Logo

Ciencia de Datos

Código: 106946
Créditos: 6
2026/2027
Titulación Tipo Curso
Gestión de Ciudades Inteligentes y Sostenibles OB 3

Profesor/a de contacto

Nombre :
Xavier Miquel Armengol Fontova
Correo electrónico :
xaviermiquel.armengol@uab.cat

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Haber cursado las asignaturas Informática, Matemáticas, Programación de aplicaciones en Internet, de primer curso, y Bases de Datos de segundo curso.

Objetivos

Esta asignatura debe permitir al estudiante conocer las tecnologías existentes y las diversas formas de abordar la gestión y análisis de los datos generados por la ciudad a diario.

Los estudiantes aprenderán técnicas de visualización, análisis y modelaje de datos que les permitirán generar nuevo conocimiento y percepciones a partir de los datos de la ciudad.

Resultados de aprendizaje

  • CM19 (Proponer soluciones de tratamiento de datos que tengan en cuenta la privacidad y la seguridad de los mismos, así como que su uso respete los valores éticos de una sociedad igualitaria y democrática.) Proponer soluciones de tratamiento de datos que tengan en cuenta la privacidad y la seguridad de los mismos, así como que su uso respete los valores éticos de una sociedad igualitaria y democrática.
  • KM25 (Reconocer los problemas de la transmisión y almacenaje de la información en el contexto de las ciudades inteligentes y sostenibles.) Reconocer los problemas de la transmisión y almacenaje de la información en el contexto de las ciudades inteligentes y sostenibles.
  • KM26 (Identificar y utilizar diferentes fuentes, modelos y bases de datos de información generada por la actividad urbana, así como sus principios de funcionamiento, políticas de acceso y estándares.) Identificar y utilizar diferentes fuentes, modelos y bases de datos de información generada por la actividad urbana, así como sus principios de funcionamiento, políticas de acceso y estándares.
  • SM23 (Diseñar y desarrollar soluciones informáticas que permitan a los ciudadanos el acceso distribuido a las plataformas de gestión y servicios integrados.) Diseñar y desarrollar soluciones informáticas que permitan a los ciudadanos el acceso distribuido a las plataformas de gestión y servicios integrados.

Contenidos

Bloque 1: Fundamentos de la Ciencia de Datos

  • Introducción, datos y casos de uso, conceptos básicos de estadística.
  • Álgebra lineal para la ciencia de datos.
  • Probabilidades e inferencia bayesiana.


Bloque 2: Aprendizaje Supervisado y Evaluación

  • Introducción al reconocimiento de patrones y regresión lineal.
  • Regresión múltiple, regresión polinómica y normalización.
  • Regresión logística (Clasificadores).
  • Regularización y descomposición sesgo-varianza.
  • Algoritmo de los vecinos más cercanos (K-NN).
  • Métricas de evaluación (Precisión vs. Exhaustividad / Recall) y sistemas de recomendación.


Bloque 3: Aprendizaje No Supervisado

  • Análisis de Componentes Principales (PCA).
  • Agrupamiento (Clustering), algoritmo K-Means y algoritmo EM (Expectation-Maximization).


Bloque 4: Modelos Avanzados

  • Redes Neuronales.

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Lectura y estudio de material 40 1,6
Sesiones de Proyectos 12 0,48
Clase de Teoría 26 1,04
Tutorías 5 0,2
Dedicación a los problemas 12 0,48
Dedicación a las prácticas (proyectos) 37 1,48
Sesiones de Problemas 12 0,48

La ciencia de datos se define por los tipos de problemas que pretende resolver; por tanto, será esa tipología de problemas la que dirigirá la organización de todos los contenidos.

Habrá tres tipos de actividades: clases teóricas, resolución de ejercicios prácticos de forma individual (problemas) y desarrollo de proyectos en pequeños equipos.


1. Clases de teoría: El objetivo de estas sesiones es que el profesor explique los antecedentes teóricos de la asignatura. Para cada uno de los temas estudiados se explica la teoría y formulación matemática, así como las correspondientes soluciones algorítmicas.


