Competencias propias de la asignatura | |
---|---|
Código | Descripción |
CB06 | Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
CB07 | Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
CB08 | Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
CB09 | Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades |
CE12 | Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento. |
INS01 | Capacidad de análisis, síntesis y evaluación. |
INS04 | Capacidad de resolución de problemas aplicando técnicas de ingeniería. |
INS05 | Capacidad para argumentar y justificar lógicamente las decisiones tomadas y las opiniones. |
PER01 | Capacidad de trabajo en equipo. |
PER02 | Capacidad de trabajo en equipo interdisciplinar. |
PER04 | Capacidad de relación interpersonal. |
SIS01 | Razonamiento crítico. |
SIS03 | Aprendizaje autónomo. |
UCLM02 | Capacidad para utilizar las Tecnologías de la Información y la Comunicación. |
Resultados de aprendizaje propios de la asignatura | |
---|---|
Descripción | |
Evaluar la viabilidad y necesidad de implantar un sistema inteligente para resolver un problema complejo. | |
Diseñar, prototipar y validar sistemas inteligentes en áreas típicas de aplicación (configuración, clasificación, etc.) | |
Adquirir el conocimiento necesario para el desarrollo, puesta en marcha y explotación de un sistema inteligente. | |
Resultados adicionales | |
No se han establecido. |
Actividad formativa | Metodología | Competencias relacionadas (para títulos anteriores a RD 822/2021) | ECTS | Horas | Ev | Ob | Descripción | |
Enseñanza presencial (Teoría) [PRESENCIAL] | Método expositivo/Lección magistral | CB06 CB07 CB08 CE12 INS04 SIS01 UCLM02 | 0.96 | 24 | N | N | Se proporcionará material para el seguimiento de la asignatura y se explicarán los principios fundamentales de cada tema. Los alumnos en modalidad semi-presencial usarán este material y emplearán el tiempo correspondiente en trabajo autónomo para su estudio. | |
Talleres o seminarios [PRESENCIAL] | Seminarios | CB06 CB07 CB08 CE12 INS04 SIS01 UCLM02 | 0.32 | 8 | N | N | Se impartirán varios seminarios para introducir las herramientas que serán utilizadas a lo largo del curso. Además, se harán, en la medida de lo posible, una o dos conferencias relativas a temas específicos. | |
Prácticas de laboratorio [PRESENCIAL] | Prácticas | CB06 CB07 CB08 CB09 CE12 INS01 INS04 INS05 PER01 PER02 PER04 SIS01 SIS03 UCLM02 | 0.72 | 18 | N | N | Realización de prácticas guiadas por parte del profesor. Los alumnos de la modalidad semi-presencial dispondrán de los guiones y podrán realizar estos trabajos de forma autónoma, con consultas al profesor en horarios de tutorías o mediante cita previa. Las prácticas serán podrán ser entregadas y evaluadas a lo largo del curso, y entregadas/recuperadas en la convocatoria ordinaria o extraordinaria. | |
Estudio o preparación de pruebas [AUTÓNOMA] | Otra metodología | CB06 CB07 CB08 CE12 INS01 INS04 SIS01 SIS03 UCLM02 | 0.96 | 24 | N | N | Repaso y preparación de los conceptos vistos en clase. Búsqueda de documentación y elaboración de temas. | |
Elaboración de memorias de Prácticas [AUTÓNOMA] | Prácticas | CB06 CB07 CB08 CB09 CE12 INS01 INS04 INS05 PER01 PER02 PER04 SIS01 SIS03 UCLM02 | 0.56 | 14 | S | S | Preparación de la documentación asociada a las prácticas y programas realizadas durante el curso. Elaboración de memorias y presentaciones relacionadas a los casos de estudio. Las memorias serán podrán ser entregadas y evaluadas a lo largo del curso, y entregadas/recuperadas en la convocatoria ordinaria o extraordinaria. Se elaborarán 4 trabajos: Adquisición, almacenamiento y preparación de datos; Modelos predictivos; Visualización; Despliegue de modelos de aprendizaje automático en la nube. | |
Prueba final [PRESENCIAL] | Pruebas de evaluación | CE12 | 0.08 | 2 | S | S | Examen final para evaluar la superación de contenidos por parte de los alumnos (cuestiones, problemas y supuestos prácticos). Los alumnos que hayan demostrado la consecución de estos contenidos mediante las diferentes pruebas de progreso, estarán exentos de realizar esta prueba. Se realizará una prueba en la convocatoria ordinaria y otra en la extraordinaria. | |
Elaboración de informes o trabajos [AUTÓNOMA] | Aprendizaje basado en problemas (ABP) | CB06 CB07 CB08 CB09 CE12 INS01 INS04 INS05 PER01 PER02 PER04 SIS01 SIS03 UCLM02 | 1.92 | 48 | N | N | Elaboración de las prácticas iniciadas en el laboratorio. Esta actividad requerirá de investigación y consulta de documentación. Las prácticas serán podrán ser entregadas y evaluadas a lo largo del curso, y entregadas/recuperadas en la convocatoria ordinaria o extraordinaria. | |
Análisis de artículos y recensión [AUTÓNOMA] | Lectura de artículos científicos y preparación de recensiones | CB06 CB07 CB08 CB09 INS01 INS04 SIS01 SIS03 UCLM02 | 0.16 | 4 | N | N | A lo largo del curso se proporcionarán varios enlaces y artículos de interés relacionados con la asignatura. | |
