Competencies and objectives
Course context for academic year 2020-21
La asignatura está ubicada en el primer semestre del Máster Universitario en Ciencia de Datos y está relacionada con la mayoría de las asignaturas del máster.
En ella se introduce al estudiante en el uso de los modelos gráficos probabilísticos y las redes bayesianas. Los sistemas complejos se caracterizan por la presencia de múltiples aspectos interrelacionados, muchos de los cuales se relacionan con la tarea de razonamiento. Estos dominios, se pueden caracterizar en términos de un conjunto de variables aleatorias, donde el valor de la variable aleatoria de cada variable define una propiedad importante del sistema. Raramente podemos proporcionar una especificación determinista del comportamiento de un sistema complejo. Los modelos probabilísticos nos permiten hacer explícito este hecho y, por lo tanto, a menudo proporcionan un modelo que es más fiel a la realidad.
Course competencies (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2020-21
Transversal Competences
- CT1 : Ser capaz de liderar proyectos relacionados con la Ciencia de Datos, así como dirigir equipos de trabajo
- CT2 : Mostrar competencias informáticas e informacionales en el ámbito de la ciencia de datos.
- CT3 : Reunir competencias en comunicación oral y escrita.
General Competences
- CG1 : Aplicar los conocimientos adquiridos a problemas reales relacionados con la ciencia de datos.
- CG11 : Ser capaz de utilizar los principios de ingeniería y las modernas tecnologías informáticas para investigar, diseñar, implementar nuevas aplicaciones de la ciencia de datos.
- CG12 : Ser capaz de desarrollar experimentos, procesos, instrumentos, sistemas, infraestructuras durante todo el ciclo de vida de los datos.
- CG2 : Ser capaz de desarrollar y aprender de forma auto-dirigida o autónoma temas relacionados con la ciencia de datos.
- CG3 : Saber desenvolverse en contextos multidisciplinares y/o internacionales aportando soluciones desde el punto de vista de la ciencia de datos.
- CG4 : Conocer y aplicar en cada situación las responsabilidades sociales, éticas y legales vinculadas a la aplicación de los conocimientos de la ciencia de datos.
- CG5 : Saber gestionar la información y los recursos disponibles relacionados con ciencia de datos.
- CG6 : Ser capaz de adaptarse a entornos relacionados con la ciencia de datos, fomentando el trabajo en equipo, la creatividad, la capacidad crítica y el espíritu emprendedor.
- CG7 : Ser capaz de adaptarse al ambiente cambiante propio de la disciplina y de comprender y aplicar los nuevos avances técnicocientíficos relacionados con la ciencia de datos.
- CG8 : Saber proyectar, diseñar, desarrollar, implantar y mantener productos, aplicaciones y servicios relacionados con la ciencia de datos, teniendo en cuenta aspectos técnicos, económicos y de eficiencia.
Specific Competences
- CE4 : Identificar y utilizar técnicas de análisis gráfico de datos para el análisis de redes organizacionales, relaciones con los clientes y otras tareas.
- CE5 : Analizar y aplicar métodos analíticos y estadísticos avanzados para la preparación y procesado de datos.
Basic Competences
- CB10 : That students possess the learning skills that allow them to continue studying in a way that will be largely self-directed or autonomous.
- CB6 : Possess and understand knowledge that provides a basis or opportunity to be original in the development and/or application of ideas, often in a research context
- CB7 : That students know how to apply the knowledge acquired and their ability to solve problems in new or little-known environments within broader (or multidisciplinary) contexts related to their area of ¿¿study
- CB8 : Students are able to integrate knowledge and deal with the complexity of making judgements on the basis of incomplete or limited information, including reflections on the social and ethical responsibilities associated with information which, while incomplete or limited, includes reflections on the social and ethical responsibilities linked to the application of their knowledge and judgements.
- CB9 : Students are able to communicate their conclusions and the ultimate knowledge and rationale behind them to specialist and non-specialist audiences in a clear and unambiguous way.
Learning outcomes (Training objectives)
No data
Specific objectives stated by the academic staff for academic year 2020-21
No data
General
Code:
43456
Lecturer responsible:
Nescolarde Selva, Josué Antonio
Credits ECTS:
6,00
Theoretical credits:
1,20
Practical credits:
1,20
Distance-base hours:
3,60
Departments involved
-
Dept:
APPLIED MATHEMATICS
Area: APPLIED MATHEMATICS
Theoretical credits: 1,2
Practical credits: 1,2
This Dept. is responsible for the course.
This Dept. is responsible for the final mark record.
Study programmes where this course is taught
-
UNIVERSITY MASTER'S DEGREE IN DATA SCIENCE
Course type: COMPULSORY (Year: 1)