Ciència de Dades en el Sector Aeronàutic
Codi: 108242Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Gestió Aeronàutica | OP | 4 |
Professor/a de contacte
- Nom :
- Laura Calvet Liñan
- Correu electrònic :
- laura.calvet.linan@uab.cat
Equip docent
- Aleksandar Jovanovic
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Per a la realització correcta de les pràctiques de l'assignatura, és imprescindible que l'alumnat tingui coneixements previs de programació en llenguatge Python, equivalents als adquirits a les assignatures Fonaments de Programació I i II, així com els conceptes bàsics abordats a l'assignatura d'Intel·ligència Artificial.
Pel que fa als continguts teòrics, es requereixen coneixements fonamentals d'Estadística i Àlgebra, que permetin comprendre i aplicar els mètodes quantitatius utilitzats en ciència de dades.
En conseqüència, es recomana que l'estudiantat que no hagi superat prèviament aquestes assignatures no es matriculi en aquesta matèria, ja que la manca d'aquests coneixements pot dificultar significativament el seguiment i aprofitament del curs.
Objectius
- Comprendre els principis fonamentals, les metodologies i els conceptes de la ciència de dades, així com la seva aplicació específica i rellevància en el sector aeronàutic.
- Adquirir la capacitat d'aplicar tècniques avançades d'anàlisi exploratòria de dades i d'aprenentatge automàtic a conjunts de dades provinents de l'àmbit aeronàutic.
- Desenvolupar habilitats per identificar, analitzar i interpretar patrons, tendències i relacions significatives en grans volums de dades del sector de l'aviació.
- Aplicar els principis d'un ús ètic, responsable i segur de les dades, garantint la privadesa, la protecció i la integritat de la informació.
Resultats d'aprenentatge
- CM17 (Elaborar dictàmens o informes basats en models d’optimització, simulació i tècniques quantitatives per als processos de presa de decisions, sistematitzant, documentant i reflectint el procés i els mecanismes utilitzats.) Elaborar dictàmens o informes basats en models d’optimització, simulació i tècniques quantitatives per als processos de presa de decisions, sistematitzant, documentant i reflectint el procés i els mecanismes utilitzats.
- CM18 (Proposar decisions basades en dades i eines d’anàlisi disponibles i contrastades en el context de la indústria aeronàutica que s’ajustin a marcs normatius i ètics i als objectius de l’organització. (CT04)) Proposar decisions basades en dades i eines d’anàlisi disponibles i contrastades en el context de la indústria aeronàutica que s’ajustin a marcs normatius i ètics i als objectius de l’organització. (CT04)
- CM19 (Comunicar resultats d’anàlisi de dades de manera clara i efectiva a audiències tècniques i no tècniques.) Comunicar resultats d’anàlisi de dades de manera clara i efectiva a audiències tècniques i no tècniques.
- KM38 (Relacionar els conceptes fonamentals de la ciència de dades i el seu ecosistema dins de la indústria aeronàutica.) Relacionar els conceptes fonamentals de la ciència de dades i el seu ecosistema dins de la indústria aeronàutica.
- KM39 (Identificar l’ús de tècniques d’aprenentatge automàtic i mineria de dades en la gestió aeronàutica, analitzant els reptes tecnològics i les arquitectures associades a les dades massives (big data) per a l’optimització d’operacions i la presa de decisions.) Identificar l’ús de tècniques d’aprenentatge automàtic i mineria de dades en la gestió aeronàutica, analitzant els reptes tecnològics i les arquitectures associades a les dades massives (big data) per a l’optimització d’operacions i la presa de decisions.
- SM28 (Analitzar dades aeronàutiques, fins i tot grans volums, per identificar patrons, tendències i anomalies, i per implementar i avaluar models d’aprenentatge automàtic.) Analitzar dades aeronàutiques, fins i tot grans volums, per identificar patrons, tendències i anomalies, i per implementar i avaluar models d’aprenentatge automàtic.
