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. Introducció a l'anàlisi de xarxes complexes

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.

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 s'acordarà amb el professor a principi de curs i pot consistir en un examen o pràctica final que inclourà els diferents blocs de l'assignatura.

Requisits mínims per aprovar:
Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0, més el criteri que el professor de cada part imposi per poder fer mitjana amb la resta de parts.

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).