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.

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.

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