NO EXISTEN CAMBIOS
The subject guide has been updated with the changes mentioned here
Las redes inteligentes (smart grids), el aprendizaje automático (machine learning) y los métodos orientados a datos (data-driven methods) se han convertido en términos ubicuos en la literatura científica y técnica de la última década. Dichos términos están detrás de una revolución tecnológica, que podemos englobar dentro de la llamada industría conectada y que se basa en la interconexión de dispositivos electrónicos a internet. En este sentido, los dispositivos inteligentes (smart devices) intercambian una cantidad ingente de datos que que se utiliza para mejorar la eficiencia de los aspectos como el consumo de energía, el transporte o las tecnologías sanitarias.
Las matemáticas juegan un papel fundamental en esta revolución tecnológica. Esta asignatura comienza con una introducción a los conceptos y métodos en ciencia de datos de álgebra lineal, probabilidad, estadística y optimización que sustentan los métodos orientados a datos en ingeniería y a su utilización en Python. A continuación se estudian técnicas de reducción de dimensión y transfomadas en análisis de datos. El bloque siguiente es una introducción a los fundamentos de machine learning y análisis de datos. El temario finaliza con el estudio de redes neuronales, de sistemas dinámicos y de series temporales. Todos los contenidos son trabajados, además, con Python.
Es necesario poseer conocimientos matemáticos a nivel de un Grado en Ingeniería, Física o Matemáticas para afrontar con éxito la asignatura. Es aconsejable tener un conocimiento básico de programación a nivel de lo que se puede estudiar en cualquiera de estos estudios.
A lo largo de la asignatura se presupone que los alumnos han adquirido los conocimientos de las asignaturas del primer cuatrimestre.
La tutorización y el seguimiento de la asignatura se realizará a través de:
- Atención personal del equipo docente. Mediante los diferentes métodos tradicionales (telefónica, presencial, correo electrónico).
- Curso virtual. Planteamiento de dudas y resolución de ejercicios que servirá al alumno como autoevaluación de los conocimientos que vaya adquiriendo.
- Centros Asociados. Atención personal por los recursos de tutorización existentes en el Centro Asociado al que pertenezca
Contacto con el equipo docente (sede central)
Los profesores de la asignatura son:
Esther Gil (egil@ind.uned.es)
UNED, ETSI Industriales
Departamento de Matemática Aplicada
Despacho 2.39 (Horario de guardia: Miércoles 10:00-14:00)
Juan del Rosal, 12
28040 Madrid
Miguel Sama (msama@ind.uned.es)
UNED, ETSI Industriales
Departamento de Matemática Aplicada
Despacho 2.53 (Horario de guardia: Miércoles 16:00-20:00)
Juan del Rosal, 12
28040 Madrid
Santiago Monteso (smonteso@ieec.uned.es)
UNED, ETSI Industriales
Departamento de Ingeniería Eléctrica, Electrónica y Control
Juan del Rosal, 12
28040 Madrid
La profesora encargada del curso es Esther Gil, siendo la encargada de centralizar todas las consultas de los estudiantes.
COMPETENCIAS
CP1 Desarrollar habilidades sistémicas (metodológicas): aplicación de conocimientos, habilidades en investigación, y creatividad.
CP3 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.
CP4 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.
CONOCIMIENTOS O CONTENIDOS
C1 Adquirir el conocimiento de los métodos y técnicas de investigación.
C3 Elaborar y tratar modelos matemáticos que representen el comportamiento de los sistemas industriales.
C4 Adquirir destrezas en la aplicación de técnicas de simulación computacional.
C6 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.
HABILIDADES O DESTREZAS
H1 Desarrollar capacidad de análisis y síntesis de la información científico-técnica.
H2 Adquirir destrezas en la búsqueda y gestión bibliográfica y documental.
H3 Desarrollar capacidad de razonamiento crítico.
H4 Desarrollar habilidades técnicas, de análisis y síntesis: resolución de problemas, toma de decisiones y comunicación de avances científicos.
H5 Planificar las actividades de investigación.
H6 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.
H7 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
COMPETENCIAS
CP1 Desarrollar habilidades sistémicas (metodológicas): aplicación de conocimientos, habilidades en investigación, y creatividad.
CP3 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.
CP4 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.
