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 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 CG4 Analitzar les implicacions ètiques de les actuacions professionals CE1 Programar a un nivell avançat en els llenguatges i llibreries més utilitzades en la ciència de dades CE2 Recollir i extreure dades de diferents fonts d'informació estructurades i no estructurades de forma ràpida i fiable considerant els principals estàndards de codificació CE4 Preprocessar dades amb l'objectiu de crear un conjunt de dades de qualitat, informatiu i manejable CE15 Aplicar els mètodes de protecció tècnica de dades necessaris per garantir la privacitat i la anonimització de les dades
1. Introducció a l’Adquisió i Preparació de dades 2. Introducció a Python per a Machine Learning 3. Introducció a Dataframes 4. Fonts i adquisió de dades 5. Anàlisi exploratòria de dades
Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total Activitat col·laborativa 0 50,00 0 50,00 Elaboració individual de treballs 0 30,00 0 30,00 Sessió participativa 21,00 14,00 0 35,00 Sessió pràctica 21,00 14,00 0 35,00 Total 42,00 108,00 0 150
lice Zheng, Amanda Casari (2018). Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. O’Reilly. Jacqueline Kazil, Katharine Jarmul (2016). Data Wrangling with Python: Tips and Tools to Make Your Life Easier. O’Reilly.
Activitats d'avaluació: Descripció de l'activitat Avaluació de l'activitat % Recuperable Compleció de treballs en avaluació continuada Es comprobarà l'adequació de les solucions aportades d'acord amb els conceptes explicats. 35 No Pràctica final Es valorarà la correctesa de la solució així com de l'informe i presentacions corresponents. 65 Sí
L'avaluació de l'assignatura tindrà dues parts: una avaluació continua amb forma d'activitats i pràctiques al llarg del curs, i una pràctica final on s'avaluaran els coneixements adquirits en tot el curs. En cas de no superar la pràctica final, s'entregarà una segona pràctica acordada amb el professor. 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»:No lliurar treballs d'avaluació continuada ni pràctica final. Avaluació única:L'avaluació única de l'assignatura consisteix en una pràctica final que inclou els diferents blocs de l'assignatura. Requisits mínims per aprovar:Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0
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 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).