2. Sesiones de laboratorio: Las sesiones de laboratorio tienen como objetivo facilitar la interacción y reforzar la comprensión de los temas vistos en las clases de teoría. Durante las sesiones de laboratorio abordaremos dos tipos de actividades: la resolución de ejercicios prácticos y la realización de seguimiento y presentaciones de proyectos.


2.1 Problemas: Se utilizará un conjunto semanal de problemas a trabajar, que requieren la implementación de métodos vistos en las clases de teoría. El trabajo sobre los problemas se iniciará en clase y cada estudiante debe completarlo individualmente en casa. Se requerirá que los estudiantes realicen un envío semanal de su trabajo, que incluirá el portafolio de problemas.


2.2 Proyectos: Las sesiones de proyectos comprenden actividades relacionadas con la realización de dos proyectos cortos durante el semestre. Los estudiantes trabajarán en colaboración en estos proyectos en pequeños equipos. Durante las sesiones de proyectos (1) el profesor presentará la temática de los proyectos y discutirá posibles enfoques, y(2) los equipos presentarán sus resultados finales. Los equipos deberán diseñar e implementar una solución, gestionar la distribución y organización del trabajo a realizar y presentar los resultados finales al docente.


Las actividades anteriores se complementarán con un sistema de tutorías y consultas fuera del horario de clases.


Toda la información de la asignatura y los documentos relacionados que necesiten los alumnos estarán disponibles en el campus virtual.


La competencia transversal T01 se aborda a través del trabajo en equipo y la colaboración durante el desarrollo de los proyectos. La evaluación de los proyectos incluye una presentación oral de cada equipo, durante la cual los alumnos deberán presentar su trabajo y explicar la organización del equipo.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Exámenes 40 5 0,2 CM19, KM25, KM26
Presentación de problemas + participación activa a clase 20 0 0 CM19, KM25, KM26, SM23
Entregables de proyectos 10 0 0 CM19, KM25, KM26, SM23
Entregables de problemas 10 0 0 CM19, KM25, KM26, SM23
Presentación de proyectos 20 1 0,04 CM19, KM25, KM26, SM23

Para evaluar el nivel de aprendizaje del estudiante se establece una fórmula que combina la adquisición de conocimientos, la capacidad de resolución de problemas y las habilidades de trabajo en equipo, así como la presentación de los resultados obtenidos.


Nota Final

La nota final se calcula de forma ponderada de la siguiente manera y de acuerdo con las diferentes actividades que se llevan a cabo:

Nota final = 0,4 * Nota Teoría + 0,3 * Nota Problemas + 0,3 * Nota de Proyectos

Se aplicará esta fórmula siempre que la nota de teoría y la nota de prácticas sean iguales o superiores a 5. No existe ninguna restricción sobre la nota de problemas. Si al hacer el cálculo de la fórmula el resultado es >= 5, pero no se alcanza el mínimo exigido en alguna de las actividades de evaluación, entonces la nota que constará en el expediente será un 4,5.


Nota de Teoría

La nota de teoría pretende valorar las capacidades individuales del estudiante en cuanto a los contenidos teóricos de la asignatura; esto se hace de forma continuada durante el curso con dos exámenes parciales:

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

El Examen 1 se realiza a mitad del semestre y sirve para eliminar parte de la materia si se aprueba. El Examen 2 se realiza al final del semestre y sirve para eliminar parte de la materia si se aprueba.

Estos exámenes pretenden realizar una evaluación individualizada de las capacidades de cada estudiante para resolver problemas utilizando las técnicas explicadas en clase, así como evaluar el nivel de conceptualización que el estudiante ha asimilado de las técnicas vistas. Para poder tener una nota de teoría será necesario que las notas de los exámenes 1 y 2 sean superiores a 4.

Examen de recuperación: En caso de que la nota de teoría no alcance el nivel adecuado para aprobar la teoría, los estudiantes pueden presentarse a un examen de recuperación, destinado a recuperar la parte no superada de la evaluación continua.


Nota de Problemes

La parte de problemas tiene como objetivo conseguir que el estudiante se entrene con los contenidos de la asignatura de manera continuada y que se familiarice directamente con la aplicación de la teoría. Como evidencia de este trabajo, se exige la presentación de un portafolio en el cual se irán guardando los problemas realizados.

