Competencies and objectives

 

Course context for academic year 2024-25

La asignatura Fundamentos del Aprendizaje Estadístico es obligatoria y se imparte en el primer semestre. Trata de introducir y explicar los fundamentos matemáticos inherentes a las técnicas estadísticas detalladas en los contenidos. Cada una de las técnicas será abordada con el enfoque matemático adecuado según el objetivo particular de la técnica en cuestión. La asignatura tiene una gran carga teórica, por lo que no se trata del mero manejo de los paquetes estadísticos disponibles en el mercado.

Las prácticas se intercalan con las clases teóricas y se llevarán a cabo con software libre: principalmente R.

 

 

Course content (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2024-25

Transversal Competences

  • CT1 : Desenvolupar habilitats per al treball en equip, ja siga en equips amb personal de la mateixa disciplina o equips multidisciplinaris (incloent professionals de formació tècnica, social o científica)
  • CT2 : Adoptar el mètode científic en el plantejament i realització de treballs diversos tant a nivell acadèmic com professional, i d'adoptar procediments basats en criteris de qualitat i sostenibilitat en l'activitat professional
  • CT3 : Desenvolupar habilitats, estratègies i tècniques per a la interacció, el treball col·laboratiu i la transferència del coneixement i conclusions obtingudes, tant a professionals de sectors afins com a públic no especialitzat

 

General Competences

  • CG1 : Adquirir coneixements teòrics i pràctics avançats en càlcul numèric, modelització matemàtica, estadística i tractament de dades
  • CG2 : Comprendre, analitzar, avaluar i seleccionar teories científiques adequades i metodologies precises per a formular models matemàtics avançats
  • CG5 : Adquirir els coneixements informàtics necessaris per a ser capaç de'adaptar a la resolució de problemes científics en qualsevol àrea de ciències experimentals

 

Specific Competences

  • CE1 : Conéixer i usar el programari específic de càlcul científic apropiat per a matemàtiques i ciències experimentals
  • CE2 : Resoldre, mitjançant l'ús de tècniques de càlcul científic, problemes propis de matemàtiques i ciències experimentals planificant la seua resolució en funció de temps i recursos disponibles
  • CE3 : Adquirir la capacitat d'analitzar i gestionar dades que permeten donar informació útil per a la presa de decisions
  • CE4 : Aprendre eines matemàtiques avançades en l'àmbit del càlcul científic
  • CE5 : Comprendre les teories matemàtiques abstractes i la seua aplicació al càlcul científic
  • CE6 : Aplicar eines de càlcul científic avançat a la modelització i simulació de casos concrets d'investigació en ciències experimentals

 

Basic Competences

  • CB10 : Que els estudiants posseïsquen les habilitats d'aprenentatge que els permeten continuar estudiant d'una manera que haurà de ser en gran manera autodirigido o autònom
  • CB6 : Posseir i comprendre coneixements que aporten una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
  • CB7 : Que els estudiants sàpien aplicar els coneixements adquirits i la seua capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seua àrea d'estudi
  • CB9 : Que els estudiants sàpien comunicar les seues conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats

 

 

 

Learning outcomes (Training objectives)

 

· Conocer técnicas avanzadas del aprendizaje estadístico.
· Comprender los fundamentos de los principales algoritmos de aprendizaje estadístico.
· Entender los ámbitos de aplicación de los algoritmos de aprendizaje estadístico, así como sus limitaciones.
· Saber escoger el método más adecuado para cada problema.

· Conocer técnicas avanzadas del aprendizaje estadístico.

· Comprender los fundamentos de los principales algoritmos de aprendizaje estadístico.

· Entender los ámbitos de aplicación de los algoritmos de aprendizaje estadístico, así como sus limitaciones.

· Saber escoger el método más adecuado para cada problema.

 

 

 

Specific objectives stated by the academic staff for academic year 2024-25

No data

 

 

General

Code: 49236
Lecturer responsible:
NUEDA ROLDAN, MARIA JOSE
Credits ECTS: 6,00
Theoretical credits: 1,70
Practical credits: 0,70
Distance-base hours: 3,60

Departments involved

  • Dept: MATHEMATICS
    Area: STATISTICS AND OPERATIONS RESEARCH
    Theoretical credits: 1,7
    Practical credits: 0,7
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught