Especialidad en Técnicas y Herramientas para la Toma de Decisiones. Online

En este segundo módulo se presenta una actualización sobre las principales técnicas y herramientas utilizadas para dar soporte a la toma de decisiones. Ofrece al estudiante la visión actual del desarrollo de esta disciplina, sus principales líneas de investigación y sus principales aplicaciones. Aporta conocimientos relacionados con los métodos, técnicas y herramientas de la inteligencia de negocios, la minería de datos y el big data, así como otros estrechamente vinculados al análisis multivariantes y los modelos de decisión.

2.1. Inteligencia de negocios (Business Intelligence) (5 ETCS).

Esta asignatura aborda los elementos fundamentales de la inteligencia de negocios y en ella se pretende caracterizar las principales técnicas, tecnologías y herramientas relacionadas con este tema. Se muestra el estado actual y principales aplicaciones y las ventajas que proporciona en el proceso de toma de decisiones.

2.1.1. Fundamentos de la inteligencia de negocios.

2.1.2. Herramientas de inteligencia de negocios.

2.1.3. Sistema de inteligencia de negocios para el apoyo al proceso de toma de decisiones.

2.2. Minería de datos y big data (5 ETCS).

A través de esta asignatura el alumno podrá aprender acerca del proceso de descubrimiento de conocimiento (KDD por sus siglas en inglés), lo que  resultará esencial para desarrollar y utilizar las técnicas y herramientas de la minería de datos. En esta asignatura se dará introducción a elementos que permitan velar por la calidad de los datos, así como a las técnicas de árboles de clasificación y las redes neuronales; de estas últimas su fundamento y criterios para su correcta utilización. Se muestra una mirada actual al big data.

2.2.1. Introducción al proceso de descubrimiento de conocimientos.

2.2.2. Almacenes de datos. Calidad de los datos.

2.2.3. Fundamentos del big data.

2.2.4. Técnicas, herramientas y aplicaciones del big data.

2.2.5. Árboles de clasificación.

2.2.6. Redes neuronales artificiales.

2.3. Gestión de la información y el conocimiento (3 ETCS).

Esta asignatura pretende que los alumnos sean capaces de comprender y argumentar la trascendencia de la gestión del conocimiento organizacional como condición de éxito para la mejora continua y la competitividad de las organizaciones; acceder y hacer un uso adecuado de la información científico-técnica disponible en bases de datos y sitios de reconocido prestigio; profundizar en el estudio de diferentes modelos matemáticos computacionales orientados a la representación y gestión del conocimiento organizacional; incorporar, adaptar, desarrollar y generalizar novedosas técnicas para la planificación y control de los proyectos informáticos basados en la gestión de la información y el conocimiento organizacional.

2.3.1. Conceptos básicos en la gestión del conocimiento.

2.3.2. La gestión del conocimiento en la organización.

2.3.3. La producción de conocimiento y su gestión. Herramientas.

2.3.4. Organizaciones inteligentes.

2.3.5. Sistemas basados en conocimiento.

2.4. Análisis multivariantes (5 ETCS).

Con el desarrollo de la asignatura se pretende que los alumnos sean capaces de medir e interpretar la asociación entre variables, seleccionando los métodos más convenientes según los objetivos y las características de los datos, así como de utilizar diferentes variantes de técnicas de análisis de interdependencia entre variables o entre sujetos a partir del conocimiento de sus fundamentos algebraicos y estadísticos y aplicarlas con ayuda de un software apropiado. También que puedan reconocer y evaluar la utilidad de la reducción de datos y la detección de casos anómalos y sean capaces de  la formación de grupos de variables o de individuos y de la caracterización de sus asociaciones como parte de la solución de un problema de decisión.

2.4.1. Introducción al análisis multivariantes.

2.4.2. Análisis de componentes principales.

2.4.3. Análisis factorial común.

2.4.4. Análisis de clúster.

2.4.5. Regresión múltiple.

2.5. Aprendizaje automático (3 ETCS).

Asignatura dedicada al estudio en profundidad de los elementos característicos del aprendizaje automático. Se abordan una serie de algoritmos que son característicos de este tipo de aprendizaje y, para finalizar, se abordan una serie de técnicas que pertenecen a lo que se conoce como aprendizaje automático no estándar.

2.5.1. Introducción al aprendizaje automático.

2.5.2. Aprendizaje supervisado (Supervised Learning).

2.5.3. Aprendizaje no supervisado (Unsupervised Learning).

2.5.4. Otros paradigmas de aprendizaje.