Proporcionar una comprensión sólida de las técnicas de análisis de datos aplicables a diversos tipos de información, abarcando tanto conceptos básicos como enfoques avanzados. El curso permitirá conocer el funcionamiento y la aplicación práctica de métodos de reducción de dimensionalidad (como PCA), técnicas de agrupamiento no supervisado (como HCA) y modelos supervisados avanzados, incluyendo redes neuronales artificiales y máquinas de vectores de soporte.

- Introducción al análisis de datos: Fundamentos del manejo y preprocesamiento de datos, visualización exploratoria y presentación de las principales técnicas multivariantes. Se abordarán métodos de reducción de dimensionalidad (PCA, t-SNE) y algoritmos de clustering (HCA, DBSCAN), destacando su utilidad en la interpretación de datos complejos.

-Introducción a la generación de datos: Estudio del proceso de generación y estructura de los datos analíticos a través de un caso práctico basado en espectrometría de masas. Se analizará cómo se producen, organizan e interpretan estos datos, y su relevancia en aplicaciones reales.

-Análisis mediante algoritmos: Desarrollo de análisis predictivos mediante algoritmos supervisados. Se profundizará en la implementación, evaluación y validación de modelos de clasificación y regresión, empleando técnicas como máquinas de vectores de soporte (SVM), bosques aleatorios (Random Forest) y análisis discriminante lineal (LDA).

El curso se desarrollará a través de charlas presenciales estructuradas en tres bloques, impartidas por José Luis Pérez Calle (UCA) y Ana Velasco González de Peredo (UBO). Cada bloque combinará exposiciones teóricas con demostraciones prácticas (mediante RStudio), permitiendo a los participantes aplicar directamente las técnicas presentadas.

Asistencia a las sesiones.

Este seminario está dirigido a la comunidad universitaria en general, incluyendo estudiantes de grado y posgrado, investigadores y personal académico interesado en análisis de datos, técnicas multivariantes e inteligencia artificial aplicada a datos experimentales. No se requieren conocimientos avanzados previos, aunque es valorable conocimientos previos estadística y programación.