Las diferentes técnicas para trabajar con datos, como el aprendizaje automático o la visualización, requieren el conocimiento de técnicas de programación y agrupación de datos. Estas técnicas deben de permitir un uso y almacenamiento eficiente de los datos con el propósito de poder escalar adecuadamente según aumenta el volumen de información a tratar.

Por otro lado, muchas de las técnicas de manipulación de datos actuales se aplican a través de librerías ampliamente utilizadas dada su eficiencia y facilidad de uso. La mayoría de estas librerías trabajan sobre estructuras utilizadas por todo científico de datos, que debe conocer la forma de crearlas, manipularlas, realizar consultas sobre ellas, importar y exportar información de las mismas, etc. 

Esta asignatura se centra en preparar al estudiante para comprender y programar las técnicas que se le expondrán en otras asignaturas del máster. Para ello, empezaremos por introducir y ver la relevancia de la programación en entornos de datos utilizando el lenguaje Python. A continuación, mostraremos las principales técnicas de agrupación de datos dentro de los paquetes numpy y pandas, que son los más ampliamente utilizados en dicho lenguaje. Seguidamente, veremos distintas formas de optimizar el código y el uso de memoria, así como su impacto en el tiempo de ejecución final de los programas. Finalmente, veremos algunos ejemplos de análisis numérico a través de librerías que los implementan directamente. Todo este trabajo se hará basándose en ejemplos que faciliten el aprendizaje.

Los conocimientos tanto teóricos como prácticos que se adquieren en la asignatura sirven de cara a mejorar el perfil profesional del científico de datos, proporcionándole las herramientas para trabajar y explorar los datos de forma adecuada y eficiente.

Contextualización: 

La asignatura Programación en Entornos de Datos se trata de una asignatura de 4 créditos ECTS, obligatoria, impartida en el primer semestre del Máster Universitario en Ingeniería de Datos. La asignatura proporciona a los estudiantes los conocimientos básicos de programación necesarios para cursar otras asignaturas del máster y guarda relación con las siguientes asignaturas también disponibles en el mismo Máster:

• Aprendizaje Automático I
• Minería de Textos
• Visualización de datos
• Deep Learning

Para cursar adecuadamente esta asignatura es recomendable tener los siguientes conocimientos previos: 

• Fluidez en programación.
• Estar familiarizado con el lenguaje matemático.
• Conocimientos básicos en estadística.
• Leer inglés técnico.

La tutorización de los estudiantes se realizará principalmente a través de la plataforma de enseñanza virtual de posgrado de la UNED.

Adicionalmente, los estudiantes pueden contactar directamente con el Equipo Docente a través del correo electrónico y los teléfonos que se muestran a continuación.

Fernando López Ostenero:

Asistencia al estudiante Martes y Miércoles de 11:00 a 13:00 horas.

flopez@lsi.uned.es

91398-7793

Álvaro Rodrigo Yuste:

Asistencia al estudiante Jueves de 11:00 a 13:00 horas y de 15:00 a 17:00 horas.

alvarory@lsi.uned.es

91398-9693

Sergio Moreno Álvarez:

Asistencia al estudiante Martes de 10:00 a 14:00 horas.

smoreno@lsi.uned.es

91398-6297

Contacto Postal

También se puede contactar a través de la siguiente dirección postal:

Escuela Técnica Superior de Ingeniería Informática

C/ Juan del Rosal, 16

28040 - Madrid

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 ambigüedades.

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.

COMPETENCIAS GENERALES

CG1 - Identificar los métodos apropiados para la solución de problemas asociados a la ciencia de datos y la analítica de información

CG5 - Utilizar las habilidades de científico de datos y/o ingeniero de datos en entornos de trabajo multidisciplinares y ser capaz de distinguir/organizar las diferentes actividades de los roles en dicho entorno

COMPETENCIAS TRANSVERSALES

CT1 - Ser capaz de abordar y desarrollar proyectos innovadores en entornos científicos, tecnológicos y multidisciplinares.

