|
||||||||||||||||||||||||||
Consulta de los datos generales Descripción La asignatura en el conjunto del plan de estudios Conocimientos previos Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los recursos de aprendizaje de la UOC para la asignatura Información adicional sobre los recursos de aprendizaje y herramientas de apoyo Informaciones sobre la evaluación en la UOC Consulta del modelo de evaluación | ||||||||||||||||||||||||||
Este es el plan docente de la asignatura para el primer semestre del curso 2024-2025. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios. | ||||||||||||||||||||||||||
En esta asignatura veremos dos vertientes de la optimización en la ciencia de datos. La primera hace referencia al papel central de la optimización en el machine learning, donde el planteamiento del problema es en general el mismo y lo que varía son las técnicas para resolverlo. En cambio, en la segunda aprenderemos a plantear formalmente problemas reales en términos de problemas de optimización, definiendo los elementos característicos como variables, función objetivo y restricciones. El machine learning se basa en ajustar un modelo a los datos que tenemos de manera que en el futuro haga las mejores predicciones posibles. Este proceso de ajuste es el resultado de un problema de optimización. En la primera parte de esta asignatura plantearemos el problema básico de optimización en machine learning y trataremos los principales métodos como regresión lineal, regresión logística, redes neuronales, ... Por ello, necesitaremos aprender métodos de optimización sin restricciones, como el descenso del gradiente estocástico, o métodos de optimización con restricciones mediante las condiciones de Karush-Kuhn-Tucker. La optimización entendida de manera general tiene aplicaciones que van desde la ciencia de datos hasta problemas de transporte, logística, computación, etc. En la segunda parte de esta asignatura veremos algoritmos de resolución de problemas de optimización lineal y entera, como los algoritmos Simplex y Ramificación-Acotación, interpretando los resultados que obtengamos. Finalmente, aprenderemos a modelar los problemas de optimización. La idea es encontrar la mejor combinación posible de decisiones (variables) para optimizar el objetivo del problema (función objetivo), sujeto a las limitaciones en las posibles soluciones (restricciones). |
||||||||||||||||||||||||||
Esta asignatura se enmarca en el tercer semestre del grado de ciencia de datos aplicada. Junto con "Álgebra Lineal", "Probabilidad y Estadística", "Métodos Numéricos en Ciencias de datos", "Análisis Multivariante" y "Modelización e inferencia bayesiana" forma parte de la materia de matemáticas del grado. Esta asignatura complementa la formación matemática del estudiante en relación con modelado matemático y optimización, incluyendo optimización con/sin restricciones y optimización lineal y entera. Sirve de base para asignaturas más avanzadas en el análisis de datos, como la asignatura "Aprendizaje automático" del mismo grado de ciencia de datos aplicada así como de asignaturas a nivel de máster. |
||||||||||||||||||||||||||
Se recomienda haber superado las asignaturas previas del grado: "Álgebra Lineal", "Probabilidad y estadística" y "Métodos numéricos". |
||||||||||||||||||||||||||
Esta asignatura se organiza a través de la realización de 5 actividades: ACTIVIDAD 1: Cálculo con datos en espacios de grandes dimensiones. ACTIVIDAD 2: Ajuste de curvas en el aprendizaje automático. ACTIVIDAD 3: Entendiendo problemas de optimización complejos. ACTIVIDAD 4: El caso particular de la optimización lineal. ACTIVIDAD 5: Cerrando el ciclo: modelado de los problemas. Todas las actividades se basan en la resolución de problemas con un componente práctico mediante el uso del lenguaje de programación R. |
||||||||||||||||||||||||||
Esta asignatura introduce al alumnado a la optimización matemática y al modelaje de problemas de optimización en el contexto de la ciencia de datos. Los objetivos específicos son los siguientes:
Competencias Dentro de las memorias de Grado aprobadas por el Consejo de Universidades, las competencias específicas requeridas son las siguientes:
|
||||||||||||||||||||||||||
Introducción a la optimización
|
||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Garrett Grolemund. Hands-On Programming with R. |
