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. En esta asignatura se hace un 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.

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.

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 

Juan Perán (jperan@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 

El profesor encargado del curso es Miguel Sama, siendo el encargado de centralizar todas las consultas de los estudiantes. 

Procedimiento:

 I. Para consultas con contenido matemático o sobre el funcionamiento de la asignatura, por orden de preferencia:

1. Foros del curso virtual. Dudas generales sobre contenidos matemáticas y de funcionamiento de la asignatura.
2. Correo electrónico. Prof. Miguel Sama (msama@ind.uned.es).
3. Teléfono. (Prof. Miguel Sama, 913987927). Preferentemente en periodo de guardia. Miércoles 16:00-20:00.
4. Entrevista. Despacho 2.53 de la Escuela de Ingenieros Indus­triales de la UNED. Se ruega concertar cita telefónicamente (913987927).
5. Correo ordinario. Miguel Sama, Departamento de Matemática Aplicada, ETSI Industriales de la UNED, c/ Juan del Rosal, 12, 28040, Madrid.

II. Para consultas privadas (evaluación, orientaciones me­to­do­lógicas, bi­blio­gra­­­fía, etc.), por orden de preferencia:

1. Correo electrónico.  Prof. Miguel Sama (msama@ind.uned.es )
2. Entrevista. Se ruega concertar cita telefónicamente (913987927).
3. Teléfono. (Prof. Miguel Sama, 913987927). Preferentemente en periodo de guardia. Miércoles 16:00-20:00.

Competencias Generales:

• CG1 - Diseñar estrategias para organizar y planificar entornos industriales conectados
• CG2 - Resolver problemas asociados al diseño o desarrollo de sistemas industriales conectados

Competencias Básicas:

• CB6 - 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
• CB7 - 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
• CB8 - 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
• CB9 - 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 ambiguedades
• CB10 - 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.

A. Conocimientos teóricos

• Comprender los conceptos básicos en ciencia de datos de álgebra lineal, probabilidad, estadística y optimización que sustentan la analítica de datos.
• Conocer los fundamentos matemáticos de las técnicas más comunes en compresión de datos, descomposición valores singulares, transformadas de tipo Fourier, así como las nuevas técnicas de sparse y compressed sensing.
• Entender los fundamentos matemáticos de los métodos más usuales de machine learning (técnica de agrupamiento en data mining, support vector machines y redes neuronales), en particular entender estos problemas como la resolución de problemas de optimización.
• Introducirse a los métodos data-driven, orientados a datos, en sistemas dinámicos y sus aplicaciones en ingeniería.

B. Conocimientos prácticos o destrezas

• Aplicar y ser capaz de comparar los diversos métodos de machine learning en aprendizaje supervisado y no supervisado para la resolución de problemas concretos.
• Expresarse de forma matemáticamente correcta al formular modelos y soluciones.

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 libro de texto (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.

Deisenroth, M. P., Faisal, A. A.,  Ong, C. S. (2020). Mathematics for machine learning. Cambridge University Press.

A fecha de esta publicación, los autores mantiene una web actualizada con una copia pdf de este volumen y diferente material de interés.

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 mantiene una web actualizada con diferente material de interés sobre este volumen.

Véase bibliografía básica y complementaria