Última actualización: 08/07/2019


Curso Académico: 2019/2020

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:




Competencias que adquiere el estudiante y resultados del aprendizaje.
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 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 ambigu¿edades COMPETENCIAS GENERALES CG1 Capacidad para identificar, definir y formular los problemas a resolver relacionados con aplicaciones IOT. Esta capacidad incluye la valoración simultánea de todos los factores en juego, no sólo técnicos, sino también medioambientales y de responsabilidad civil. CG5 Capacidad de comunicación pública de los conceptos, desarrollos y resultados, relacionados con actividades en IOT, adaptada al perfil de la audiencia. CG6 Capacidad para la aplicación de los conocimientos adquiridos y de resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, con la capacidad de integrar conocimientos. COMPETENCIAS ESPECÍFICAS CE6 Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios y sistemas inteligentes en el ámbito de la IoT. RESULTADOS DEL APRENDIZAJE Los resultados del aprendizaje que los estudiantes deberán tener son: - Capacidad de análisis y síntesis para el control avanzado de sistemas: métodos de identificación, sistemas con aprendizaje, etc. - Conocer y aplicar las técnicas de aprendizaje automático para IoT. - Capacidad para procesar los errores habituales en los datos para poder utilizarlos
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, Visualización, Graph analysis
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS: - Clases teóricas - Prácticas de laboratorio - Trabajo en grupo - Trabajo individual del estudiante - Exámenes parciales y final METODOLOGÍA: - 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. - 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. TUTORÍAS: Tutorías individuales que permitirán al alumno consultar individualmente con el profesor dudas concretas sobre la materia del programa y los ejercicios/problemas propuestos.
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60
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
  • Bos¿tjan. Kaluz¿a. 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.