Competencies and objectives

 

Course context for academic year 2023-24

Ampliación de Estadística y Optimización es una de las 4 asignaturas optativas del primer semestre del Máster. Sus contenidos están relacionados con la inferencia estadística y con la optimización, tanto sus fundamentos teóricos como los principales algoritmos. Un perfil recomendado de acceso al máster en Ciencia de Datos es el de titulados/as con competencias básicas en matemáticas, estadística y fundamentos de programación. Por lo tanto, la asignatura Ampliación de Estadística y Optimización es muy recomendable para aquellos estudiantes del Master de perfil informático que necesitan completar su formación matemática.

 

 

Course competencies (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2023-24

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.
  • 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.
  • 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

  • CE1 : Conocer en profundidad y manejar tecnologías de aprendizaje automático (machine learning), algoritmos, y herramientas (incluido el aprendizaje supervisado, no supervisado o reforzado).
  • CE14 : Diseñar y aplicar algoritmos para resolver problemas reales mediante habilidades de modelización, optimización y cálculo numérico.
  • CE15 : Manejar y aplicar las herramientas informáticas de cálculo numérico, optimización, simulación, visualización gráfica u otras para experimentar y resolver problemas.
  • 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 2023-24

No data

 

 

General

Code: 43452
Lecturer responsible:
Aragón Artacho, Francisco Javier
Credits ECTS: 6,00
Theoretical credits: 1,80
Practical credits: 0,60
Distance-base hours: 3,60

Departments involved

  • Dept: APPLIED MATHEMATICS
    Area: APPLIED MATHEMATICS
    Theoretical credits: 0,4
    Practical credits: 0,2
  • Dept: Mathematics
    Area: STATISTICS AND OPERATIONS RESEARCH
    Theoretical credits: 1,4
    Practical credits: 0,4
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught