Logo

Ciència de Dades

Codi: 106946
Crèdits: 6
2026/2027
Titulació Tipus Curs
Gestió de Ciutats Intel·ligents i Sostenibles OB 3

Professor/a de contacte

Nom :
Xavier Miquel Armengol Fontova
Correu electrònic :
xaviermiquel.armengol@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Haver cursat les assignatures Informàtica, Matemàtiques, Programació d'aplicacions a Internet, de primer curs, i Bases de Dades de segon curs.

Objectius

Aquesta assignatura ha de permetre a l'estudiant conèixer les tecnologies existents i les diverses formes d'abordar la gestió i anàlisi de les dades generades per la ciutat diàriament.

Els estudiants aprendran tècniques de visualització, anàlisi i modelatge de dades que els permetran generar nou coneixement i percepcions a partir de les dades de la ciutat.

 

Resultats d'aprenentatge

  • CM19 (Proposar solucions de tractament de dades que en tinguin en compte la privadesa i la seguretat, així com que el seu ús respecti els valors ètics d’una societat igualitària i democràtica.) Proposar solucions de tractament de dades que en tinguin en compte la privadesa i la seguretat, així com que el seu ús respecti els valors ètics d’una societat igualitària i democràtica.
  • KM25 (Reconèixer els problemes de la transmissió i emmagatzematge de la informació en el context de les ciutats intel·ligents i sostenibles.) Reconèixer els problemes de la transmissió i emmagatzematge de la informació en el context de les ciutats intel·ligents i sostenibles.
  • KM26 (Identificar i utilitzar diferents fonts, models i bases de dades d’informació generada per l’activitat urbana, així com els seus principis de funcionament, les polítiques d’accés i els estàndards.) Identificar i utilitzar diferents fonts, models i bases de dades d’informació generada per l’activitat urbana, així com els seus principis de funcionament, les polítiques d’accés i els estàndards.
  • SM23 (Dissenyar i desenvolupar solucions informàtiques que permetin als ciutadans l’accés distribuït a les plataformes de gestió i serveis integrats.) Dissenyar i desenvolupar solucions informàtiques que permetin als ciutadans l’accés distribuït a les plataformes de gestió i serveis integrats.

Continguts

Bloc 1: Fonaments de la Ciència de Dades

  • Introducció, dades i casos d'ús, conceptes bàsics d'estadística.
  • Àlgebra lineal per a la ciència de dades.
  • Probabilitats i inferència bayesiana.

Bloc 2: Aprenentatge Supervisat i Avaluació

  • Introducció al reconeixement de patrons i regressió lineal.
  • Regressió múltiple, regressió polinòmica i normalització.
  • Regressió logística (Classificadors).
  • Regularització i descomposició biaix-variància.
  • Algorisme dels veïns més propers (K-NN).
  • Mètriques d'avaluació (Precisió vs. Exhaustivitat / Recall) i sistemes de recomanació.

Bloc 3: Aprenentatge No Supervisat

  • Anàlisi de Components Principals (PCA).
  • Agrupament (Clustering), algorisme K-Means i algorisme EM (Expectation-Maximization).

Bloc 4: Models Avançats

  • Xarxes Neuronals.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Lectura i estudi de material 40 1,6
Sessions de Projectes 12 0,48
Classe de Teoria 26 1,04
Tutories 5 0,2
Dedicació als problemes 12 0,48
Dedicació a les pràctiques (projectes) 37 1,48
Sessions de Problemes 12 0,48

La ciència de dades es defineix pels tipus de problemes que pretén resoldre; per tant, serà aquesta tipologia de problemes la que dirigirà l'organització de tots els continguts.

Hi haurà tres tipus d'activitats: classes teòriques, resolució d'exercicis pràctics de forma individual (problemes) i desenvolupament de projectes en petits equips.


1. Classes de teoria: L'objectiu d'aquestes sessions és que el professor expliqui els antecedents teòrics de l'assignatura. Per a cada un dels temes estudiats s'explica la teoria i formulació matemàtica, així com les corresponents solucions algorítmiques.

2. Sessions de laboratori: Les sessions de laboratori tenen com a objectiu facilitar la interacció i reforçar la comprensió dels temes vistos a les classes de teoria. Durant les sessions de laboratori abordarem dos tipus d'activitats: la resolució d'exercicis pràctics i la realització de seguiment i presentacions de projectes.

2.1 Problemes: S'utilitzarà un conjunt setmanal de problemes a treballar, que requereixen la implementació de mètodes vistos a les classes de teoria. El treball sobre els problemes s'iniciarà a classe i cada estudiant ha de completar individualment a casa. Es requerirà que els estudiants realitzin un enviament setmanal del seu treball, que inclourà el portafoli de problemes.

2.2 Projectes: Les sessions de projectes comprenen activitats relacionades amb la realització de dos projectes curts durant el semestre. Els estudiants treballaran en col·laboració en aquests projectes en petits equips. Durant les sessions de projectes (1) el professor presentarà la temàtica dels projectes i discutirà possibles enfocaments, i (2) els equips presentaran els seus resultats finals.Els equips hauran de dissenyar i implementar una solució, gestionar la distribució i organització de la feina a realitzar i presentar els resultats finals a l'docent.

Les activitats anteriors es complementaran amb un sistema de tutories i consultes fora de l'horari de classes.

Tota la informació de l'assignatura i els documents relacionats que necessitin els alumnes estaran disponibles al campus virtual.

La competència transversal T01 s'aborda a través de la feina en equip i la col·laboració durant el desenvolupament dels projectes. L'avaluació dels projectes inclou una presentació oral de cada equip, durant la qual els alumnes hauran de presentar el seu treball i explicar l'organització de l'equip.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Exámens 40 5 0,2 CM19, KM25, KM26
Presentació de problemes + participació activa a classe 20 0 0 CM19, KM25, KM26, SM23
Lliurables de projectes 10 0 0 CM19, KM25, KM26, SM23
Lliurables de problemes 10 0 0 CM19, KM25, KM26, SM23
Presentació de projectes 20 1 0,04 CM19, KM25, KM26, SM23

Per avaluar el nivell d'aprenentatge de l'estudiant s'estableix una fórmula que combina l'aprenentatge de coneixements, la capacitat de resolució de problemes i les capacitats de treballar en equip, així com la presentació dels resultats obtinguts.


Nota Final

La nota final es calcula ponderadament de la següent manera i d'acord amb les diferents activitats que es duen a terme:

Nota final = 0,4 * Nota Teoria + 0,3 * Nota Problemes + 0,3 * Nota de Projectes

S'aplicarà aquesta fórmula sempre que la nota de teoria i la nota de pràctiques siguin iguals o superiors a 5. No hi ha cap restricció sobre la nota de problemes. Si en fer el càlcul de la fórmula el resultat és >= 5, però no s'arriba al mínim exigit en alguna de les activitats d'avaluació, llavors la nota que es posarà a l'expedient serà un 4,5.

Nota de Teoria

La nota de teoria pretén valorar les capacitats individuals de l'estudiant pel que fa als continguts teòrics de l'assignatura; això es fa de forma continuada durant el curs amb dos exàmens parcials:

Nota Teoria = 0,5 * Nota Examen 1 + 0,5 * Nota Examen 2

L'Examen 1 es fa a la meitat del semestre i serveix per eliminar part de la matèria si s'aprova.

L'Examen 2 es fa al final del semestre i serveix per eliminar part de la matèria si s'aprova.

Aquests exàmens pretenen fer una avaluació individualitzada de les capacitats de cada estudiant per resoldre problemes utilitzant les tècniques explicades a classe, així com avaluar el nivell de conceptualització que l'estudiant ha fet de les tècniques vistes. Per poder tenir una nota de teoria serà necessari que les notes dels exàmens 1 i 2 siguin superiors a 4.

Examen de recuperació: En cas que la nota de teoria no arribi al nivell adequat per aprovar la teoria, els estudiants es poden presentar a un examen de recuperació, destinat a recuperar la part no superada de l'avaluació contínua.

Nota de Problemes

La part de problemes té com a objectiu aconseguir que l'estudiant s'entreni amb els continguts de l'assignatura de manera continuada i que es familiaritzi directament en l'aplicació de la teoria. Com a evidència d'aquest treball, es demana la presentació d'un portafoli en el qual s'aniran guardant els problemes realitzats.