Pruebas de progreso [PRESENCIAL] | Pruebas de evaluación | CE12 | 0.32 | 8 | S | N | Se llevaran a cabo pruebas de progreso específica para cada uno de los temas (exceptuando el 1). Aquellos alumnos que las superen podrán superar la asignatura sin hacer la prueba final. Todas las pruebas podrán ser recuperadas mediante la realización de un examen final en la convocatoria ordinaria o extraordinaria. | |
Total: | 6 | 150 | ||||||
Créditos totales de trabajo presencial: 2.4 | Horas totales de trabajo presencial: 60 | |||||||
Créditos totales de trabajo autónomo: 3.6 | Horas totales de trabajo autónomo: 90 |
Ev: Actividad formativa evaluable Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)
Sistema de evaluación | Evaluacion continua | Evaluación no continua * | Descripción |
Realización de prácticas en laboratorio | 25.00% | 25.00% | LAB: Realización de prácticas correspondientes a tareas planteadas en el laboratorio. Los alumnos de modalidad presencial podrán realizar entregas parciales en clase, los alumnos en modalidad semi-presencial podrán enviar todas las respuestas via campus virtual. |
Resolución de problemas o casos | 15.00% | 15.00% | INF: Realización de tareas correspondientes a problemas, casos de estudio o memorias de recopilación de información solicitada. |
Prueba final | 0.00% | 50.00% | ESC: Prueba final de contenidos (examen escrito). Podrá eximirse de esta prueba a los alumnos que hayan demostrado adquirir los conocimientos mediante las pruebas de progreso. |
Presentación oral de temas | 10.00% | 10.00% | PRES: Elaboración de la presentación y defensa de una de las prácticas. |
Pruebas de progreso | 50.00% | 0.00% | ESC: Prueba de contenidos (examen escrito). Se hará una por cada tema (con excepción del uno). Quienes superen esta parte estarán exentos de hacer la prueba final. |
Total: | 100.00% | 100.00% |
No asignables a temas | |
---|---|
Horas | Suma horas |
Estudio o preparación de pruebas [AUTÓNOMA][Otra metodología] | 24 |
Elaboración de memorias de Prácticas [AUTÓNOMA][Prácticas] | 14 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | 2 |
Elaboración de informes o trabajos [AUTÓNOMA][Aprendizaje basado en problemas (ABP)] | 48 |
Análisis de artículos y recensión [AUTÓNOMA][Lectura de artículos científicos y preparación de recensiones] | 4 |
Tema 1 (de 4): Sistemas basados en procesamiento de datos | |
---|---|
Actividades formativas | Horas |
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 8 |
Talleres o seminarios [PRESENCIAL][Seminarios] | 4 |
Prácticas de laboratorio [PRESENCIAL][Prácticas] | 8 |
Pruebas de progreso [PRESENCIAL][Pruebas de evaluación] | 2 |
Periodo temporal: Semanas 1 a 6 |
Tema 2 (de 4): Modelos basados en aprendizaje no supervisado | |
---|---|
Actividades formativas | Horas |
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 4 |
Pruebas de progreso [PRESENCIAL][Pruebas de evaluación] | 1 |
Periodo temporal: Semanas 7 y 8 |
Tema 3 (de 4): Modelos basados en aprendizaje supervisado | |
---|---|
Actividades formativas | Horas |
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 4 |
Prácticas de laboratorio [PRESENCIAL][Prácticas] | 2 |
Pruebas de progreso [PRESENCIAL][Pruebas de evaluación] | 1 |
Periodo temporal: Semanas 9 y 10 |
Tema 4 (de 4): Aplicaciones basadas en analítica de datos | |
---|---|
Actividades formativas | Horas |
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 8 |
Talleres o seminarios [PRESENCIAL][Seminarios] | 4 |
Prácticas de laboratorio [PRESENCIAL][Prácticas] | 8 |
Pruebas de progreso [PRESENCIAL][Pruebas de evaluación] | 4 |
Periodo temporal: Semanas 11 a 15 |
Actividad global | |
---|---|
Actividades formativas | Suma horas |
Comentarios generales sobre la planificación: | Esta planificación es ORIENTATIVA, pudiendo variar a lo largo del periodo lectivo en función de las necesidades docentes, festividades, o por cualquier otra causa imprevista. La planificación semanal de la asignatura podrá encontrarse de forma detallada y actualizada en la plataforma Campus Virtual (Moodle). La planificación temporal podrá verse modificada ante causas imprevistas. |
Autor/es | Título | Libro/Revista | Población | Editorial | ISBN | Año | Descripción | Enlace Web | Catálogo biblioteca |
---|---|---|---|---|---|---|---|---|---|
Documentación Scikit-learn | http://scikit-learn.org/stable/documentation.html | ||||||||
Documentación Matplotlib | http://matplotlib.org/ | ||||||||
Documentación de Pandas | http://pandas.pydata.org/ | ||||||||
Anand Rajaraman, Jeffrey David Ullman | Mining of Massive Datasets | Cambridge University Press | 9781107015357 | 2011 | http://www.mmds.org/ | ||||
Andrés Marzal, Isabel Gracia | Introducción a la programación con Python | https://www.u-cursos.cl/ingenieria/2011/2/CC3501/1/material_docente/bajar?id_material=381752 | |||||||
Jake VanderPlas | Python Data Science Handbook | O'Reilly Media, Inc. | 2016 | ||||||
Jannach, Zanker, Felfernig y Friedrich | Recommender systems: an introduction | Cambridge University Press | 2010 | ||||||
Russell Jurney | Agile Data Science 2.0 | O'Reilly Media, Inc. | 9781491960110 | 2017 | https://www.oreilly.com/library/view/agile-data-science/9781491960103/ |