Módulos

ASIGNATURA 1 FUNDAMENTOS DE MATEMÁTICAS, COMPUTACIÓN Y MODELADO (EQUIVALENCIA: 21 ECTS)

    PROFESORADO

    Aurelio Barrera Vicent (Especialista en Matemáticas Aplicadas)

    Samuel Domínguez Gamero (Especialista en Modelado Matemático)

    Lorena García Jiménez (Especialista en programación en Python)

    Dra. María Isabel García de Soria Lucena (Especialista en Mecánica Estadística)


    CONTENIDO

    Fundamentos matemáticos para la simulación y el modelado (6 ECTS)

  • Documentación: álgebra lineal, cálculo diferencial e integral en una y varias variables
  • Introducción al modelado matemático
  • Ecuaciones en diferencias
  • Ecuaciones diferenciales ordinarias
  • Sistemas de EDOs
  • Linearización de sistemas de EDOs. Análisis de estabilidad
  • Introducción a las ecuaciones en derivadas parciales

    • Introducción a la computación el Python (6 ECTS)

  • Python 3 como lenguaje de programación
  • Herramientas: IDEs, Anaconda, Visual Studio Code, Spyder, Jupyter Notebooks, Google Colab
  • Sintaxis básica y estructuras de datos. Librería Numpy
  • Condicionales y bucles. Indexado en Python
  • Importar datos y Exportar resultados. Formatos de datos
  • Ajuste de datos
  • Resoluciones numéricas con Python. Librerías especializadas

    • Modelado y simulación en Python (6 ECTS)

  • Introducción al modelado matemático. Modelos deterministas y estocásticos
  • Estudio de modelos relevantes
      • Modelos logísticos de crecimiento. Formulación e interpretación de parámetros
      Modelo SIR
  • Procesos de Poisson y colas
  • Método de simulación MonteCarlo
      • Generación de números aleatorios y distribuciones
      Aplicaciones y ejemplos

    Fundamentos de estadística aplicada a los datos (3 ECTS)

  • Introducción a la Estadística y los datos
  • Distribuciones de probabilidad
  • Muestreo y Teorema del Límite Central
  • Estimación e Intervalos de Confianza
  • Contraste de Hipótesis
  • P-valor: concepto e interpretación
  • Estudios estadísticos en datos reales

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado tendría los conocimientos y competencias necesarios en matemáticas y programación para modelar computacionalmente sistemas sencillos, predecir el comportamiento de los mismos, y realizar estudios estadísticos básicos sobre ficheros de datos externos.


FORMACIÓN ESPECÍFICA EN ANÁLISIS DE DATOS (EQUIVALENCIA: 21 ECTS)

    PROFESORADO

    Aurelio Barrera Vicent (Especialista en Matemáticas Aplicadas)

    Lorena García Jiménez (Especialista en programación en Python)

    Roberto González Lozano (Especialista en Bases de Datos y Estadística Aplicada)

    Lucía Sevilla Rodríguez (Especialista en Ciencia de Datos)


    CONTENIDO

    Visualización y Análisis de Datos (6 ECTS)

  • Introducción
  • Dataframes. Excel y Python (Matplotlib y Pandas) como herramientas principales
  • Preparación y limpieza de datos
  • Fuentes de datos confiables
  • Introducción a los modelos supervisados: clasificación y regresión
  • Visualización eficaz. Seaborn
  • Storytelling y documentación profesional

    • Ciberseguridad, Ética y Políticas de Datos (3 ECTS)

  • 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

    • Bases de datos (3 ECTS)

  • 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

    • Modelos Predictivos (6 ECTS)

  • Introducción al Machine Learning
  • Limpieza de datos
  • Analítica predictiva
  • Modelos supervisados: Clasificación y Regresión
  • Modelos no supervisados: Clustering y reducción de dimensionalidad
  • Ejemplos reales aplicados

    • Business Intelligence con Power BI (3 ECTS)

  • Introducción y entorno de trabajo
  • Carga de datos
  • Transformación de datos (Power Query)
  • Creación de visualizaciones
  • Introducción a DAX
  • Publicación y compartición de informes

    • COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado tendría los conocimientos y competencias necesarios en análisis de datos y herramientas de software específico para estudiar casos reales, portar la información relevante obtenida a informes profesionales, y presentar resultados y conclusiones, pudiendo adaptarlos incluso ante público no especializado si así lo requiriera la situación profesional.


FORMACIÓN ESPECÍFICA EN TEMÁTICA OPTATIVA (EQUIVALENCIA: 12 ECTS) (A ELEGIR DOS DE LAS CUATRO OPCIONES)

    PROFESORADO

    Aurelio Barrera Vicent (Especialista en Matemáticas Aplicadas)

    Roberto González Lozano (Especialista en Bases de Datos y Estadística Aplicada)

    Lucía Sevilla Rodríguez (Especialista en Ciencia de Datos)

    José Ángel Terrero Fernández (Especialista en Computación Cuántica)


    Computación en la nube (6 ECTS)

  • 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

    • Optimización en Python (6 ECTS)

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

    • Tecnologías emergentes en la computación: Computación Cuántica (6 ECTS)

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

    • Prácticas en empresa (6 ECTS)


    COMPETENCIAS

    Con la superación de la presente asignatura, el alumnado podrá profundizar en algunas de sus propias áreas de interés dentro del sector de la computación y los datos, que, dada su popularidad emergente, comienza a diversificarse en ramas muy diversas. Es por ello que surge la necesidad de introducir una asignatura con optatividad, de manera que el alumno pueda acercarse a las innovaciones más punteras del sector, según sus gustos e intereses profesionales.


TRABAJO DE FIN DE MÁSTER (EQUIVALENCIA: 6 ECTS)

    Módulo TFM. El alumnado llevará a cabo uno (1) de estos dos (2) tipos de trabajo:


    TFM de Proyecto. Este consiste en la redacción de una memoria que refleje el proceso seguido para la realización de un proyecto. Constará de una parte teórica, en la que se deberán presentar los conceptos teóricos relacionados con el proyecto, y una parte más práctica en la que se analizarán los problemas y dificultades encontrados y las soluciones propuestas, así como unas conclusiones globales.


    TFM de Prácticas. Este consiste en la redacción de una memoria que refleje el periodo en prácticas. Constará de una parte teórica, en la que se deberán presentar los conceptos teóricos relacionados con las actividades desarrolladas durante las prácticas (en caso de ser actividades variadas, se podrá elegir una sola o varias), y una parte más práctica en la que se analizarán los problemas y dificultades encontrados y las soluciones propuestas. Se valorará muy positivamente el relacionar el desempeño realizado durante el periodo en prácticas con los conocimientos teórico-prácticos impartidos en el resto de asignaturas previas del máster.