Bloque 0. Preliminares Matemáticos.
- Herramientas matemáticas en el análisis de datos.
- Repaso de álgebra lineal, optimización, sistemas dinámicos, probabilidad y estadística.
- Uso de herramientas de ciencias de datos en Python.
Bloque I. Técnicas de Reducción de la Dimensión y Transformadas en Análisis de Datos
- Descomposición en valores singulares.
- Reducción de la dimensionalidad y PCA.
- Transformadas de tipo Fourier en análisis de datos (dominio frecuencial).
- Nuevos enfoques en compresión de datos: Técnicas sparse y compressed sensing.
- Práctica numérica en Python.
Bloque II. Introducción a los Fundamentos de Machine Learning y Análisis de Datos.
- Regresión y técnicas de selección de modelos.
- Técnicas de agrupamiento (clustering) y clasificación en análisis de datos.
- Práctica numérica en Python.
Bloque III. Redes Neuronales (Deep Learning). Sistemas Dinámicos y Series Temporales.
- Introducción a las redes neuronales artificiales.
- Fundamentos matemáticos de las redes neuronales. Algoritmo de retropropagación y método de gradiente estocástico
- Modelos de redes neuronales y deep learning.
- Series temporales.
- Aplicaciones a sistemas dinámicos.
- Práctica numérica en Python.
La asignatura sigue la metodología de enseñanza a distancia de la UNED con virtualización y tutorización telemática por parte del equipo docente. Una de las características del método es la atención personalizada al estudiante y el seguimiento que se hace de su aprendizaje teniendo en cuenta sus circunstancias personales y laborales.
De forma resumida la metodología docente tiene las siguientes características:
- Está adaptada a las directrices del EEES.
- La asignatura no tiene clases presenciales. Los contenidos teóricos se imparten a distancia, de acuerdo con las normas y estructuras de los diferentes soportes de la enseñanza en la UNED.
- El seguimiento de las actividades propuestas se realiza a través del curso virtual.
- Los estudiantes se pueden comunicar con los profesores del equipo docente a través de foros establecidos en el curso virtual y también por teléfono en los horarios y días señalados por cada uno de los profesores.
Metodología de estudio
La metodología del trabajo de la asignatura se basa en una planificación temporal de las actividades siguiendo un cronograma de estudio que se publicará en el curso virtual de la asignatura a principios del curso.
El equipo docente, atendiendo a dicho cronograma, irá informando a través de los canales de comunicación del curso virtual (Tablón de noticias, foros de estudios, correo electrónico, etc) los contenidos del material de estudio (véase bibliografía básica) a estudiar, se irán colgando los distintos materiales adicionales de estudio (apuntes, vídeos, ejercicios, etc) y las distintas actividades de evaluación a realizar. Asimismo el equipo docente informará de cualquier novedad relativa a la asignatura a través del curso virtual.
Por tanto es esencial que el estudiante realice un seguimiento continuo del curso virtual, que es el principal canal de comunicación entre los estudiantes y el equipo docente, atendiendo a la información y recursos publicados en éste.
ONSITE TEST
|
| Type of exam |
| Type of exam |
No hay prueba presencial |
| CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK |
CHARACTERISTICS OF THE IN-PERSON TEST AND/OR THE WORK
|
| Requires presence |
| Requires presence |
No |
| Description |
| Description |
Véase Pruebas de Evaluación Continua.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting of the in-person test and/or the assignments in the final grade |
| Weighting of the in-person test and/or the assignments in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
| CONTINUOUS ASSESSMENT TEST (PEC) |
CONTINUOUS ASSESSMENT TEST (PEC)
|
| PEC? |
| PEC? |
Si,PEC no presencial |
| Description |
| Description |
La evaluación de la asignatura consiste fundamentalmente en la entrega de hojas de actividades por bloques (Pruebas de Bloque). Las actividades consistirán fundamentalmente en la resolución de ejercicios teórico-prácticos de los contenidos teóricos, así como la realización de prácticas numéricas que incluirán la programación de códigos (Python) y el análisis razonado de los resultados obtenidos. Serán en total 3 pruebas de bloque.
Fecha aproximada de realización
- Convocatoria ordinaria: Los enunciados y fechas de entrega estarán disponibles atendiendo al cronograma de la asignatura.
- Convocatoria extraordinaria de septiembre: Las notas de la Pruebas de Bloques entregadas se mantienen para la convocatoria de septiembre. Aquellos alumnos que deseen presentarse a la convocatoria de septiembre deben ponerse en contacto con el Equipo Docente de la asignatura para la realización de una tarea similar alternativa.
|
| Assessment criteria |
| Assessment criteria |
Se valorará el rigor matemático, así como la calidad de la redacción y presentación de la memoria y códigos.
|
| Weighting of the PEC in the final grade |
| Weighting of the PEC in the final grade |
100% de la nota final. Cada una de las pruebas puntúan lo mismo. |
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
OTHER GRADEABLE ACTIVITIES
|
| Are there other evaluable activities? |
| Are there other evaluable activities? |
Si,no presencial |
| Description |
| Description |
Así mismo, a lo largo del curso, el Equipo Docente considerará actividades que proporcionen una nota adicional a la nota final del 10%, incluyendo la participación activa en los foros de la asignatura, asistencia a tutorias telemáticas o cualquier actividad adicional propuesta por el Equipo Docente. La publicidad de cualquier actividad de este tipo se hará a través del curso virtual.
|
| Assessment criteria |
| Assessment criteria |
|
| Weighting in the final grade |
| Weighting in the final grade |
|
| Approximate submission date |
| Approximate submission date |
|
| Coments |
| Coments |
|
How to obtain the final grade?
|
La nota final sigue la fórmula
- NOTA FINAL = NPB + 0.1·NAA
siempre y cuando no se supere la nota máxima final de 10 puntos.
NPB = Notas Pruebas de Bloque, NAA = Nota Actividades Adicionales de Evaluación
La nota mínima para aprobar es de 5 puntos en la nota final.
|
|
CURRENTLY UNPUBLISHED BOOK
ISBN(13):
Title: DATA-DRIVEN SCIENCE AND ENGINEERING: MACHINE LEARNING, DYNAMICAL SYSTEMS, AND CONTROL 2022
Author: Kutz, J. N.;Brunton, S.L.;
Editorial: CAMBRIDGE UNIVERSITY PRESS
|
|
|
CURRENTLY UNPUBLISHED BOOK
ISBN(13):
Title: MATHEMATICS FOR MACHINE LEARNING. 2020
Author: Deisenroth, M. P.;Ong, C. S.;Faisal, A. A.;
Editorial: CAMBRIDGE UNIVERSITY PRESS
|
|
Texto Base 1 (TB1): Brunton, S. L., Kutz, J. N. (2022). Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press.
A fecha de esta publicación, los autores del TB1 mantienen una web actualizada con diferente material de interés sobre este volumen. Se dará más información en el curso virtual.
Texto Base 2 (TB2): Deisenroth, M. P., Faisal, A. A., Ong, C. S. (2020). Mathematics for machine learning. Cambridge University Press.
A fecha de esta publicación, los autores del TB2 mantienen una web actualizada con diferente material de interés sobre este volumen. Se dará más información en el curso virtual.
Texto Base 3 (TB3): Hyndman, R. J. (2021; 2024 on-line). Forecasting: Principles and Practice. OTexts.
A fecha de esta publicación, el autor del TB3 mantiene una web actualizada con diferente material de interés sobre este volumen, incluida la versión actualizada del libro (2024). Se dará más información en el curso virtual.
Texto Complementario 1 (TC1): Nielsen, A. (2019). Practical Time Series Analysis. O'Reilly.
Texto Complementario 2 (TC2): Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly.
Los textos complementarios 1 y 2 están disponibles, a fecha de esta publicación, en la bibloteca en formato electrónico para los alumnos.
Los textos base 1 y 2 (TB1 y TB2) son por los que seguirá mayoritariamente la asignatura. El texto base 3 (TB3) se utilizará para algunos apartados relativos a series temporales (Time Series).
El texto complementario 1 (TC1) se usará fundamentalmente para las prácticas sobre series temporales. Por su parte, el texto complementario 2 (TC2) se usará en algunas cuestiones puntuales, principalmente para la realización de ejercicios prácticos con Python.
Ver comentarios sobre bibliografía básica.
Véase bibliografía básica y complementaria
