La asignatura se organiza en tres bloques independientes, cada uno impartido por un profesor diferente. Mientras que el primer bloque de la asignatura (10 horas) introduce conceptos relacionados con la minería de datos, generalmente aplicados a conjuntos de datos de gran tamaño, el segundo bloque (18 horas) se centra en los métodos estadísticos y los conocimientos necesarios para modelizar este tipo de datos. Se pone un especial énfasis en los métodos de agregación de datos, incluyendo los estadísticos suficientes, el metaanálisis y los métodos para combinar diferentes estimaciones, así como en los métodos estadísticos escalables, entre los que destacan los métodos divide-and-conquer, las técnicas de submuestreo y los métodos de optimización estocástica, como el descenso por gradiente estocástico (Stochastic Gradient Descent, SGD). Estos métodos se estudiarán mediante aplicaciones con datos reales, especialmente en el contexto de los modelos lineales y los modelos lineales generalizados. Finalmente, el tercer bloque de la asignatura (10 horas) introduce a los estudiantes en algunos de los métodos más relevantes del aprendizaje profundo (deep learning), con especial atención a las redes neuronales y sus aplicaciones.

En general, cada bloque combina sesiones teóricas y de introducción de conceptos por parte del profesorado con sesiones prácticas, que pueden ser sesiones dirigidas o bien sesiones de trabajo autónomo. Las sesiones teóricas podrán ir acompañadas de diapositivas, las que se compartirán a través del Moodle del curso. Las sesiones de problemas y las prácticas dirigidas podrán incluir ejemplos prácticos con R y/o Python, que, en general, también estarán disponibles en el Moodle del curso. El profesorado, si lo considera oportuno, podrá compartir a través de Moodle material adicional que deberá ser trabajado de forma autónoma por el alumnado con el fin de profundizar en los conceptos introducidos en clase.

Sobre el uso de la IA: En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo del trabajo, siempre que el resultado final refleje 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 utilizadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y en el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una falta de honestidad académica y podrá conllevar una penalización en la calificación de la actividad o, en los casos de mayor gravedad, sanciones adicionales.

La evaluación del curso se realiza de forma independiente en cada uno de los bloques descritos. El peso de cada bloque en la calificación final coincide con el número de horas de ese bloque en relación con el total de horas del curso. En general, en cada bloque se propondrá un conjunto de proyectos que podrán desarrollarse de forma individual o en grupo, y que, en algunos casos, incluirán una pequeña parte en la que se requerirá la presentación oral de contenidos y resultados. Los proyectos de los bloques 1 y 3 tienen un peso del 26% cada uno en la nota final de la asignatura, mientras que los proyectos del bloque 2 tienen un peso del 48%.

Para cada proyecto se publicará en el Moodle del curso un documento con el enunciado y la descripción de lo que se solicita, así como todo el material necesario para desarrollar el proyecto (conjuntos de datos, fuentes de información adicionales, etc.), la fecha de entrega, el mecanismo de entrega, y otros detalles que el profesorado considere relevantes. Las calificaciones de cada proyecto, así como las calificaciones finales de cada bloque y del curso, se publicarán también en el Moodle del curso.