Continguts
- Introducció a la ciència de dades en el sector aeronàutic
- El paper de l'analítica de dades en l'aviació i la gestió aeroportuària
- Cicle de vida d'un projecte de ciència de dades
- Metodologies de treball i definició d'objectius analítics
- Preparació, preprocessament i anàlisi exploratòria de dades
- Neteja, integració i transformació de dades
- Gestió de valors absents i valors atípics (outliers)
- Estadística descriptiva i tècniques de visualització per a l'exploració de dades
- Aprenentatge supervisat: regressió
- Models de regressió i supòsits bàsics
- Mètriques d'avaluació i validació de models de regressió
- Aplicacions en la predicció de variables contínues en l'àmbit aeronàutic
- Aprenentatge supervisat: classificació
- Algorismes de classificació i representació de dades
- Mètriques de rendiment, validació i ajust de models
- Aplicacions en la presa de decisions i problemes de categorització en l'aviació
- Aprenentatge no supervisat
- Tècniques d'agrupament (clustering) i segmentació
- Reducció de dimensionalitat i anàlisi de components principals (PCA)
- Detecció d'anomalies en dades aeronàutiques
- Aprenentatge per reforç
- Conceptes fonamentals: agents, estats, accions i recompenses
- Algorismes bàsics i entorns d'aprenentatge
- Aplicacions potencials en la planificació i optimització d'operacions aeronàutiques
- Optimització de problemes NP-difícils (NP-hard) en el sector aeronàutic
- Formulació de problemes d'optimització combinatòria
- Heurístiques i metaheurístiques aplicades a la planificació de rutes, assignació de recursos i seqüenciació
- Infraestructures i eines de Big Data
- Arquitectures i tecnologies per a l'emmagatzematge i processament de grans volums de dades
- Entorns i eines per a l'anàlisi distribuïda de dades aeronàutiques
- Ètica, privadesa i seguretat en l'ús de dades aeronàutiques
- Principis ètics en l'ús de dades
- Protecció de dades, privadesa i compliment normatiu
- Riscos i bones pràctiques en sistemes basats en dades
- Temes avançats i recerca actual en ciència de dades aeronàutiques
- Tendències recents en aprenentatge automàtic (machine learning) i analítica avançada
- Aplicacions emergents en sistemes d'aviació i aeroportuaris
- Revisió d'articles de recerca recents i estudis de cas
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Classes magistrals i de debat | 26 | 1,04 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Preparació i discussió de temes relacionats amb el treball pràctic | 25 | 1 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Preparació de les classes magistrals | 10 | 0,4 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Classes de laboratori/pràctiques | 12 | 0,48 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Estudi en grup | 65 | 2,6 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Classes de resolució de problemes | 12 | 0,48 | CM17, CM18, CM19, KM38, KM39, SM28 |
Sessions teòriques
- Les sessions teòriques es duran a terme seguint dues metodologies principals:
- Classe magistral participativa, en què es presentaran els conceptes, algorismes i mètodes fonamentals de cada tema, acompanyats d'exemples breus i exercicis per facilitar la comprensió i l'aplicació immediates dels continguts.
- Aula invertida (flipped classroom), en què els estudiants hauran de completar tasques de preparació prèvies (visualitzar vídeos, llegir documents o fer qüestionaris). Durant la sessió, es resoldran exercicis i problemes que s'hauran de lliurar al final de la classe.
Sessions de resolució de problemes
- En aquestes sessions es proposaran exercicis per resoldre en grups reduïts, amb l'objectiu de consolidar els coneixements adquirits a les classes teòriques. La composició dels grups serà determinada pel professorat.
Sessions pràctiques / de laboratori
- El treball pràctic es realitzarà en grups reduïts. Per garantir una assimilació adequada dels continguts per part de tots els membres del grup, es duran a terme sessions de control obligatòries, durant les quals els estudiants hauran de demostrar que comprenen la solució lliurada.
Ús del Campus Virtual
La plataforma del Campus Virtual (http://cv.uab.cat) serà el mitjà de comunicació habitual i oficial entre el professorat i l'estudiantat. Així mateix, serà l'únic canal vàlid per al lliurament d'activitats avaluables, a excepció dels exàmens escrits presencials. No s'acceptaran lliuraments per correu electrònic. Tots els materials docents, els avisos i la informació rellevant per al desenvolupament de l'assignatura es publicaran exclusivament en aquesta plataforma.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Examen 1 | 25% | 0 | 0 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Exercicis Teòrics | 10% | 0 | 0 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Problemes | 20% | 0 | 0 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Examen 2 | 25% | 0 | 0 | CM17, CM18, CM19, KM38, KM39, SM28 |
| Activitats pràctiques | 20% | 0 | 0 | CM17, CM18, CM19, KM38, KM39, SM28 |
Aquesta assignatura es regeix per un sistema d'avaluació continuada i no ofereix l'opció d'un examen final únic.
Activitats d'avaluació
Caldrà lliurar una o dues activitats per cada tema, que poden incloure preguntes tipus test, exercicis teòrics, problemes i tasques pràctiques. El conjunt d'aquestes activitats representarà el 50 % de la nota final. Aquestes activitats no són recuperables.
Exàmens
Es faran dos exàmens escrits al llarg del curs, cadascun amb un pes del 25 % sobre la nota final. Per superar l'assignatura, cal obtenir una puntuació mínima de 3,5 sobre 10 a cada examen. Tots dos exàmens són recuperables.
Bibliografia
El professorat publicarà, per a cada sessió teòrica, una presentació acompanyada de referències bibliogràfiques que podran incloure articles científics, articles de premsa, informes d'organismes internacionals o documentació elaborada per empreses. Tots aquests materials seran d'accés obert o estaran disponibles a través dels recursos electrònics de la Biblioteca de la UAB.
Com a bibliografia complementària, es recomana la consulta dels llibres següents:
- Downey, A. B. (2024). Think Python: How to Think Like a Computer Scientist (3a ed.). O'Reilly Media. Disponible a: https://allendowney.github.io/ThinkPython/
- VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly Media. Disponible a: https://jakevdp.github.io/PythonDataScienceHandbook/
Programari
Python
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 | 1 | Anglès | primer quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 1 | Anglès | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Anglès | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 2 | Anglès | primer quadrimestre | tarda |