K6: Conocer las técnicas computacionales más utilizadas en contextos aplicados como el cálculo numérico, las ecuaciones diferenciales, la estadística, la criptografía o la optimización. S2: Aplicar conocimientos combinados de matemáticas y física para modelar fenómenos en áreas como la biología, la economía, o la ciencia de datos. S5: Descomponer problemas extensos o complejos en partes más pequeñas y manejables, y aplicar técnicas de análisis matemático o computacional en cada componente.

Aprendizaje automático y métodos lineales: Regresión lineal. Regresión logística. Aprendizaje automático con métodos no lineales: Métodos núcleo: SVM y GP; Métodos de mezcla: boosting, baggin y random forest. Métodos de agrupamiento: K-medias; Modelos de mezclas. Métodos de reducción de dimensionalidad: PCA y PPCA; Selección de características. Aprendizaje por refuerzo. Transferencia de aprendizaje

A1: CLASES PRESENCIALES MAGISTRALES. Cada asignatura tiene dos sesiones semanales: una magistral, con mayor contenido teórico, y otra reducido, con mayor contenido práctico. En esta sesión tiene lugar el mayor contenido teórico. 100% de presencialidad / A2: CLASES PRESENCIALES: REDUCIDOS (TALLERES, SEMINARIOS, CASOS PRÁCTICOS). Según se ha indicado antes esta sesión tiene un mayor contenido práctico donde los profesores pueden realizar algunos de los ejemplos indicados. 100% de presencialidad / A3: TRABAJO INDIVIDUAL DEL ESTUDIANTE. 0% de presencialidad / A4: SESIONES DE LABORATORIOS. Se trata de una serie de horas adicionales donde los profesores refuerzan los contenidos más prácticos con los estudiantes. 100% de presencialidad / A5: EXAMEN FINAL. 100% de presencialidad M1: SEMINARIOS Y LECCIONES MAGISTRALES CON APOYO DE MEDIOS INFORMÁTICOS Y AUDIOVISUALES. / M2: APRENDIZAJE PRÁCTICO BASADO EN CASOS Y PROBLEMAS Y RESOLUCIÓN DE EJERCICIOS. / M3: TRABAJO INDIVIDUAL Y EN GRUPO O COOPERATIVO CON OPCIÓN A PRESENTACIÓN ORAL O ESCRITA. / M4: TUTORÍAS INDIVIDUALES Y EN GRUPO PARA RESOLUCIÓN DE DUDAS Y CONSULTAS SOBRE LA MATERIA.