Recerca i Innovació
Codi: 43475 Crèdits: 6| Titulació | Tipus | Curs | Semestre |
|---|---|---|---|
| 4313136 Modelització per a la Ciència i l'Enginyeria / Modelling for Science and Engineering | OB | 0 | 1 |
Professor/a de contacte
- Nom:
- Anna Cima Mollet
- Correu electrònic:
- Anna.Cima@uab.cat
Utilització d'idiomes a l'assignatura
- Llengua vehicular majoritària:
- anglès (eng)
Equip docent
- Ana Cortes Garcia
- Martín-Hernán Campos Heredia
- Isabel Serra Mochales
Prerequisits
No hi ha cap prerequisit específic. Els estudiants han de tenir les habilitats matemàtiques corresponents a un nivell de grau científic o tecnològic.
Objectius
L'objectiu d'aquest mòdul és mostrar als estudiants la varietat de camps en què podran aplicar les eines adquirides durant els cursos de màster. Esperem que puguin utilitzar-los per la recerca de pràctiques en empreses i institucions i, a més, en triar un tema i un director del treball de fi de màster. També esperem que els ajudarà a trobar una carrera professional.
Competències
- Analitzar sistemes complexos de diferents camps i determinar les estructures i paràmetres bàsics del seu funcionament.
- Analitzar, sintetitzar, organitzar i planificar projectes del seu camp d'estudi.
- Aplicar la metodologia de recerca, tècniques i recursos específics per investigar en un determinat àmbit d'especialització.
- Aplicar les tècniques de resolució dels models matemàtics i els seus problemes reals d'implementació.
- Extreure d'un problema complex la dificultat principal, separada d'altres qüestions d'índole menor.
- Formular, analitzar i validar models matemàtics de problemes pràctics de diferents camps.
- Innovar en la cerca de nous espais / àmbits en el seu camp de treball.
- Que els estudiants sàpiguen comunicar les conclusions pròpies, i els coneixements i les raons últims que les sustenten, a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
- Que els estudiants sàpiguen comunicar les seves conclusions, així com els coneixements i les raons últimes que les fonamenten, a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
- Que els estudiants sàpiguin aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
- Reconèixer la dimensió humana, econòmica, legal i ètica en l'exercici professional.
- Resoldre problemes complexos aplicant els coneixements adquirits a àmbits diferents dels originals
Resultats d'aprenentatge
- Analitzar, sintetitzar, organitzar i planificar projectes del seu camp d'estudi.
- Aplicar la metodologia de recerca, tècniques i recursos específics per investigar en un determinat àmbit d'especialització.
- Comprovar la validesa del model respecte al comportament del sistema real
- Descriure les dependències funcionals del sistema pel que fa als diferents paràmetres
- Dissenyar models matemàtics que representin el sistema i el seu comportament
- Extreure d'un problema complex la dificultat principal, separada d'altres qüestions d'índole menor.
- Identificar els paràmetres que determinen el funcionament d'un sistema
- Implementar les solucions proposades de forma fiable i eficient.
- Innovar en la cerca de nous espais / àmbits en el seu camp de treball.
- Que els estudiants sàpiguen comunicar les conclusions pròpies, i els coneixements i les raons últims que les sustenten, a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
- Que els estudiants sàpiguen comunicar les seves conclusions, així com els coneixements i les raons últimes que les fonamenten, a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
- Que els estudiants sàpiguin aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
- Reconèixer la dimensió humana, econòmica, legal i ètica en l'exercici professional.
- Resoldre models matemàtics de forma eficient.
- Resoldre problemes complexos aplicant els coneixements adquirits a àmbits diferents dels originals
Continguts
Durant el semestre tenim dos tipus d'activitats: assistir a tres mini cursos innovadors i assistir a una sèrie de conferències impartides per persones que treballen per a empreses o investigadors que treballen a universitats o centres de recerca.
Els cursos són els següents:
1. Python amb finalitats analítiques. Conceptes bàsics de Python. Dades amb Python. Resolució de problemes amb Python. Aprenentatge automàtic amb Python.
2. Aprenentatge automàtic. Aprenentatge automàtic, intel·ligència artificial i ciència de dades: desde el punt de vista determinista al estocàstic. Tècniques supervisades i no supervisades: desde arbres a boscos aleatoris. Introducció a les xarxes neuronals i als desafiaments matemàtics: avaluació del rendiment. Corbes ROC i validació creuada.