Nota Problemas = 0,33 * Portafolio de problemas + 0,33 * Asistencia y participación en clase + 0,33 * Defensa oral de un problema durante la clase

Para tener nota de problemas, es necesario que se entregue más del 50% de los problemas realizados durante el semestre. En caso contrario, la nota de problemas será 0.


Nota de Proyectos

La parte de proyectos de la asignatura requiere que los estudiantes trabajen en equipos y diseñen una solución integral al reto definido. Además, los estudiantes deben demostrar sus habilidades al trabajar en equipo y presentar los resultados.

Cada uno de los dos proyectos se evalúa a través de su entregable y de una presentación oral que los estudiantes realizarán en clase, tanto de forma grupal como individual. La participación de los estudiantes en las tres actividades (desarrollar el entregable, presentación de grupo y defensa individual) es necesaria para tener nota de proyecto. La nota se calcula de la siguiente manera:

Nota Proyecto X = 0,33 * Nota Entregables + 0,33 * Nota Presentación + 0,33 * Defensa individual

Si al hacer el cálculo de la fórmula el resultado es >= 5, pero el estudiante no ha participado en alguna de las actividades (entregable, presentación de grupo o defensa individual), entonces la nota del proyecto correspondiente será un 4,5. Nota de Proyectos = 0,5 * Nota Proyecto 1 + 0,5 * Nota Proyecto 2

Para poder tener una nota de proyectos será necesario que las notas de los dos proyectos sean superiores a 4. En caso de no superar alguno de los proyectos, se permitirá la recuperación de los proyectos no superados, con la restricción de una nota máxima de 7/10.


Notas importantes

En esta asignatura se permite, exceptuando las actividades en las que se indique lo contrario, el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo del trabajo. En todos los casos, el resultado final siempre debe reflejar una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará falta de honestidad académica y puede conllevar una penalización en la nota de la actividad, o sanciones mayores en casos de gravedad.

Sin perjuicio de otras medidas disciplinarias que se estimen oportunas, y de acuerdo con la normativa académica vigente, la comisión de actividades irregulars por parte del estudiante (por ejemplo, plagiar, copiar, dejar copiar, ...) implicará suspender la actividad correspondiente con un cero (0). Las actividades de evaluación calificadas de esta forma y por este procedimiento no serán recuperables.

En caso de que no se realice ninguna entrega de problemas, no se asista a ninguna sesión de presentación de los proyectos en prácticas de laboratorio y no se realice ningún examen, la nota correspondiente será un "no evaluable". En cualquier otro caso, los "no presentados" computan como un 0 para el cálculo de la media ponderada.

A partir de la segunda matrícula, se permitirá la convalidación de la nota de problemas y/o proyectos siempre que estas hayan sido superadas con una nota igual o superior a 6.

Para obtener Matrícula de Honor, la calificación final debe ser igual o superior a 9 puntos. Teniendo en cuenta el límite permitido por el número de estudiantes inscritos en el curso, se otorgará a quien tenga la calificación final más alta. En caso de empate, se tendrán en cuenta los resultados de los exámenes parciales.

Para aquellos estudiantes que no puedan asistir a las pruebas presenciales en los casos descritos por la normativa académica del centro, existe un protocolo de “solicitud de reprogramación de actividades de evaluación”. El estudiante deberá dirigirse al profesorado aportando el justificante oficial correspondiente dentro de los plazos establecidos.

Esta asignatura no prevé el sistema de evaluación única.

Bibliografía

  • 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

Software

Para los problemas y proyectos del curso usaremos Python, y los módulos de Python: NumPy, MatPlotLib, SciKit Learn, Pandas

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura

Tipo de docencia Grupo Idioma Semestre Turno
(TE) Teoría 61 Catalán primer cuatrimestre tarde
(PAUL) Prácticas de aula 611 Español primer cuatrimestre tarde
(PLAB) Prácticas de laboratorio 611 Español primer cuatrimestre tarde
(PLAB) Prácticas de laboratorio 612 Español primer cuatrimestre tarde