Programación Probabilidad y Análisis de Datos

* Comprender las técnicas básicas de Aprendizaje Automático * Aprender a determinar cuándo utilizar Aprendizaje Automático en problemas reales * Aprender a determinar qué técnica es adecuada para cada problema * Aprender a aplicar de forma práctica las técnicas en problemas reales Competencias: CB1: Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio. CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio CB3: Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética CB4: Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado. CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía. CE13: Capacidad para aplicar y diseñar métodos de aprendizaje automático en problemas de clasificación, regresión y agrupación y para tareas de análisis supervisado, no supervisado y por refuerzo. CE2: Capacidad para identificar correctamente problemas de tipo predictivo correspondientes a unos objetivos y unos datos determinados y emplear los resultados básicos del análisis de regresión como fundamento básico de los métodos de predicción. CE3: Capacidad para identificar correctamente problemas de clasificación correspondientes a unos objetivos y unos datos determinados y emplear los resultados básicos del análisis multivariante como fundamento básico de los métodos de clasificación, clustering y reducción de la dimensión. CG1: Conocimientos y habilidades adecuados para analizar y sintetizar problemas básicos relacionados con la ingeniería y la ciencia de datos, resolverlos y comunicarlos de forma eficiente. CG2: Conocimiento de materias básicas científicas y técnicas que capaciten para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones. CG3: Capacidad de resolver problemas con iniciativa, toma de decisiones, creatividad, y de comunicar y transmitir conocimientos, habilidades y destrezas, comprendiendo la responsabilidad ética, social y profesional de la actividad del tratamiento de datos. Capacidad de liderazgo, innovación y espíritu emprendedor. CG4: Capacidad para la resolución de los problemas tecnológicos, informáticos, matemáticos y estadísticos que puedan plantearse en la ingeniería y ciencia de datos. CG5: Capacidad para resolver problemas formulados matemáticamente aplicados a diversas materias, empleando algoritmos numéricos y técnicas computacionales. CG6: Capacidad para sintetizar las conclusiones obtenidas de los análisis realizados y presentarlas de manera clara y convincente tanto por escrito como oralmente. RA1 Haber adquirido conocimientos avanzados y demostrado una comprensión de los aspectos teóricos y prácticos y de la metodología de trabajo en el campo de la ciencias e ingeniería de datos con una profundidad que llegue hasta la vanguardia del conocimiento RA2 Poder, mediante argumentos o procedimientos elaborados y sustentados por ellos mismos, aplicar sus conocimientos, la comprensión de estos y sus capacidades de resolución de problemas en ámbitos laborales complejos o profesionales y especializados que requieren el uso de ideas creativas e innovadoras RA3 Tener la capacidad de recopilar e interpretar datos e informaciones sobre las que fundamentar sus conclusiones incluyendo, cuando sea preciso y pertinente, la reflexión sobre asuntos de índole social, científica o ética en el ámbito de su campo de estudio; RA4 Ser capaces de desenvolverse en situaciones complejas o que requieran el desarrollo de nuevas soluciones tanto en el ámbito académico como laboral o profesional dentro de su campo de estudio; RA5 Saber comunicar a todo tipo de audiencias (especializadas o no) de manera clara y precisa, conocimientos, metodologías, ideas, problemas y soluciones en el ámbito de su campo de estudio; RA6 Ser capaces de identificar sus propias necesidades formativas en su campo de estudio y entorno laboral o profesional y de organizar su propio aprendizaje con un alto grado de autonomía en todo tipo de contextos (estructurados o no).

K3: Conocer contenidos fundamentales en su área de estudio partiendo de la base de la educación secundaria general y alcanzando un nivel propio de libros de texto avanzados, incluyendo también algunos aspectos de la vanguardia de su campo de estudio. K4: Conocer materias básicas científicas y técnicas que capaciten para el aprendizaje de nuevos métodos y tecnologías, así como doten de una gran versatilidad para adaptarse a nuevas situaciones, en el ámbito del almacenamiento, gestión y procesamiento de datos. K5: Comprender y relacionar conceptos fundamentales de probabilidad y estadística y ser capaz de representar y manipular datos para extraer información significativa de los mismos. S1: Planificar y organizar trabajos en equipo tomando las decisiones correctas basadas en la información disponible y reuniendo datos en entornos digitales. S3: Ser capaz de resolver problemas tecnológicos, informáticos, matemáticos y estadísticos que puedan plantearse en la ingeniería y ciencia de datos, aplicando conocmientos de matemáticas, probablidad y estadística, programación, bases de datos y lengjuajes, gramáticas y autómatas. S4: Ser capaz de resolver problemas formulados matemáticamente aplicados a diversas materias, empleando algoritmos numéricos y técnicas computacionales, y aplicando conocimientos sobre: álgebra; geometría; cálculo diferencial e integral; métodos numéricos; algorítmica numérica; estadística y optimización. S5: Identificar correctamente problemas de tipo predictivo correspondientes a unos objetivos y unos datos determinados, apoyándose en los conocimientos sobre algoritmia, modelización, predicción y filtrado, y emplear los resultados básicos del análisis de regresión como fundamento básico de los métodos de predicción. S6: Identificar correctamente problemas de clasificación correspondientes a unos objetivos y unos datos determinados, apoyándose en los conocimientos sobre algoritmia, modelización, predicción y filtrado, y emplear los resultados básicos del análisis multivariante como fundamento básico de los métodos de clasificación, clustering y reducción de la dimensión. S9: Aplicar, diseñar, desarrollar, analizar de manera crítica y evaluar métodos de aprendizaje automático para problemas de clasificación, regresión y agrupamiento y para tareas de análisis supervisado, no supervisado y por refuerzo. S16: Ser capaz de sintetizar las conclusiones obtenidas de los análisis realizados y presentarlas de manera clara y convincente tanto por escrito como oralmente, y tanto ante un público especializado como no especializado C2: Desarrollar aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía C3: Ser capaz de resolver problemas con iniciativa, toma de decisiones, creatividad, y de comunicar y transmitir conocimientos, habilidades y destrezas, comprendiendo la responsabilidad ética, social y profesional de la actividad del tratamiento de datos. Tener capacidad de liderazgo, innovación y espíritu emprendedor. C5: Ser capaz de analizar y sintetizar problemas básicos relacionados con la ingeniería y la ciencia de datos, elaborar, defender y comunicar eficientemente soluciones de forma individual y profesional, aplicando los conocimientos, habilidades, herramientas y estrategias adquiridas o desarrolladas en su área de estudio.

· Introducción al aprendizaje automático · Aprendizaje de árboles y reglas de decisión · Aspectos metodológicos · Aprendizaje de árboles y reglas de regresión · Conjuntos de técnicas · Conjuntos frecuentes y reglas de asociación · Aprendizaje por refuerzo · Aprendizaje relacional

AF1: CLASES TEÓRICO-PRÁCTICAS. En ellas se presentarán los conocimientos que deben adquirir los alumnos. Estos recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y prueba de evaluación para adquirir las capacidades necesarias. AF3: TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. AF8: TALLERES Y LABORATORIOS. AF9: EXAMEN FINAL. En el que se valorarán de forma global los conocimientos, destrezas y capacidades adquiridas a lo largo del curso. MD1: CLASE TEORÍA. Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporcionan los materiales y la bibliografía para complementar el aprendizaje de los alumnos. MD2: PRÁCTICAS. Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo. MD3: TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. MD6: PRÁCTICAS DE LABORATORIO. Docencia aplicada/experimental a talleres y laboratorios bajo la supervisión de un tutor.