Última actualización: 29/04/2019


Curso Académico: 2019/2020

Herramientas inteligentes para el procesado de datos
(18048)
Titulación: Máster Universitario en Industria Conectada 4.0 (357)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: MUÑOZ ORGANERO, MARIO

Departamento asignado a la asignatura: Departamento de Ingeniería Telemática

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Esta asignatura se basa en los conocimientos dados en la asignatura previa del mismo máster: - Análisis de datos en la IC4.0
Competencias que adquiere el estudiante y resultados del aprendizaje.
Competencia 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 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. COMPETENCIAS GENERALES CG3 Capacidad de desarrollo de aplicaciones distribuidas básicas para el transporte, almacenamiento y gestión de la información. CG5 Capacidad de análisis básicas de los requisitos para el manejo de información y tratamiento de grandes volúmenes de datos. CG6 Capacidad de adaptación a cambios de requisitos asociados a nuevos productos, a nuevas especificaciones y a entornos. COMPETENCIAS ESPECIFICAS CE10 Capacidades programáticas de tratamiento de datos en la resolución de problemas particulares de la industria conectada RESULTADOS DEL APRENDIZAJE Como resultados del aprendizaje el alumno será capaz de: - Recolectar y almacenar datos incluyendo la nube como soporte. - Realizar procesamientos estadísticos avanzados.
Descripción de contenidos: Programa
- Pre-procesado de los datos: Técnicas, métodos, herramientas y aplicaciones de detección de valores atípicos - Programación y herramientas para el análisis de datos - Análisis de datos en la nube - Métodos avanzados de clasificación con SVM y redes neuronales poco profundas - Clasificación avanzada y regresión con métodos de aprendizaje profundo. Máquinas de Boltzmann restringidas y Autoencoders. - Clasificación avanzada y regresión con métodos de aprendizaje profundo. Redes neuronales recurrentes profundas. - Manejo de datos en la nube. Herramientas y arquitecturas.
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS AF1 Clase teórica AF2 Clases 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 AF1 12 12 100 AF2 6 6 100 AF4 3 3 100 AF5 2 2 100 AF6 25 0 0 AF7 25 0 0 AF8 2 2 100 TOTAL 75 25 33% METODOLOGÍAS DOCENTES FORMATIVAS 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. MD2 Lectura crítica de textos recomendados por el profesor de la asignatura: artículos, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. MD3 Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo MD4 Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40
Bibliografía básica
  • Aurelien Geron . Hands-On Machine Learning with Scikit-Learn and TensorFlow. O'Reilly. 2017
  • Aurelien Geron . Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent . O'Reilly. 2019
  • Charu C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer. 2018
  • Sebastian Raschka y Vahid Mirjalili . Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd Edition. Packt. 2017
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Francois Chollet. Deep Learning with Python. Manning. 2017
Recursos electrónicosRecursos Electrónicos *
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


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.


Dirección web para más información: https://ci40.uc3m.es/