CT2 - Ser capaz de tomar decisiones y formular juicios basados en criterios objetivos (datos experimentales, científicos o de simulación disponibles).

COMPETENCIAS ESPECÍFICAS

CE2 - Desarrollar aplicaciones/servicios/scripts orientados a la analítica de datos y analizar el uso de diferentes librerías para el desarrollo e implementación de métodos numéricos, algoritmos y modelos asociados a los datos

CE4 - Conocer las diferentes librerías e implementaciones de las técnicas de representación de información, especialmente relevantes en la visualización de datos masivos

Los resultados más relevantes que se pretenden alcanzar con el estudio de esta asignatura son los siguientes: 

• Identificar las principales características de la programación en entornos de datos.
• Conocer diferentes métodos de agrupación de datos para su análisis.
• Aplicar técnicas para optimizar código y hacer que se ejecute de manera más eficiente.
• Aplicar técnicas para optimizar el uso de memoria cuando se procesan datos.
• Emplear diferentes técnicas para ejecutar métodos de análisis numérico.
• Evaluar y elegir diferentes librerías aplicadas al análisis de datos en el ámbito de un proyecto orientado a datos.

Esta asignatura ha sido diseñada para la enseñanza a distancia. Por tanto, el sistema de enseñanza-aprendizaje estará basado en gran parte en el estudio independiente o autónomo del estudiante. Para ello, el estudiante contará con diversos materiales que permitirán su trabajo autónomo y la Guía de Estudio de la asignatura, que incluye orientaciones para la realización de las actividades prácticas. Asimismo, mediante la plataforma virtual de la UNED existirá un contacto continuo entre el equipo docente y los/as estudiantes, así como una interrelación entre los propios estudiantes a través de los foros, importantísimo en la enseñanza no presencial. 

El estudio de esta asignatura se realizará a través de la bibliografía (que en el momento de creación de esta guía es accesible de forma gratuita para estudiantes de la UNED), ordenada adecuadamente por parte del Equipo Docente. Además, se publicarán materiales complementarios en el curso virtual con ejercicios para los que se aporta solución explicando paso a paso el proceso a seguir.

Esta asignatura de 4 créditos ECTS está planificada en 100 horas.  El tiempo de las actividades formativas, siguiendo la anterior metodología, se han distribuido de forma orientativa de la siguiente manera: 

• Estudio de los contenidos teóricos-prácticos utilizando la bibliografía básica y los materiales complementarios: 45 horas.
• Tutorías: 13 horas.
• Actividades en la plataforma virtual, incluyendo la participación en los debates propuestos en los foros: 2 horas.
• Prácticas informáticas, que incluyen la resolución de casos prácticos, así como otros tipos de supuestos: 33 horas.
• Otros trabajos/prácticas, de carácter individual y/o colectivo: 5 horas.
• Examen: 2 horas.

En el momento de creación de esta guía, toda la bibliografía es accesible de forma gratuita para estudiantes de la UNED.

En el momento de creación de esta guía, toda la bibliografía es accesible de forma gratuita para estudiantes de la UNED.

Los/as estudiantes dispondrán de los siguientes recursos de apoyo al estudio: 

• Guía de la asignatura. Incluye el plan de trabajo y orientaciones para su desarrollo. Esta guía será accesible desde el curso virtual. 

• Curso virtual. A través de esta plataforma los/as estudiantes tienen la posibilidad de consultar información de la asignatura, realizar consultas al Equipo Docente a través de los foros correspondientes, consultar e intercambiar información con el resto de los compañeros/as. 

• Biblioteca. El estudiante tendrá acceso tanto a las bibliotecas de los Centros Asociados como a la biblioteca de la Sede Central, en ellas podrá encontrar un entorno adecuado para el estudio, así como de distinta bibliografía que podrá serle de utilidad durante el proceso de aprendizaje. Además, desde la biblioteca digital de la UNED, el estudiante tendrá acceso a O’Reilly for Higher Education (New Safari), una biblioteca digital con más de 30.000 libros técnicos en constante actualización.