Introducción a la ciencia de datos Probabilidad y análisis de datos Introducción a la modelización estadística Aprendizaje estadístico Modelización predictiva Análisis Bayesiano de datos

1. Poseer y comprender conocimientos que aporten fundamentos para el desarrollo y/o aplicación de estos conocimientos, a menudo, en un contexto de investigación. 2. Aplicar los conocimientos adquiridos a la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos multidisciplinares relacionados con su área de estudio. 3. Integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios. 4. Poseer habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida auto-dirigido o autónomo. 1. Aplicar los fundamentos teóricos de las técnicas de recogida, almacenamiento, tratamiento y presentación de información como base para el desarrollo y adaptación de dichas técnicas a problemas concretos. 2. Identificar las técnicas de análisis de datos más adecuadas para cada problema y saber aplicarlas para el análisis, diseño y resolución de los mismos. 3. Obtener soluciones prácticas y eficientes para problemas de tratamiento de conjuntos de datos, tanto individualmente como en equipo. 4. Sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente tanto por escrito como oralmente. 5. Ser capaz de generar nuevas ideas (creatividad) y de anticipar nuevas situaciones, en los contextos del análisis de datos y de la toma de decisiones. 6. Utilizar habilidades para el trabajo en equipo y para relacionarse con otros de forma autónoma. Competencias Específicas: 1. Emplear los resultados básicos de inferencia estadística y regresión como fundamento para métodos de predicción. 2. Identificar y seleccionar las herramientas software adecuadas para el tratamiento de datos funcionales. 3. Utilizar procedimientos estadísticos avanzados para el tratamiento de datos funcionales en áreas como la modelización, la inferencia y la predicción. 4. Diseñar sistemas para el procesamiento de datos funcionales, desde la obtención y filtrado inicial de los mismos, su análisis estadístico, hasta la presentación de los resultados finales.

RESULTADOS DE APRENDIZAJE 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). COMPETENCIAS BÁSICAS 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 COMPETENCIAS GENERALES 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 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 COMPETENCIAS ESPECÍFICAS 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. CE5: Capacidad para comprender y manejar conceptos fundamentales de probabilidad y estadística y ser capaz de representar y manipular datos para extraer información significativa de los mismos

1. Introducción al análisis funcional de datos. 2. Herramientas para explorar datos funcionales: a. Media y varianza funcional. b. Funciones de covarianza y correlación. c. Funciones de covarianzas y correlaciones cruzadas. 3. De datos funcionales a funciones suaves: a. Funciones Base. b. Suavización de datos funcionales por mínimos cuadrados. c. Suavización de datos funcionales por penalización. 4. Análisis de componentes principales para datos funcionales: a. Definición de PCA funcional. b. Visualización de resultados. c. Métodos computacionales para PCA funcional. d. PCA regularizado. 5. Regresión para datos funcionales: a. Modelos lineales funcionales para respuestas escalares. b. Modelos lineales funcionales para respuestas funcionales. 6. Clasificación supervisada para datos funcionales: a. k vecinos más cercanos. 7. Clasificación no supervisada para datos funcionales: a. k-medias.

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. AF2:  Actualizado a alegación AF3: TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. 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.