Descripción y contextualización de la asignatura

La inteligencia de negocios o business intelligence transforma los datos en conocimiento útil y se convierte en un sistema de apoyo para la toma de decisiones acertadas de cualquier empresa.



Se trata de una nueva filosofía de gestión empresarial que, más allá de la cantidad de datos, busca la calidad de los mismos como solución, y los organiza en cuadros de mando -dashboards- adaptados a cada empresa y a cada puesto de trabajo concreto, en tiempo real.



La creación de informes analíticos con datos es la piedra angular de la toma de decisiones, por ello, la asignatura aborda el diseño de informes y la configuración de los elementos que los componen para crear una historia narrada que sirve para explicar con mayor claridad el escenario de datos concreto permitiendo la generación de nuevas estrategias de mercado.



El aprendizaje automático o machine learning es una subcategoría de inteligencia artificial en rápido crecimiento que suma la capacidad de saber qué datos son relevantes en un sistema productivo y cómo analizarlos, revolucionando la forma en que operan las empresas. Los algoritmos de Aprendizaje Automático se pueden entrenar para analizar grandes cantidades de datos e identificar patrones que se pueden usar para hacer predicciones.



En los últimos años, el Aprendizaje Automático se ha convertido en una herramienta crítica para las empresas que buscan mantenerse por delante de la competencia, y se está aplicando en una variedad de industrias, desde finanzas, marketing hasta todo tipo de sistemas productivos.

Resultados del aprendizaje de la asignatura

En el nivel de Máster que aquí nos ocupa, se parte de graduados en ingeniería de cualquier rama y especialidad, y se trata de capacitarles para comprender los factores clave que determinan el comportamiento de las organizaciones en sus procesos del USO DE LOS DATOS con conceptos de Machine Learning, con especial énfasis en aquellas organizaciones en que la tecnología desempeña un papel relevante.



En consecuencia, se desarrolla la visión estratégica que facilita el posicionamiento de la organización y en el USO DE LOS DATOS en sus procesos, y se adquiere la capacidad de diseñar y rediseñar organizaciones y sistemas socio-técnicos de mayor complejidad característicos del entorno globalizado actual.



En este sentido, la asignatura Aprendizaje Automático en Sistemas de Producción aporta una profundización en el conocimiento y diagnóstico de las diversas situaciones problemáticas en las que se encuentran las complejas organizaciones actuales, así como los enfoques (frameworks), métodos y técnicas para abordar tanto la resolución de los problemas, como el cambio tecnológico y organizativo necesarios para su puesta en práctica.

Convocatoria ordinaria: orientaciones y renuncia

La puntuación final de la convocatoria ordinaria de esta asignatura vendrá dada por el promedio ponderado de las actividades descritas en esta guía docente en su sección "Herramientas y porcentajes de calificación".



Para aplicar la ponderación es necesario haberse presentado y haber aprobado el examen final tipo problema a desarrollar.



La no presentación al examen final implica la renuncia a la convocatoria.



Se debe comunicar la renuncia a la evaluación continua (Incluso habiéndose iniciado) para lo que dispondrá de un plazo de 9 semanas.



En el caso de que las condiciones sanitarias impidan la realización de una actividad docente y/o evaluación presencial, se activará una modalidad no presencial de la que los/las estudiantes serán informados puntualmente.

Convocatoria extraordinaria: orientaciones y renuncia

En la convocatoria extraordinaria se realizará una única prueba final cuyo valor será del 100% de la asignatura.

Para renunciar a la convocatoria extraordinaria será suficiente con no presentarse a la misma.

En el caso de que las condiciones sanitarias impidan la realización de una actividad docente y/o evaluación presencial, se activará una modalidad no presencial de la que los/las estudiantes serán informados puntualmente.

Temario

La asignatura será desarrollada en base a casos prácticos de inteligencia de negocios.



SECCIÓN I. ¿QUÉ ESTA OCURRIENDO?

1.Conceptos fundamentales de inteligencia de negocios, analítica avanzada, ciencia de datos e inteligencia artificial.

2.Las herramientas de Business intelligence.

3.Los procesos de Extracción, Transformación y Carga de datos (ELT)

4.Las conexiones a datos externos



SECCIÓN II. ¿POR QUÉ HA OCURRIDO? Análisis y modelado.

Creación de informes analíticos con datos. Se usará Microsoft PowerBI



5.El modelado de datos y optimización de modelos

6.Crear y configurar visualizaciones y dashboards

7.Bases del lenguaje DAX. La creación de medidas y columnas calculadas.

8.Filtrar datos

9.La historia de los datos. Storytelling



SECCIÓN III. ¿QUÉ PUEDE OCURRIR? Entrenamiento de algoritmos de Aprendizaje Automático para analizar grandes cantidades de datos e identificar patrones para hacer predicciones. Se extenderá PowerBI integrando código en lenguajes R y Python



10. Analítica avanzada con R.

11. Aprendizaje automático con Python

11.1. Aprendizaje no supervisado. Análisis cluster

11.2. Aprendizaje supervisado: Regresiones, Clasificaciones

Bibliografía

Materiales de uso obligatorio

Apuntes del profesor



Powerbi Desktop

Bibliografía básica

-Bisbé York, A. M. (2022). Curso de power bi (2ª, Ser. Manual imprescindible). Anaya Multimedia.



-Moreno, P. J., & Gómez, G. (2021). Machine learning en power bi con r y python : analítica avanzada. analítica predictiva. aprendizaje automático. para todos (1ª edición). mlbi.io.



-Atehortúa Morales Didier, Torres Hernández Fabián, & Caballero Sierra, M. (2018). Inteligencia de negocios con excel y power bi : una guía exhaustiva para la preparación, análisis y visualización de datos (1ª). Bii Soluciones & Excel Free Blog.

Bibliografía de profundización

-Barga, R. S., Fontama, V., & Tok, W.-H. (2015). Predictive analytics with microsoft azure machine learning : build and deploy actionable solutions in minutes (Second). Apress. https://doi.org/10.1007/978-1-4842-1200-4







-Aspin, A. (2016). Pro power bi desktop. Apress. https://doi.org/10.1007/978-1-4842-1805-1







-Joya Caparrós Gonzalo, & Joya Caparrós Gonzalo. (2004). Optimización inteligente : técnicas de inteligencia computacional para optimización. Universidad de Málaga.







-Martín Martín Quintín, Paz Santana (2007). Aplicación de las redes neuronales artificiales a la regresión (Ser. Cuadernos de estadística, 35). Editorial La Muralla.

Enlaces

https://learn.microsoft.com/es-es/power-bi/