3. Numerical weather forecast models. Predicció del temps numèric (NWP): una visió general general, conceptes bàsics de modelització atmosfèrica: aproximacions i paràmetres, models NWP i potència computacional, aplicacions de la predicció del temps numèric al Servei Meteorològic de Catalunya (SMC).
Convidarem especialistes en els camps de la Modelització de Sistemes Complexos, Modelització d’Enginyeria, Modelització Matemàtica i Ciències de Dades. Entre els altres, tindrem xerrades de persones procedents de:
- SMC, Servei Meteorològic de Catalunya, http://www.meteo.cat
- CRM, Centre de Recerca Matemàtica, http://www.crm.cat
- BTD, Barcelona Digital Talent, https://barcelonadigitaltalent.com
- DSBlab, Dynamical Systems Biology lab (UPF), https://www.upf.edu/web/dsb
- Meteosim, https://www.meteosim.com
Metodologia
La metodologia dels tres cursos es basa en classes magistrals que consisteixen en la presentació de la teoria, exemples i alguns casos pràctics.
En relació amb les xerrades, s’anunciaran prèviament al campus virtual del mòdul Recerca i innovació. Allà els estudiants trobaran el títol de la xerrada, el nom del ponent, un breu resum i enllaços d'interès.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Activitats formatives
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Assistència a les xerrades | 16 | 0,64 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 |
| Assistència als cursets | 22 | 0,88 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 |
Avaluació
Els estudiants han de presentar tres projectes corresponents als tres cursos impartits.
El curs de Phyton per dades analítiques se celebrarà els dies 14, 21 i 28 de setembre i el 5 d’octubre. La data límit per enviar l’informe és el 29 d’octubre. Cal fer-ho en equips de 2 o 3 persones.
El curs d'aprenentatge automàtic tindrà lloc els dies 2, 5, 9 i 12 de novembre. L'informe corresponent s'haurà de presentar abans del 3 de desembre al campus virtual. S’ha de fer en equips de 2 o 3 persones.
Finalment, els cursos sobre models numèrics de predicció meteorològica es presentaran els dies 30 de novembre i 14,21 de desembre. L'informe s'haurà de presentar abans del 21 de gener. S'ha de fer en equips de 3 persones.
D’altra banda, l’assistència a les xerrades contribueix al 10% de la nota final.
Activitats d'avaluació
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Assistència a les xerrades | 10% | 16 | 0,64 | 3, 4, 7, 10, 11, 12 |
| Fer un informe sobre Machine Learning | 30% | 32 | 1,28 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 |
| Fer un informe sobre Numerical Weather Forecast Models | 30% | 32 | 1,28 | 3, 4, 7, 10, 11, 12 |
| Fer un informe sobre Python for analitical purposes | 30% | 32 | 1,28 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 |
Bibliografia
- Bibliography and links of interes
- https://www.python.org/about/gettingstarted/
- https://www.learnpython.org/
- https://learntocodewith.me/posts/python-for-data-science
- Pitts W McCulloch W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 1943.
- L. Breiman, J.H. Friedman, R.A. Olshen and C.J Stone. Classification and Regression Trees. Wadsworth, Belmont, Ca, 1988.
- Friedman, Jerome H. Data Mining and Statistics: What's the connection?". Computing Science and Statistics. 29. 1998.
- B Ripley. Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge. 2002.
- T Hastie, R Tibshirani, J Friedman. The Elements of Statistical Learning. Data Mining, Inference and Prediction, Springer, New York. 2009.
- Bishop, C. M. Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2. 2006.
- Ethem Alpaydin. Introduction to Machine Learning (Fourth ed.). MIT. 2020.
- Ahrens, C. Meteorology Today: An Introduction to Weather, Climate, and the Environment. International student edition. Brooks/Cole, CengageLearning. 2009.
- Holton, J. R., & Hakim, G. J. (2012). An introduction to dynamic meteorology (Vol. 88). Academic press.
- Wilks, D. S. (2011). Statistical methods in the atmospheric sciences (Vol. 100). Academic press.Gutiérrez, J. M. (2004). Redes probabilísticas y neuronales en las ciencias atmosféricas. Ministerio de Medio Ambiente, Secretaría General Técnica.
Programari
El software es detallarà a cadascun dels cursos.