Estudia

• CB6 Tenir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca.
• CB7 Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis relacionats amb la seva àrea d'estudi
• CB8 Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis '
• CB9 Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
• CB10 Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma
• CG1Dissenyar propostes creatives
• CE1 Programar a un nivell avançat en els llenguatges i llibreries més utilitzades en la ciència de dades
• CE6 Analitzar un problema de ciència de dades i identificar les tècniques i les eines apropiades per a resoldre'l
• CE7 Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic
• CE8 Quantificar la bondat dels resultats obtinguts mitjançant la tecnologia de la ciència de dades a través de mètriques adequades
• CE9 Presentar els resultats d'una anàlisi mitjançant tècniques de comunicació i representació gràfica adequades i interpretables
• CE11 Dissenyar i planificar projectes de ciència de dades aplicades a problemes reals
• CE13 Entendre les dades a partir de visualitzacions adequades

1. Restriccions i Optimització per a ciència de dades

2. Anàlisi avançada de sèries temporals. Causalitat, informació i representació d'ordre superior.

3. Dades espacials

4. Anàlisi estadística de dades composicionals

5. Processament del senyal i dades longitudinals

6. Aprenentatge automàtic en entorns distribuïts

• Chikalov I. et al. (2013). Logical Analysis of Data: Theory, Methodology and Applications. . Three Approaches to Data Analysis. Intelligent Systems Refe-rence Library, 41(),
• Chambon, A., Boureau, T., Lardeux, F. et al. (2018). Logical characterization of groupsof data: a comparative study.. Applied Intelligence, 48(), 2284-2303
• M.de Berg, O. Cheong, M van Kreveld, M. Overmars (2008). Computational Geometry:Algorithms and Applications. . Springer-Verlag.
• Sack, J.-R.. Urrutia, J.. (2000). Handbook of computational geometry. Amsterdam [etc.]: Elsevier. Catàleg
• Aitchison, J.. (1986). The Statistical analysis of compositional data. Caldwell, NJ: The Blackburn Press. Catàleg
• Filzmoser, Peter. (2018). Applied compositional data analysis :. New York, NY: Springer Berlin Heidelberg. Catàleg
• Pawlowsky-Glahn V., Egozcue JJ., Tolosana-Delgado R. (2015). Modeling and Analysis of Compositional Data.. Wiley.
• Gloor GB, Macklaim JM, Pawlowsky-Glahn V, Egozcue JJ. (2017). Microbiome Datasets Are Compositional: And This Is Not Optional.. Front Microbiol. ,,
• Subasi, Abdulhamit. (2019). Practical guide for biomedical signals analysis using machine learning techniques :. London: Elsevier/Academic Press.
• Palit, Ajoy K., Popovic, Dobrivoje. (2015). Computational Intelligence in Time Series Forecasting.. AIC,,
• Amita Kapoor (2019). Hands-On Artificial Intelligence for IoT: Expert machine learning and deep learning techniques for developing smarter IoT Systems.. Packt Publishing.
• Weiss, Gerhard . (1999). Multiagent systems :. Cambridge, Mas.: The MIT Press. Catàleg
• Alejandro Corbellini, Cristian Mateos, Alejandro Zunino, Daniela Godoy and Silvia Schiaffino (2017). Persisting big-data: The NoSQL landscape. ISISTAN Research Institute,.

Activitats d'avaluació:

L'avaluació de l'assignatura tindrà sis parts: una avaluació continua amb forma d'activitats i/o pràctiques al llarg del curs, una per cada tema. La nota final de l'assignatura s'obtindrà fent la mitjana aritmètica de les notes dels 6 blocs.

Si en qualsevol tipus d'activitat acadèmica es detecten actuacions fraudulentes (utilització d'informació sense autorització, utilització d'informació falsa, utilització de dispositius no autoritzats, suplantació de la identitat, plagis totals o parcials, compra i venda de proves, pràctiques i treballs, etc) l'estudiantat implicat suspendrà automàticament l'assignatura. En funció del tipus d'acte fraudulent la Direcció de l'Escola iniciarà els procediments adients d'acord amb la Llei 3/2022 de 24 de febrer de Convivència Universitària (https://www.boe.es/eli/es/l/2022/02/24/3).

Criteris específics de la nota «No Presentat»:
Lliurar menys de 3 treballs d'avaluació continuada.

Avaluació única:
L'avaluació única de l'assignatura s'acordarà amb el professorat a principi de curs i pot consistir en un examen, pràctica final i/o treball dels diferents blocs de l'assignatura.

Requisits mínims per aprovar:
Per aprovar l'assignatura, la nota final haurà de ser igual o superior a 5.

Ens podreu fer arribar els vostres dubtes o concertar tutories (tant de teoria com de pràctiques i problemes) via mail en el corresponent professor.

Les tutories es podran realitzar individualment o per grups, i es faran presencialment o utilitzant videoconferència (google meet).

La comunicació habitual en l’assignatura es farà via mail o moodle.

L'assignatura tindrà el fòrum d'avisos on es guardaran totes les notificacions relatives al curs i també es podran crear fòrums específics per cadascuna de les pràctiques.

L'interacció individual la podrem fer presencialment als despatxos dels professors sempre que les condicions ho permentin, o bé també via videoconferència (individualment o en grup).