Que estás buscando?
Curso impartido en Inglés
B4_Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
B5_Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
T1_Que los estudiantes conozcan un tercer idioma, que será preferentemente inglés, con un nivel adecuado de forma orial y por escrito y de acuerdo con las necesidades que tendrán las graduadas y graduados en cada titulación
T2_Que los estudiantes tengan capacidad para trabajar como miembros de un equipo interdisciplinar ya sea como un miembro más, o realizando tareas de dirección, con el fin de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles
Asignatura optativa enmarcada en el bloque de la mención en Fabricación Inteligente en la Industria 4.0.
Su objetivo es ayudar al estudiante a dominar los fundamentos del Big Data, entender la importancia de la calidad de los datos e introducirse en el uso de herramientas analíticas aplicadas a entornos de big data.
El curso describe el proceso de examinar y tratar grandes cantidades de datos y de diferente naturaleza para descubrir patrones ocultos, obtener nuevas perspectivas y cómo visualizar los resultados obtenidos. Se presentan algunos de los avances más utilizados en la actualidad agrupados en lo que se denomina Deep Learning y se presenta la utilización de entornos de digital twin.
Contenidos
Título contenido 1: Introducción al Big Data |
dedicación: |
Grupo Grande: 4 Grupo Pequeño: 2 Aprendizaje autónomo: 9 |
|
Descripción |
|
||
actividades vinculadas |
Activ1, Activ 2 y Activ 3 |
||
Título contenido 2: Preparación de Datos |
dedicación: |
Grupo Grande: 8 Grupo Pequeño: 4 Aprendizaje autónomo: 18 |
|
Descripción |
|
||
actividades vinculadas |
Activ1, Activ 2, Act3 y Activ 4 |
||
Título contenido 3: Métodos de Aprendizaje Supervisado |
dedicación: |
Grupo Grande: 12 Grupo Pequeño: 6 Aprendizaje autónomo: 27 |
|
Descripción |
|
||
actividades vinculadas |
Activ1, Activ 2, Act3 y Activ 4 |
||
Título contenido 4: Métodos de Aprendizaje No Supervisado |
dedicación: |
Grupo Grande: 8 Grupo Pequeño: 4 Aprendizaje autónomo: 18 |
|
Descripción |
|
||
actividades vinculadas |
Activ1, Activ 2, Act3 y Activ 4 |
||
Título contenido 5: Visualización de resultados |
dedicación: |
Grupo Grande: 4 Grupo Pequeño: 2 Aprendizaje autónomo: 9 |
|
Descripción |
|
||
actividades vinculadas |
Activ 2, Act3 y Activ 4 |
||
Título contenido 6: métodos Avanzados |
dedicación: |
Grupo Grande: 4 Grupo Pequeño: 2 Aprendizaje autónomo: 9 |
|
Descripción |
|
||
actividades vinculadas |
Activ2, Activ 3 y Activ 4 |
ACTIVIDADES |
PES |
EXÁMENES |
Pex1 25% |
EJERCICIOS |
ExiPar 15% |
PRÁCTICAS |
Lab 25% |
PROYECTO |
Proy 35% |
La calificación final es la suma ponderada de las calificaciones de las actividades de aprendizaje:
Q = 0.25:1 Pex0.35 + 0.15:0.25 Proy + XNUMX:XNUMX ExiPar + XNUMX:XNUMX Lab
Observaciones relativas a la Recuperación
La parte de teoría de la asignatura Pex1 sí es recuperable así como la parte de Proyecto. El resto de partes no son recuperables. Para los estudiantes que asistan al examen de recuperación su calificación Pex1 será la obtenida en esta prueba y su calificación final (Q) se calculará con las fórmulas anteriormente detalladas y en ningún caso será superior a 7.
Normas de realización de las actividades
Observaciones:
Para superar las actividades evaluativas, los estudiantes deberán demostrar el Nivel MECES - 2:
• (punto c) tener la capacidad de recopilar e interpretar datos e informaciones sobre las que fundamentar sus conclusiones incluyendo, cuando sea necesario y sea pertinente, la reflexión sobre asuntos de índole social, científica o ética en el ámbito de su campo de estudio
• (punto e) saber comunicar a todo tipo de audiencias (especializadas o no) de manera clara y precisa, conocimientos, metodologías, ideas, problemas y soluciones en el ámbito de su campo de estudio;
• (punto f) ser capaces de identificar sus propias necesidades formativas en su campo de estudio y entorno laboral o profesional y de organizar su propio aprendizaje con un alto grado de autonomía en todo tipo de contextos
Para cada actividad, los docentes informarán de las normas y condiciones particulares que las rijan
Las actividades unipersonales presuponen el compromiso del estudiante de realizarlas de manera individual y sin ningún tipo de colaboración con otras personas. Se considerarán suspendidas (calificación 0) todas aquellas actividades en que el estudiante no se ajuste a este compromiso de individualidad, independientemente de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
Igualmente, las actividades que se deban realizar en grupo presuponen el compromiso por parte de los estudiantes que lo integran de realizarlas en el seno del grupo y sin ningún tipo de colaboración con otros grupos o personas que sean ajenas (individualidad grupal). Se considerarán suspendidas (calificación 0) todas aquellas actividades en las que el grupo no haya respetado este compromiso con independencia de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
En el caso de actividades que puedan hacerse en grupo, cuando en alguna de ellas no se respete el compromiso de individualidad grupal y / o utilicen medios fraudulentos en su realización, la calificación de la actividad será, para todos los miembros del grupo, de 0 puntos (Nota Actividad = 0) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
Cualquier actividad no entregada se considerará puntuada con cero puntos
Es potestativo de los docentes aceptar o no entregas fuera de los plazos que se indiquen. En caso de que estas entregas fuera de plazo se acepten, es potestativo del docente decidir si aplica alguna penalización y la cuantía de esta
Fundamentals of Machine Learning for Predictive Fecha Analytics: Algorithms, worked Examples, and Case Studies (MIT Press) 1st Edition John D. Kelleher, Brian Mac Namee and Aoife D'Arcy
The MIT Press; 1 edition July - 2015
ISBN-978 0262029445
Practical Machine Learning with H2O: Powerful, Scalable Technical for Deep Learning and AI 1st Edition Darren Cook
O'Reilly Media; 1 edition, December 2016
ISBN-978 1491964606
Practical Big Data Analytics: Hands-on techniques para implementar enterprise analytics and machine learning usando Hadoop, Spark, NoSQL and R. by Nataraj Dasgupta (Packt Publishing; 1st Ed - 2018)