Información general


Tipo de asignatura: optativa

Coordinador: Julián Horrillo Tello

trimestre:3

Créditos: 6

Profesorado: Xavier Font Aragones

Descripción


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.

Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en el caso de ser necesario por motivos relacionados con la Covidien-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente.

El Tecnocampus pondrá al alcance del profesorado y el alumnado las herramientas digitales necesarias para poder llevar a cabo la asignatura, así como guías y recomendaciones que faciliten la adaptación a la modalidad no presencial.

Resultados de aprendizaje


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 (CE 3).
  • RA2: Preparar datos para resolver problemas complejos (CE 3.
  • RA3: Visualizar y generar informes (CE 3).
  • RA4: Aplicar técnicas analíticas de aprendizaje supervisado (CE 3).
  • RA5: Entender el diferentes métodos de aprendizaje no supervisado (CE 3).
  • RA6: Evaluar modelos (CE3)

 

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.

Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en el caso de ser necesario por motivos relacionados con la Covidien-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente.

 

contenidos


contenidos

 

Título contenido 1: Introducción al Big Data

dedicación:  

Grupo Grande: 4

Grupo Pequeño: 2

Aprendizaje autónomo: 9

Descripción

  • Introducción al framework CRISP-DM
  • La industria 4.0 y la fabricación inteligente
  • Introducción al Big Data

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

  • Preparación de datos
  • Calidad de los datos
  • Detección de valores extremos y atípicos
  • Reducción de la dimensionalidad
    • PCA
    • MDS

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

  • Introducción y casos
  • GLM / Cómo evaluar el rendimiento
  • XGBoost
  • Aprendizaje profundo
  • Estudio caso práctico

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

  • Introducción
  • métodos jerárquicos
  • K-significa
  • clustering Espectral
  • DBSCAN
  • Estudio caso práctico

actividades vinculadas

Activ1, Activ 2, Act3 y Activ 4

       

 

Título contenido 5Visualización de resultados

dedicación: 

Grupo Grande: 4

Grupo Pequeño: 2

Aprendizaje autónomo: 9

Descripción

  • Introducción a la visualización
  • Herramientas y métodos de Reporting
  • Presentación de datos

actividades vinculadas

Activ 2, Act3 y Activ 4

       

 

 

 

 

Título contenido 6: métodos Avanzados

dedicación: 

Grupo Grande: 4

Grupo Pequeño: 2

Aprendizaje autónomo: 9

Descripción

  • Aplicaciones de Deep Learning
    • GAN
  • Aprendizaje reforzado
  • mantenimiento Predictivo
  • Gemelo digital

actividades vinculadas

Activ2, Activ 3 y Activ 4

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:

 

Título de la actividad 1: Prueba escrita (Pex1) 25%

 

dedicación:

Grupo Grande:

Grupo Pequeño:  

Aprendizaje autónomo:   

Descripción general

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

Material de apoyo

 Se facilitará a través del ecampus o en clase

Competencias

 [Relacionada con las competencias CE3, CB5 y CT1]

Entregables y vínculos con la evaluación

 Peso dentro de la evaluación: 25%

objetivos específicos

 Evaluar unidades 1-6

       

 

Título de la actividad 2: Proyecto (Proy) 35%

dedicación: 

Grupo Grande:

Grupo Pequeño:   

Aprendizaje autónomo:    

Descripción general

Realización de un proyecto de tratamiento de datos donde se muestren algunas de las diferentes técnicas vistas al curso. (RA1: RA6)

Material de apoyo

 Se facilitará a través del ecampus o en clase

Competencias

 [Relacionada con las competencias CE3, CB5 y CT1]

Entregable y vínculos con la evaluación

 Peso dentro de la evaluación: 35%

objetivos específicos

Evaluar logro competencias y resultados de aprendizaje

       

 

Título de la actividad 3: Ejercicios y Participación (ExiPar) 15%

dedicación: 

Grupo Grande:

Grupo Pequeño:   

Aprendizaje autónomo:   

Descripción general

Los estudiantes y / o grupos que participen en la resolución de problemas, incluirá los contenidos asociados a todos los resultados de aprendizaje

Material de apoyo

 Se facilitará a clase y / oa través del ecampus o en clase

Competencias

 [Relacionada con todas las competencias]

Entregable y vínculos con la evaluación

 Peso dentro de la evaluación: 15%

objetivos específicos

 Poner en práctica resolución de problemas

       

 

Título de la actividad 4: Prácticas (Lab) 25%

dedicación: 

Grupo Grande:     

Grupo Pequeño:   

Aprendizaje autónomo:    

Descripción general

Prácticas Laboratorio [Relacionada con todas las competencias]

Material de apoyo

Se facilitará a clase y / oa través del ecampus

Competencias

[Relacionada con todas las competencias]

Entregable y vínculos con la evaluación

Peso dentro de la evaluación: 25%

objetivos específicos

Las prácticas permitirán al estudiante comprender una problemática que implique su resolución haciendo uso de soluciones informáticas

       

 

 

Sistema de evaluación


ACTIVITATS

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

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

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)