Competencies and objectives
- Course context for academic year 2020-21
- Course content (verified by ANECA in official undergraduate and Master’s degrees)
- Learning outcomes (Training objectives)
- Specific objectives stated by the academic staff for academic year 2020-21
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 content (verified by ANECA in official undergraduate and Master’s degrees)
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 : Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
- CB6 : Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
- CB7 : Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
- CB8 : Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
- CB9 : Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
Learning outcomes (Training objectives)
No data
Specific objectives stated by the academic staff for academic year 2020-21
No data
;