Aviso importante
La guía docente es provisional.
La versión en PDF de la guía docente puede tardar unos días en estar disponible en el DDD.
Investigación E Innovación
Código: 43475Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Modelling for Science and Engineering | OB | 1 |
Profesor/a de contacto
- Nombre :
- Silvia Cuadrado Gavilan
- Correo electrónico :
- silvia.cuadrado@uab.cat
Equipo docente
- Ana Cortes Fite
- Carles Carrillo Jordan
- Isabel Serra Mochales
- Víctor Navas Portella
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
No hay requisitos previos específicos. Los estudiantes deben tener las habilidades matemáticas correspondientes a nivel de un grado científico o tecnológico.
Objetivos
El objetivo de este módulo es mostrar a los estudiantes la variedad de campos en los que podrán aplicar las herramientas adquiridas durante los cursos de Máster. Esperamos que puedan usarlos como guía cuando busquen prácticas en empresas e instituciones y también cuando elijan un tema y un director para el trabajo de fin de máster. También esperamos que les ayude a encontrar una trayectoria profesional.
Resultados de aprendizaje
- CA06 (Integrar adecuadamente herramientas y/o resultados de modelización de diferentes ámbitos o naturalezas, en especial en el contexto de entornos de trabajo multidisciplinares) Integrar adecuadamente herramientas y/o resultados de modelización de diferentes ámbitos o naturalezas, en especial en el contexto de entornos de trabajo multidisciplinares
- CA07 (Valorar críticamente en estudios o proyectos de modelización la necesidad y presencia de criterios éticos, de sostenibilidad, de igualdad de género y/o de justicia social) Valorar críticamente en estudios o proyectos de modelización la necesidad y presencia de criterios éticos, de sostenibilidad, de igualdad de género y/o de justicia social
- CA08 (Trabajar en equipos multidisciplinares en el desarrollo de actividades y proyectos del ámbito de la Modelización) Trabajar en equipos multidisciplinares en el desarrollo de actividades y proyectos del ámbito de la Modelización
- KA06 (Identificar los lenguajes y entornos de programación, así como las herramientas matemáticas más relevantes, que se utilizan en el ámbito industrial y de la investigación) Identificar los lenguajes y entornos de programación, así como las herramientas matemáticas más relevantes, que se utilizan en el ámbito industrial y de la investigación
- KA07 (Identificar los principales sectores y contextos profesionales en los que se aplica la modelización matemática) Identificar los principales sectores y contextos profesionales en los que se aplica la modelización matemática
- KA08 (Describir los resultados y/o predicciones principales que arrojan las diferentes herramientas matemáticas empleadas en el sector profesional para la construcción de modelos) Describir los resultados y/o predicciones principales que arrojan las diferentes herramientas matemáticas empleadas en el sector profesional para la construcción de modelos
- SA07 (Contextualizar correctamente aplicaciones informáticas encaminadas a modelizar un proceso industrial o concreto, utilizando para ello un entorno de programación adecuado) Contextualizar correctamente aplicaciones informáticas encaminadas a modelizar un proceso industrial o concreto, utilizando para ello un entorno de programación adecuado
- SA08 (Interpretar adecuadamente los resultados y predicciones obtenidos de aplicar un modelo matemático a la resolución de problemas concretos en el ámbito industrial o de la investigación) Interpretar adecuadamente los resultados y predicciones obtenidos de aplicar un modelo matemático a la resolución de problemas concretos en el ámbito industrial o de la investigación
Contenidos
Durante el semestre tendremos dos tipos de actividades: tres minicursos y una serie de conferencias impartidas por profesionales que trabajan en empresas o por investigadores que desarrollan su actividad en universidades o centros de investigación.
Los cursos son los siguientes:
Modelización en la nube. Riesgos catastróficos y alerta temprana. Cómo modelizar riesgos naturales. Del modelo a un servicio en la nube.
Python con fines analíticos. Conceptos básicos de Python. Gestión y análisis de datos con Python. Resolución de problemas con Python. Aprendizaje automático con Python.
Aprendizaje automático. Aprendizaje automático, inteligencia artificial y ciencia de datos: desde el enfoque determinista al estocástico. Técnicas supervisadas y no supervisadas: desde árboles de decisión hasta bosques aleatorios. Introducción a las redes neuronales y a los desafíos matemáticos: evaluación del rendimiento. Curvas ROC y validación cruzada.
Para las conferencias invitaremos a especialistas en los campos de la Modelización para la ciencia, la Modelización en Ingeniería, la Modelización Matemática y la Ciencia de Datos.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Asisténcia a los cursillos | 22 | 0,88 | CA06, CA08, KA06, KA07, KA08, SA07, SA08 |
| Asistencia a las charlas | 16 | 0,64 | CA06, CA07, CA08, KA07, SA08 |
La metodología de los tres cursos se basa en clases magistrales que consisten en la presentación de la teoría, ejemplos y algunos casos prácticos.
En relación con las conferencias, estas se anunciarán previamente en el campus virtual del módulo Investigación e Innovación. Allí los estudiantes encontrarán el título de la conferencia, el nombre del ponente, un breve resumen y enlaces de interés.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Hacer un informe sobre Python for analitical purposes | 30% | 32 | 1,28 | CA06, CA08, KA06, KA08, SA07, SA08 |
| Hacer un informe sobre Machine Learnig | 30% | 32 | 1,28 | CA06, CA08, KA06, KA08, SA07, SA08 |
| Hacer un informe sobre Riesgos Naturales | 30% | 32 | 1,28 | CA06, CA08, KA06, KA07, KA08, SA07, SA08 |
| Asistencia a las conferencias | 10% | 16 | 0,64 | CA06, CA07, KA07, KA08, SA08 |
Los estudiantes deben presentar tres proyectos correspondientes a los tres cursos impartidos. Cada uno de estos proyectos cuenta con el 30% de la calificación.
La asistencia a las charlas, que es obligatoria, contribuye en un 10% a la nota final.
Bibliografía
- Bibliography and links of interest
- https://www.python.org/about/gettingstarted/
- https://www.learnpython.org/
- https://learntocodewith.me/posts/python-for-data-science
- Pitts W McCulloch W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 1943.
- L. Breiman, J.H. Friedman, R.A. Olshen and C.J Stone. Classification and Regression Trees. Wadsworth, Belmont, Ca, 1988.
- Friedman, Jerome H. Data Mining and Statistics: What's the connection?\". Computing Science and Statistics. 29. 1998.
- B Ripley. Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge. 2002.
- T Hastie, R Tibshirani, J Friedman. The Elements of Statistical Learning. Data Mining, Inference and Prediction, Springer, New York. 2009.
- Bishop, C. M. Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2. 2006.
- Ethem Alpaydin. Introduction to Machine Learning (Fourth ed.). MIT. 2020.
Software
El software se detallará en cada uno de los cursos impartidos.
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 |
|---|---|---|---|---|
| (TEm) Teoría (máster) | 1 | Inglés | primer cuatrimestre | tarde |