Última actualización: 16/12/2023 19:31:52


Curso Académico: 2025/2026

Modelado de Datos
(18847)
Máster Universitario en Ingeniería de la información para la salud (Plan: 427 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ARTES RODRIGUEZ, ANTONIO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Álgebra Lineal. Cálculo en varias variables. Estadística. Introducción a Aprendizaje automático (o equivalente)
Objetivos
Competencias básicas CB6 Tener y comprender los conocimientos que proporcionan 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 sepan 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. Competencias generales CG1 Capacidad para mantener una formación continua tras su graduación, que le permita enfrentarse a las nuevas tecnologías. CG2 Capacidad para aplicar los conocimientos de habilidades y métodos de investigación relacionados con la ingeniería. CG3 Capacidad para aplicar los conocimientos de las habilidades y métodos de investigación relacionados con las Ciencias de la Vida. CG4 Capacidad para contribuir a la ampliación de las fronteras del conocimiento mediante una investigación original, parte de la cual merezca una publicación referenciada a nivel internacional. Competencias específicas CE4 Capacidad para utilizar técnicas de procesamiento de cantidades masivas de datos e imágenes médicas. CE5 Capacidad para aplicar métodos de procesamiento de datos e imágenes médicas.
Resultados del proceso de formación y aprendizaje
Descripción de contenidos: Programa
Modelado de datos 1. Introducción a la probabilidad, el álgebra lineal y la optimización. 2. Modelos para datos discretos y continuos. Familias exponenciales. 3. Modelos markovianos y de espacio de estados. 4. Modelos gráficos. Inferencia exacta y aproximada en modelos gráficos.
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS AF3 Clases prácticas teóricas AF4 Prácticas de laboratorio AF5 Tutorias AF6 Trabajo en equipo AF7 Trabajo individual del alumno AF8 Examenes parciales y finales METODOLOGÍA 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 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 MD5: Elaboración de trabajos e informes de manera individual o en grupo REGIMEN DE TUTORIAS Se establecerán 2 horas a la semana de tutorias para los alumnos donde el profesor estará disponible en su despacho.
Sistema de evaluación
  • Peso porcentual del Examen/Prueba Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Andrew Gelman et al.. Bayesian Data Analysis. CRC Press. 2013
  • Christopher M Bishop . Patter Recognition and Machine Learning. Springer. 2006
  • David JC Mackay. Information Theory, Inference and Learning Algorithms. Cambridge University Press. 2006
  • Kevin P Murphy. Machine Learning. A Probabilistic Perspective. MIT Press. 2003
  • Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong. Mathematics for Machine Learning. Cambridge University Press. 2019

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