Programación en R Programación Avanzada

COMPETENCIAS QUE EL ESTUDIANTE ADQUIERE CON ESTA MATERIA 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 CB8 Que los estudiantes sean capaces de 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 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 CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. CG1 Capacidad para aplicar las técnicas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. CG2 Capacidad para identificar el modelo estadístico más adecuado para cada problema real y saberlo aplicar para el análisis, diseño y solución del mismo. CG3 Capacidad para obtener soluciones científicamente viables para problemas estadísticos reales complejos, tanto de manera individual como en equipo. CG4 Capacidad para sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente en un entorno bilingüe (español e inglés) tanto por escrito como oralmente. CG5 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. CG6 Aplicar habilidades sociales para el trabajo en equipo y para relacionarse con otros de forma autónoma. CG7 Aplicar las técnicas avanzadas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. CE2 Utilizar software libre como R y Python para la implementación del análisis estadístico. CE7 Aplicar técnicas de optimización en la estimación de los paramentos en modelos muestrales complejos. CE8 Aplicar y desarrollar técnicas de visualización de muestras recogidas con software de libre distribución como R y Python. CE10 Aplicar la modelización estadística en el tratamiento de problemas relevantes en el ámbito científico. RESULTADOS DE APRENDIZAJE QUE ADQUIERE EL ESTUDIANTE Adquisición de conocimientos sobre: 1) computación en paralelo; 2) paralelismo en Python y R 3) plataformas de computación en la nube; 4) entornos de desarrollo para Big Data.

1) Computación paralela. Fundamentos y paradigmas. 2) Paralelización en aplicaciones Big Data. 4) Plataformas para Big Data. 5) HADOOP y SPARK 6) MapReduce paradigm 7). Sistemas de almacenamiento NoSQL 8) CUDA y OpenCL para Google TensorFlow. 9) Aplicaciones

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 Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF1 55 55 100 AF2 25 25 100 AF4 25 25 100 AF5 20 20 100 AF6 50 0 0 AF7 192,5 0 0 AF8 7,5 7,5 100 TOTAL MATERIA 375 125 33 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