Última actualización: 26/04/2024


Curso Académico: 2024/2025

Programación Avanzada
(17761)
Máster Universitario en Estadística para la Ciencia de Datos (Plan: 386 - Estudio: 345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ALER MUR, RICARDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programming with R
Objetivos
Los objetivos principales del curso son: 1. Integrar C++ con R usando Rcpp: aprender a combinar el poder de la programación de C++ con el lenguaje de programación R, lo que permite una computación eficiente y de alto rendimiento. 2. Dominar Python, numpy y pandas: adquirir competencias en el lenguaje de programación Python junto con librerías de análisis y manipulación de datos esenciales como numpy y pandas. 3. Desarrollar habilidades de visualización de datos: adquirir la capacidad de crear representaciones visuales de datos utilizando librerías de Python como matplotlib y seaborn. 4. Explorar el aprendizaje automático con scikit-learn: comprender los fundamentos del aprendizaje automático y aplícarlos de manera práctica utilizando el paquete scikit-learn en Python.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1) Combinación de C++ con R a través de Rcpp. 2) Lenguaje Python, librerías numpy and pandas. Gráficos en Python (matplotlib y seaborn). 3) Paquetes de aprendizaje automático (scikit-learn).
Actividades formativas, metodología a utilizar y régimen de tutorías
La asignatura se impartirá mediante lecciones magistrales las clases de teoría y mediante clases tutoradas las clases prácticas. Las clases magistrales estarán enfocadas a enseñar conceptos y lenguajes. Las clases prácticas se desarrollarán para que, de un modo tutorado, el alumno aprenda a resolver casos prácticos. Las prácticas se realizarán en grupos de 2 personas. Tendrán lugar con los portátiles personales de los alumnos. Existirán varias prácticas relacionadas con los distintos temas de la asignatura. Se realizarán tutorías para ayudar en una comprensión mas personalizada de los temas teóricos y prácticos === ACTIVIDADES FORMATIVAS DEL PLAN DE ESTUDIOS REFERIDAS A MATERIAS AF1 Clase teórica AF2 Clases prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Pruebas de evaluación presencial METODOLOGÍAS DOCENTES FORMATIVAS DEL PLAN REFERIDAS A MATERIAS MD1 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 proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD3 Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70

Calendario de Evaluación Continua


Bibliografía básica
  • Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 2nd Edición. O'Reilly Media. 2022
  • Dirk Eddelbuettel. Seamless R and C++ Integration with Rcpp (Use R!) . Springer. 2013
  • Eric Matthes. Python Crash Course, 2nd Edition: A Hands-On, Project-Based Introduction to Programming. No Starch Press. 2019
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Julian Avila. scikit-learn Cookbook (2nd edition). Packt. 2017
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.