Última actualización: 10/06/2021


Curso Académico: 2021/2022

Análisis de Datos Avanzado
(18117)
Titulación: Máster Universitario en Internet de las Cosas: Tecnologías Aplicadas (356)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: LEDEZMA ESPINO, AGAPITO ISMAEL

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
El objetivo de la asignatura es proporcionar al estudiante los conocimientos necesarios sobre técnicas avanzadas de análisis de datos, incluyendo el aprendizaje automático, la minería de datos y la Inteligencia Artificial y su aplicación en sectores relacionados con el IoT. De la misma manera, el alumno debe terminar conociendo los principios y métodos relacionados con estas técnicas y su aplicabilidad en diversos entornos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción 2. Minería de datos & Aprendizaje automático 3. Metodologías 4. Exploración de los datos 5. Regresión & clasificación 6. Clustering & asociación 7. Otros temas (Aprendizaje incremental, Series temporales, Text analytics)
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS: - Clases teóricas - Prácticas - Trabajo en grupo - Trabajo individual del estudiante METODOLOGÍA: - Exposiciones en clase del en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Lectura crítica de textos recomendados por el profesor de la asignatura: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. - Resolución de casos prácticos, problemas, etc., planteados por el profesor de manera individual o en grupo. - Elaboración de trabajos e informes de manera individual o en grupo. - Exposición de trabajos en aulas virtuales. - Participación en foros de discusión. TUTORÍAS: - Tutorías individuales que permitirán al alumno consultar individualmente con el profesor dudas concretas sobre la materia del programa y los ejercicios/problemas propuestos. - Tutorías grupales que permitirán a los equipos de trabajo resolver dudas relacionadas con las asignaciones grupales.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Calendario de Evaluación Continua
Bibliografía básica
  • Mohammed, Mohssen ; Khan, Muhammad ; Bashier, Eihab. Machine Learning. CRC Press. 2016
  • Sayan Mukhopadhyay . Advanced Data Analytics Using Python With Machine Learning, Deep Learning and NLP Examples. Berkeley, CA : Apress. 2018
  • Witten, Ian H. ; Frank, Eibe ; Hall, Mark A. ; Pal, Christopher J.. Data Mining: Practical Machine Learning Tools and Techniques (4th ed.). Elsevier Science. 2016
Bibliografía complementaria
  • Bostjan. Kaluza. Instant Weka how-to. Birmingham: Packt Pub. 2013
  • Gilchrist, Alasdair. Industry 4.0 : The Industrial Internet of Things. Apress L. P.. 2016
  • Gollapudi, Sunila. Practical Machine Learning. Packt Publishing. 2016

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