Información general


Tipo de asignatura: optativa

Coordinador:

trimestre:3

Créditos: 6

Profesorado: Xavier Font Aragones

Descripción


El objetivo del curso se dominar herramientas analíticas aplicadas a entornos Big Data. Entender el rol de la industria 4.0 (I4.0) como un nuevo disruptor del espacio competitivo. Los tres pilares principales de I4.0 son tecnología de sensores + conectividad, producción + robótica Y computación + big data. Este último será cubierto en profundidad. Esta materia es esencial por los ingenieros para ayudarles a crear valor a través del conocimiento que uno puede extraer de los entornos Big Data.

La mayor parte de las sesiones cubrirán herramientas de Machine Learning aplicadas a contexto I4.0 y casos reales. El proceso de examinar grandes cantidades de datos y de diferente naturaleza para descubrir patrones ocultos, obtener nuevas perspectivas y posiblemente información relevante y útil, será explicado detalladamente. El curso describirá en la parte final algunos de los últimos avances en Deep Learning (GAN) y Reinforcement Learning muy aplicados en la industria

Resultados de aprendizaje


A nivel general, esta asignatura contribuye a siguientes resultados de aprendizaje especificados para la materia optativa a la que pertenece

 

A un nivel más concreto, al finalizar la asignatura el estudiante debe ser capaz de:

 

 

Ra1: Saber utilizar el framework CRISP-DM en proyectos de datos y entender el rol de la Industria 4.0 y el Big Data para revelar nuevo conocimiento.

 

Ra2: Preparar datos para resolver problemas complejos

 

RA3: Visualizar y generar informes

 

RA4: Aplicar técnicas analíticas de aprendizaje Supervisado

 

RA5: Entender los diferentes Métodos de aprendizaje No Supervisado.

 

RA6: Evaluar Modelos

 

Metodología de trabajo


Todos los conceptos teóricos de la materia expondrán en clases de teoría (grupos grandes) y / o en sesiones de laboratorio (grupos pequeños). En estas clases, ya discreción de los docentes impartidores, también se resolverán ejercicios y problemas de carácter más práctico. Asimismo y siempre a discreción de los impartidores, se podrá pedir a los estudiantes que resuelvan, de manera individual o en grupo, problemas y / o ejercicios breves. Estas actividades, que por su naturaleza de optatividad y brevedad servirán al estudiante como instrumento de autoevaluación de su adquisición de los contenidos de la materia y podrán ser utilizados por parte del docente para valorarla.

 

 Los conceptos de carácter más práctico y todo lo que en esencia se pueda considerar la aplicación práctica de los conceptos teóricos serán trabajados en grupos pequeños (de laboratorio). En las sesiones que se programen al efecto se darán las herramientas adecuadas para resolver las actividades programadas. En ocasiones los estudiantes las deberán finalizar durante el tiempo de aprendizaje autónomo. Siempre que se considere oportuno se pondrá a disposición de los estudiantes actividades de tipo totalmente opcional que le ayuden a preparar ya prepararse para las de carácter obligatorio.

 

contenidos


1.- Introducción al framework CRISP-DM, la Industria 4.0 y el Big Data

2.- Preparación de datos, detección de outliers y reducción dimensionalidad

3.- Métodos de aprendizaje supervisado. GLM, XGBOOST, Deep Learning

4.- Métodos de aprendizaje No Supervisado. Métodos jerárquicos, K-means, Clustering Spectral, DBSCAN

5.- Vista, Reporting y representación de datos

6.- Métodos Avanzados: Generative adversarial Networks, Reinforcement Learning

Actividades de aprendizaje


Se pone a disposición de los estudiantes una serie de actividades de carácter eminentemente práctico (ejercicios cortos, problemas ...) que son la base de las actividades de aprendizaje de la asignatura. Estas actividades los estudiantes / se las tendrán que resolver, a menudo de manera no presencial, siguiendo las indicaciones de los docentes y también serán trabajadas en clase, ya sea como ejemplos en las sesiones de teoría, ya sea en las sesiones de laboratorio. Si bien estas actividades tendrán carácter optativo (los docentes no verificarán de manera individualizada la realización por parte de los estudiantes), serán imprescindibles para alcanzar los conocimientos teórico-prácticos de la asignatura.

 

 

Con el objetivo de recoger evidencias del logro de los resultados de aprendizaje esperados se realizan las siguientes actividades de carácter evaluativo:

 

PEX = Prueba escrita (Examen) [Relacionada con todas las competencias]

    La prueba incluirá los contenidos asociados a todos los resultados de aprendizaje

 

PLABEN = Prácticas Laboratorio [Relacionada con todas las competencias]

    Las prácticas permitirán al estudiante practicar conceptos descritos en teoría

Evidencia de los resultados de aprendizaje: Ra2, RA3, RA4, RA5 y RA6

 

Proy = Presentación Proyecto Big Data [Relacionada con todas las competencias]

    Los estudiantes presentarán un proyecto describiendo todas y cada una de las etapas que han desarrollado. Se entregará el código, el documento de trabajo y la presentación realizada

Evidencia de los resultados de aprendizaje: Todos

 

ExiP = Ejercicios y participación en clase [Relacionada con todas las competencias]

    Los estudiantes y / o grupos que participen en la resolución de problemas

Evidencia de los resultados de aprendizaje: Todos

 

 

 

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

Sistema de evaluación


La calificación final es la suma ponderada de las calificaciones de las actividades de aprendizaje:

 

Q = 0.25:0.25 PEX + 0.40:0.10 PLABEN + XNUMX:XNUMX Proy + XNUMX:XNUMX ExiP

 

Observaciones relativas a la Recuperación

 

La parte de teoría de la asignatura y el Proyecto (PEX y Proy) sí es recuperable. El resto de partes no son recuperables. Para los estudiantes que asistan al examen de recuperación y la entrega proyecto su calificación (PEX y / o Proy) será la obtenida en esta prueba y su calificación final (Q) se calculará con las fórmulas anteriormente detalladas y en ningún caso no será superior a 7.

Bibliografía


básico

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

Complementario

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

Decision Trees and Random Forests: En Visual Introduction For Beginners

Chris Smith and Mark Koning

Independently published (October 4, 2017)

ISBN-978 1549893759