conceptos transversales (2h / 1h) – Introducción a la Ciencia de Datos en R. Principales tipos de datos y estructuras de programación. Vectores y matrices. Marcos de datos. R Markdown. Contenidos principales (2h / 1h) – Manipulación y visualización de datos. Tipos de variables. Normalización. Codificación one-hot. Trazado con ggplot. Contenido experto (12h / 6h) – Aprendizaje supervisado y aprendizaje no supervisado. Tareas de clasificación, regresión y agrupación. Modelos lineales, no lineales y de proyección. Estrategias de evaluación. Métricas de rendimiento. Modulo PL (3.5h / 2h) – Los estudiantes trabajarán en un caso de uso de un problema de la vida real en el que aplicarán los conocimientos adquiridos durante el curso. Reflexión guiada y feedback (0.5h / 0h) – En función de los resultados de la evaluación continua, se dará retroalimentación sobre los conceptos básicos, se dará retroalimentación sobre el proyecto propuesto. | ||||||
| Referencias: Norman Matloff. 2011. The Art of R Carmen Ximénez y Javier Revuelta. 2022. Análisis de datos en Lenguaje R. 2022. https://doi.org/10.15366/9788483448304.dt.107%20 Cesar Pérez López. 2015. R. Lenguaje de programación y análisis estadístico de datos | ||||||
| Competencia lingüística requerida: Español | ||||||
| Tabla de evaluación: | ||||||
| A | B | C | D | E | FX | |
| 90-100% | 80-89.9% | 70-79.9% | 60-69.9% | 50-59.9% | 0-49.9% | |
| Profesores: Nuño Basurto Hornillos, Daniel Urda Muñoz | ||||||
Inscripciones
Descargar el flyer informativo
Saber más sobre el proyecto EAGLE