Nota Problemes = 0,33 * Portafoli de problemes + 0,33 * Assistència i participació a classe + 0,33 * Defensa oral d'un problema durant la classe

Per tenir nota de problemes, cal que es lliuri més del 50% dels problemes fets durant el semestre. En cas contrari, la nota de problemes serà 0.

Nota de Projectes

La part de projectes de l'assignatura requereix que els estudiants treballin en equips i dissenyin una solució integral al repte definit. A més, els estudiants han de demostrar les seves habilitats per treballar en equip i presentar els resultats.

Cadascun dels dos projectes s'avalua a través del seu lliurable i d'una presentació oral que faran els estudiants a classe, tant de manera grupal com individual. La participació dels estudiants a les tres activitats (desenvolupar el lliurable, presentació de grup i defensa individual) és necessària per tenir nota de projecte. La nota es calcula de la següent manera:

Nota Projecte X = 0,33 * Nota Lliurables + 0,33 * Nota Presentació + 0,33 * Defensa individual

Si en fer el càlcul de la fórmula el resultat és >= 5, però l'estudiant no ha participat en alguna de les activitats (lliurable, presentació de grup o defensa individual), llavors la nota del projecte corresponent serà un 4,5.

Nota de Projectes = 0,5 * Nota Projecte 1 + 0,5 * Nota Projecte 2

Per poder tenir una nota de projectes caldrà que les notes dels dos projectes siguin superiors a 4.

En cas de no superar algun dels projectes, es permetrà la recuperació dels projectes no superats, amb la restricció d'una nota màxima de 7/10.

Notes importants

En aquesta assignatura es permet, exceptuant les activitats en què s'indiqui el contrari, l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball. En tots els casos, el resultat final sempre ha de reflectir una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l'activitat. La no transparència de l'ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.

Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, la comissió d'activitats irregulars per part de l'estudiant (per exemple, plagiar, copiar, deixar copiar, ...) implicarà suspendre l'activitat corresponent amb un zero (0). Les activitats d'avaluació qualificades d'aquesta forma i per aquest procediment no seran recuperables.

En cas que no es faci cap lliurament de problemes, no s'assisteixi a cap sessió de presentació dels projectes en pràctiques de laboratori i no es faci cap examen, la nota corresponent serà un "no avaluable". En qualsevol altre cas, els "no presentats" computen com un 0 per al càlcul de la mitjana ponderada.

A partir de la segona matrícula, es permetrà la convalidació de la nota de problemes i/o projectes sempre que aquestes hagin estat superades amb una nota igual o superior a 6.

Per obtenir matrícula d'honor, la qualificació final ha de ser igual o superior a 9 punts. Tenint en compte el límit permès pel nombre d'estudiants inscrits al curs, s'atorgarà a qui tingui la qualificació final més alta. En cas d'empat, es tindran en compte els resultats dels exàmens parcials.

Per a aquells estudiants que no puguin assistir a les proves presencials en els casos descrits per la normativa acadèmica del centre, existeix un protocol de “sol·licitud de reprogramació d’activitats d’avaluació”. L'estudiant haurà d'adreçar-se al professorat aportant el justificant oficial corresponent dins dels terminis establerts.

Aquesta assignatura no preveu el sistema d’avaluació única.

Bibliografia

  • Data Science from Scratch: First Principles with Python, Joel Grus, O'Reilly Media, 2015, 1st Ed.
  • Python Data Science Handbook, Jake VanderPlas, O’Reilly Media, 2016, 1st Ed.
  • Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2011
  • Model-Based Machine Learning, J. Winn, C. Bishop, early access: http://mbmlbook.com/
  • Computational and Inferential Thinking: The Foundations of Data Science, Ani Adhikari and John DeNero, online: https://ds8.gitbooks.io/textbook/content/
  • Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, O'Reilly Media, 2022
  • Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps, Valliappa Lakshmanan, 2020

Programari

Per als problemes i projectes del curs utilitzarem Python i els mòduls Python: NumPy, MatPlotLib, SciKit Learn, Pandas

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 61 Català primer quadrimestre tarda
(PAUL) Pràctiques d'aula 611 Espanyol primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 611 Espanyol primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 612 Espanyol primer quadrimestre tarda