Módulos

MÓDULO 1: FUNDAMENTOS MATEMÁTICOS PARA LA SIMULACIÓN Y EL MODELADO (EQUIVALENCIA: 3 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Álgebra lineal.
  • Cálculo diferencial e integral en una y varias variables.
  • Introducción al modelado matemático: ecuaciones diferenciales aplicadas.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá aplicar conceptos avanzados de álgebra lineal y cálculo multivariable para la formulación de modelos matemáticos. Será capaz igualmente de utilizar ecuaciones diferenciales para representar y analizar la estabilidad de sistemas dinámicos complejos.


MÓDULO 2: INTRODUCCIÓN A LA COMPUTACIÓN EN PYTHON (EQUIVALENCIA: 6 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Python 3 como lenguaje de programación.
  • Herramientas: IDEs, Anaconda, Visual Studio Code, Spyder, Jupyter Notebooks, Google Colab.
  • Sintaxis básica y estructuras de datos.
  • Condicionales, bucles y funciones.
  • Python como lenguaje orientado a objetos.
  • Resoluciones numéricas con Python. Librería Numpy y Scipy.
  • Librerías especializadas: Matplotlib, Pandas, Seaborn.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá desarrollar programas robustos en Python 3 utilizando programación orientada a objetos y estructuras de datos eficientes. Podrá también dominar el ecosistema de librerías científicas (Numpy, Scipy) y herramientas de desarrollo (IDEs, Notebooks) para la resolución numérica de problemas técnicos.


MÓDULO 3: MODELADO Y SIMULACIÓN EN PYTHON (EQUIVALENCIA: 3 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Introducción al modelado matemático. Modelos deterministas y estocásticos.
  • Modelos logísticos de crecimiento.
  • Modelo SIR.
  • Procesos de Poisson y colas.
  • Generación de números aleatorios y distribuciones.
  • Método de simulación MonteCarlo.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá implementar y simular modelos deterministas y estocásticos (como el modelo SIR o modelos logísticos). También podrá utilizar el método de MonteCarlo y la generación de variables aleatorias para predecir comportamientos en entornos de incertidumbre.


MÓDULO 4: FUNDAMENTOS DE ESTADÍSTICA APLICADA A LOS DATOS (EQUIVALENCIA: 6 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Introducción a la Estadística y los datos.
  • Teoría de la probabilidad.
  • Muestreo y Teorema del Límite Central.
  • Función de verosimilitud: el enfoque frecuentista.
  • Estimación e Intervalos de Confianza.
  • Contraste de Hipótesis.
  • P-valor: concepto e interpretación.
  • Estudios estadísticos en datos reales.
  • Probabilidad y estadística Bayesiana.

    • COMPETENCIAS

    Competencias: Con la superación de la presente asignatura, el alumnado podrá realizar inferencia estadística avanzada mediante el contraste de hipótesis, estimación de intervalos de confianza e interpretación del p-valor. Igualmente podrá integrar el enfoque frecuentista y la estadística Bayesiana para validar modelos basados en datos reales.




MÓDULO 5: VISUALIZACIÓN E INTRODUCCIÓN AL ANÁLISIS DE DATOS (EQUIVALENCIA: 6 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Excel y Python (Matplotlib y Pandas) como herramientas principales.
  • Preparación y limpieza de datos.
  • Fuentes de datos confiables.
  • Visualización eficaz. Seaborn.
  • Introducción al Business Intelligence con PowerBI.
  • Storytelling y documentación profesional.
  • Estado del arte en el análisis de datos (introducción).
  • Introducción a los modelos supervisados: Regresión y clasificación.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá ejecutar procesos de limpieza y preparación de datos (data wrangling) para transformarlos en información útil y diseñar cuadros de mando en PowerBI y utilizar técnicas de storytelling con librerías como Seaborn para comunicar resultados de forma profesional y eficaz.


MÓDULO 6: CIBERSEGURIDAD, ÉTICA Y POLÍTICAS DE DATOS (EQUIVALENCIA: 3 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Introducción a la ciberseguridad.
  • Riesgos y amenazas en el entorno de los datos.
  • Seguridad en el ciclo de la vida de los datos.
  • Normativas y Políticas de Datos.
  • Ética en el uso de los datos.
  • Gobierno del dato.
  • Herramientas y prácticas básicas de seguridad.
  • Casos prácticos y discusión.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá gestionar el ciclo de vida de los datos bajo principios éticos y normativas legales. Podrá también identificar riesgos en entornos de datos, aplicar políticas de gobierno del dato y utilizar herramientas de seguridad para proteger la integridad de la información.


