- Genéricos: 1.1. Conocimientos generales básicos 1.2. Capacidad de análisis y síntesis 1.3. Capacidad para aplicar los conocimientos a la práctica 1.4. Resolución de problemas 1.5. Capacidad de integración de conocimiento - Cognitivos: 2.1. Conocimiento de la tipología de los datos Astronómicos. 2.2. Comprensión de la naturaleza de los datos según la instrumentación. 2.3. Procesado estadístico de series temporales. 2.4. Procesado de imagen. 2.5. Inferencia Bayesiana, problema de inversión, modelos paramétricos. 2.6. Modelización no paramétrica. 2.7. Problemas de clasificación. - Procedimentales/Instrumentales: 2.8. Utilización de software para la modelización de los datos. 2.9. Uso de métodos de aprendizaje máquina para modelado y predicción de series temporales. 2.10. Aprendizaje profundo para clasificación, redes neuronales, aprendizaje supervisado y no supervisado.

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. 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. S7: Modelizar matemáticamente, implementar algorítmicamente y resolver problemas de optimización relacionados con la ciencia de datos, apoyándose para en el conocimientod de matemáticas, algoritmia, programación y optimización. 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. S10: Aplicar, diseñar, desarrollar, analizar de manera crítica y evaluar soluciones basadas en redes neuronales artificiales. S11: Aplicar, diseñar, desarrollar, analizar de manera crítica y evaluar soluciones basadas en aprendizaje automático en aplicaciones en dominios específicos como los sistemas de recomendación, el procesado del lenguaje natural, la Web o las redes sociales online. 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

Tema 1. Estimación de parámetros de modelos. Modelos paramétricos. Series temporales en Astrofísica. Curvas de luz, curvas de velocidad radial y ondas gravitacionales. Inferencia bayesiana: MCMC y muestreo de importancia. Tema 2. Selección de modelos. Selección de modelos. Modelo cosmológico. Oscilaciones de la llamarada. Número de exoplanetas. Test de hipótesis, evidencia Bayesiana, muestreo anidado. Tema 3. Procesos gaussianos para ajustes no paramétrico. Líneas de emisión y absorción. Curvas de luz de binarias eclipsantes. Tránsito de exoplanetas. Tema 4. Herramientas de aprendizaje automático. Imágenes astronómicas, series temporales y clasificación espectral. Redes neuronales en 1D y 2D. Clustering. K-means. Modelos de mezclas gaussianas. Tema 5. Otras herramientas de aprendizaje profundo. Detección/reconocimiento de patrones en series temporales. Aprendizaje no supervisado.

La asignatura se impartirá mediante clases de dos tipos: teoría y prácticas computacionales. TEORÍA (2 ECTS) En las sesiones se explican los fundamentos básicos y las herramientas de análisis correspondientes al núcleo del curso. Se proporcionarán numerosos ejemplos de datos reales, de sus propiedades y de su comportamiento. Para ello se empleará pizarra y medios audiovisuales (diapositivas, vídeo, ...). Se presentarán los métodos de aprendizaje máquina y profundo apropiados para el curso. PRÁCTICAS (1 ECTS) Para las clases prácticas, se propondrán trabajos de análisis de datos reales por computadora. Estos ejercicios serán guiados por el profesor de la asignatura y se realizarán en clase.