||||||||||||||||||||||||||
En la UOC, la evaluación generalmente es virtual. Se estructura en torno a la evaluación continua, que incluye diferentes actividades o retos; la evaluación final, que se lleva a cabo mediante pruebas o exámenes, y el trabajo final de la titulación. Las actividades o pruebas de evaluación pueden ser escritas y/o audiovisuales, con preguntas aleatorias, pruebas orales síncronas o asíncronas, etc., de acuerdo con lo que decida cada equipo docente. Los trabajos finales representan el cierre de un proceso formativo que implica la realización de un trabajo original y tutorizado que tiene como objetivo demostrar la adquisición competencial hecha a lo largo del programa. Para verificar la identidad del estudiante y la autoría de las pruebas de evaluación, la UOC se reserva la potestad de aplicar diferentes sistemas de reconocimiento de la identidad y de detección del plagio. Con este objetivo, la UOC puede llevar a cabo grabación audiovisual o usar métodos o técnicas de supervisión durante la ejecución de cualquier actividad académica. Asimismo, la UOC puede exigir al estudiante el uso de dispositivos electrónicos (micrófonos, cámaras u otras herramientas) o software específico durante la evaluación. Es responsabilidad del estudiante asegurar que estos dispositivos funcionan correctamente. El proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de las actividades académicas. La web sobre integridad académica y plagio de la UOC contiene información al respecto. La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; la suplantación de identidad; la aceptación o la obtención de cualquier actividad académica a cambio o no de una contraprestación; la colaboración, el encubrimiento o el favorecimiento de la copia, o el uso de material, software o dispositivos no autorizados en el plan docente o el enunciado de la actividad académica, incluida la inteligencia artificial y la traducción automática, entre otras, son conductas irregulares en la evaluación que pueden tener consecuencias académicas y disciplinarias graves. Estas conductas irregulares pueden conllevar el suspenso (D/0) en las actividades evaluables definidas en el plan docente -incluidas las pruebas finales- o en la calificación final de la asignatura, ya sea porque se han utilizado materiales, software o dispositivos no autorizados durante las pruebas (como el uso de inteligencia artificial no permitida, redes sociales o buscadores de información en internet), porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas de otros estudiantes, etc.) sin la citación correspondiente, por la compraventa de actividades académicas, o porque se ha llevado a cabo cualquier otra conducta irregular. Asimismo, y de acuerdo con la normativa académica, las conductas irregulares en la evaluación también pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda, de conformidad con lo establecido en la normativa de convivencia de la UOC. En el marco del proceso de evaluación, la UOC se reserva la potestad de:
Inteligencia artificial en el marco de la evaluación La UOC reconoce el valor y el potencial de la inteligencia artificial (IA) en el ámbito educativo y, a su vez, pone de manifiesto los riesgos que supone si no se utiliza de forma ética, crítica y responsable. En este sentido, en cada actividad de evaluación se informará al estudiantado sobre las herramientas y los recursos de IA que se pueden utilizar y en qué condiciones. Por su parte, el estudiantado se compromete a seguir las indicaciones de la UOC a la hora de realizar las actividades de evaluación y de citar las herramientas utilizadas y, concretamente, a identificar los textos o imágenes generados por sistemas de IA, los cuales no podrá presentar como si fueran propios. Respecto a usar o no la IA para resolver una actividad, el enunciado de las actividades de evaluación indica las limitaciones en el uso de estas herramientas. Debe tenerse en cuenta que usarlas de manera inadecuada, como por ejemplo en actividades en las que no están permitidas o no citarlas en las actividades en las que sí lo están, puede considerarse una conducta irregular en la evaluación. En caso de duda, se recomienda que, antes entregar la actividad, se haga llegar una consulta al profesorado colaborador del aula. |
||||||||||||||||||||||||||
|