BASES DE DATOS (EQUIVALENCIA: 6 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • La estructura de la base de datos. Introducción, aplicación y ejemplos.
  • Bases de datos relacionales: Lenguaje SQL.
  • Integración con Python y APIs.
  • Introducción a las bases de datos no relacionales. MongoDB.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá diseñar, implementar y consultar bases de datos relacionales mediante lenguaje SQL y no relacionales (MongoDB), así como integrar estos sistemas de almacenamiento con aplicaciones Python y fuentes de datos externas a través de APIs.


MÓDULO 8: MODELOS PREDICTIVOS (EQUIVALENCIA: 9 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Introducción al Machine Learning: librería Scikit-Learn.
  • Limpieza de datos (revisión).
  • Introducción al aprendizaje supervisado: Regresión lineal y logística.
  • Modelo KNN.
  • Modelos basados en árboles.
  • Algoritmos de Boosting (AdaBoost y XGBoost).
  • Máquinas de vector soporte (SVM).
  • Modelos no supervisados: Clustering y reducción de dimensionalidad (PCA).
  • Optimización de hiperparámetros.
  • Introducción al Deep Learning (Tensorflow y Keras).
  • Redes Neuronales Convolucionales.
  • Redes Neuronales Recurrentes.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá Construir y optimizar modelos de Machine Learning supervisados (regresión, árboles, Boosting, SVM) y no supervisados (Clustering, PCA). Además, estará capacitado para desarrollar redes neuronales profundas (Deep Learning) con Tensorflow y Keras para resolver problemas complejos de clasificación y regresión.


MÓDULO 9: COMPUTACIÓN EN LA NUBE (EQUIVALENCIA: 2 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Introducción a la computación en la nube.
  • Principales proveedores de servicios en la nube.
  • Modelos de coste y gestión económica.
  • Almacenamiento y bases de datos en la nube.
  • Computación en la nube para análisis de datos.
  • Inteligencia artificial y machine learning en la nube.
  • Herramientas low-code/no-code en la nube.
  • Tendencias y futuro de la nube.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá desplegar y gestionar infraestructuras de análisis de datos en las principales plataformas de cloud computing, así como evaluar modelos de coste y utilizar servicios gestionados de IA y bases de datos en la nube para escalar soluciones de análisis.


MÓDULO 10: OPTIMIZACIÓN EN PYTHON (EQUIVALENCIA: 2 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Fundamentos y motivación.
  • Programación Lineal.
  • Pyomo Básico y Modelado Lineal.
  • Programación Entera y Binaria.
  • Optimización no Lineal.
  • Ejemplos reales de optimización aplicada.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá modelar y resolver problemas de toma de decisiones mediante programación lineal, entera y no lineal. También podrá utilizar la librería Pyomo para optimizar procesos industriales y empresariales basados en restricciones reales.


MÓDULO 11: TECNOLOGÍAS EMERGENTES EN LA COMPUTACIÓN. COMPUTACIÓN CUÁNTICA (EQUIVALENCIA: 2 ECTS)

    PROFESORADO

    Por determinar


    CONTENIDO

  • Fundamentos de la mecánica cuántica.
  • Definición de computación cuántica.
  • QBITS vs BITS. Comparativa entre las computaciones cuántica y clásica.
  • Limitaciones actuales. Empresas del sector.
  • Framework y herramientas. Uso de Qiskit como herramienta principal.
  • Algoritmos cuánticos conocidos.
  • Aplicaciones empresariales, industriales y académicas.
  • Librerías especializadas: Matplotlib, Pandas, Seaborn.

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá comprender los principios de la mecánica cuántica aplicados a la computación (Qbits), así como desarrollar y ejecutar algoritmos cuánticos básicos utilizando el framework Qiskit, identificando las ventajas competitivas y limitaciones actuales de esta tecnología frente a la computación clásica.


MÓDULO APLICADO (EQUIVALENCIA 6 ECTS)

    Para cumplimentar este módulo, el alumnado podrá elegir una (1) de las siguientes tres (3) opciones:


  • Proyecto.
  • Prácticas.
  • Homologación.

MÓDULO TFM (EQUIVALENCIA 6 ECTS)

    En función de lo elegido en el Módulo Aplicado, el alumnado llevará a cabo uno (1) de estos tres (3) tipos de trabajo:


  • TFM de Proyecto.
  • TFM de Prácticas.
  • TFM de Homologación.