1. Datos Generales de la Actividad

Nombre de la Actividad

Árboles de decisión en R mediante un enfoque de machine learning

Tipo de Actividad

Curso

Fecha y Hora

11 y 12 de junio, de 16:00 a 20:00 (2 sesiones)

Lugar o link

Link a Google Meet

Responsable

Francisco M. Aliaga, francisco.aliaga@uv.es

Ponentes

Constante Amores, I. Alexander iconstan@ucm.es; Martínez Abad, Fernando fma@usal.es

2. Objetivos de Aprendizaje

Objetivo General

Desarrollar competencias investigadoras aplicadas a las Ciencias Sociales en la aplicación de modelos de árboles de decisión en R mediante un enfoque de machine learning.

Objetivos Específicos

• Comprender los principios, conceptos, utilidades y limitaciones de los métodos de machine learning.
• Identificar los principales tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo.
• Introducción al lenguaje de programación en R y elaboración de cuadernos reproducibles con Quarto.
• Aplicar el preprocesamiento de datos apropiado para la implementación de algoritmos supervisados de machine learning.
• Desarrollar e implementar modelos de árboles de decisión individuales en R, orientados a la clasificación y predicción en investigación educativa, desde un enfoque de machine learning.
• Introducir los modelos de árboles de decisión mediante Bagging, en concreto el algoritmo Random Forest, para la identificación de factores predictivos relevantes.

3. Resultados de Aprendizaje

• Reconoce qué es el Machine Learning,en qué se diferencia de la estadística tradicional, e identifica situaciones donde es adecuado aplicar estos métodos.
• Entiende y maneja cuestiones fundamentales del entorno de R y RStudio (scripts, objetos, paquetes, código básico).
• Implementa las acciones necesarias para el preprocesado de datos (manejo de datos perdidos, división de muestra de entrenamiento y validación, escalado/normalización).
• Construye un árbol de decisión individual en R, identifica sus elementos clave (nodos, reglas, particiones), evalúa su ajuste a través de métricas, e interpreta el modelo obtenido (variables predictoras más relevantes, elaboración de perfiles).
• Implementa en R la técnica de ensamblado Bagging a través del algoritmo Random Forest, optimizando hiperparámetros y evaluando la importancia de las variables explicativas.

4. Metodología y contenidos de la Actividad

Descripción de la metodología

La actividad formativa incluirá una presentación teórica inicial de conceptos básicos sobre Machine Learning y los árboles de decisión, y sesiones prácticas dirigidas para la introducción básica al uso al lenguaje de programación de R y la implementación de árboles de decisión en R.

Temas a tratar y cronograma

11 de junio
16:00-17:00 - Introducción al Machine Learning y árboles de decisión.
17:00-19:00 - Introducción básica al uso del lenguaje de programación en R
19:00-20:00 - Preprocesamiento de datos

12 de junio
16:00-18:00 – Aplicación e interpretación de árboles de decisión individuales
18:00-20:00 – Aplicación e interpretación de la técnica de Bagging mediante Random Forest

Software requerido

• R (software libre: https://cran.r-project.org/bin/windows/base/)
• R studio (software libre: https://posit.co/download/rstudio-desktop/)

5. Evaluación

Métodos de Evaluación

Auto-evaluación

Instrumentos de Evaluación

Escala auto-valorativa.

6. Retroalimentación

Encuesta de Satisfacción

Modelo de encuesta en línea a los participantes.

Plan de Mejora

Modelo de micro-memoria, del coordinador para ajustar el contenido de futuras conferencias.