Máster Universitario en Matemática Aplicada y Computacional (Plan: 458 - Estudio: 372)
Escuela de Ingeniería y Ciencias Básicas
Coordinador/a: TORRENTE ORIHUELA, ESTER AURORA
Departamento asignado a la asignatura: Departamento de Matemáticas
Tipo: Optativa
Créditos: 6.0 ECTS
Curso: 1º
Cuatrimestre: 1º
Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Álgebra Lineal.
Cálculo en varias variables.
Nociones de probabilidad y estadística.
Objetivos
Competencias Básicas:
CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
Competencias generales:
CG1 Reunir e interpretar datos de carácter matemático que puedan ser aplicados a otras áreas del conocimiento científico.
CG2 Aplicar los conocimientos adquiridos y poseer capacidad de resolución de nuevos problemas relacionados con las Matemáticas.
CG3 Ser capaz de fomentar nuevos desarrollos científico-tecnológicos en un entorno laboral.
CG6 Ser capaz de estudiar e investigar de forma autónoma.
Competencias específicas:
CE12 Tener habilidad para conocer las peculiaridades de la adquisición de datos y el tratamiento de información.
CE13 Capacidad para diseñar e implementar sistemas de aprendizaje automático para la resolución de problemas supervisados y no supervisados.
CE14 Adquirir un espíritu emprendedor e innovador.
1. Introducción al aprendizaje automático.
2. Métodos lineales: regresión y clasificación.
3. Métodos de núcleo: GPs y SVMs.
4. Agrupamiento: k-means y agrupación espectral.
5. Reducción de la dimensionalidad: PCA, PLS, selección de características.
6. Introducción a las redes neuronales artificiales.
Actividades formativas, metodología a utilizar y régimen de tutorías
AF3 Clases teórico-prácticas
AF4 Prácticas de laboratorio
AF5 Tutorías
AF6 Trabajo en grupo
AF7 Trabajo individual del estudiante
AF8 Exámenes parciales y finales
Código actividad - Nº Horas totales - Nº Horas Presenciales - % Presencialidad Estudiante
AF3 100 100 100%
AF4 32 32 100%
AF5 18 0 0%
AF6 90 0 0%
AF7 186 0 0%
AF8 12 12 100%
C. E. Rasmussen. Gaussian Processes for Machine Learning. MIT Press. 2006
C. M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006
R. O. Duda, P. E. Hart, D. G. Stork . Pattern Classification (2nd ed.). Wiley Interscience. 2001
T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer. 2009
El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.
