2022/2023
Investigación e Innovación
Código: 43475 Créditos ECTS: 6| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 4313136 Modelización para la Ciencia y la Ingeniería / Modelling for Science and Engineering | OB | 0 | 1 |
Contacto
- Nombre:
- Anna Cima Mollet
- Correo electrónico:
- anna.cima@uab.cat
Uso de idiomas
- Lengua vehicular mayoritaria:
- inglés (eng)
Equipo docente
- Ana Cortes Garcia
- Martín-Hernán Campos Heredia
- Isabel Serra Mochales
Prerequisitos
No hay requisitos previos específicos. Los estudiantes deben tener las habilidades matemáticas correspondientes a nivel de un grado científico o tecnológico.
Objetivos y contextualización
El objetivo de este módulo es mostrar a los estudiantes la variedad de campos en los que podrán aplicar las herramientas adquiridas durante los cursos de Máster. Esperamos que puedan usarlos como guía cuando busquen prácticas en empresas e instituciones y también cuando elijan un tema y un director para el trabajo de fin de máster. También esperamos que les ayude a encontrar una trayectoria profesional.
Competencias
- Analizar sistemas complejos de distintos campos y determinar las estructuras y parámetros básicos de su funcionamiento.
- Analizar, sintetizar, organizar y planificar proyectos de su campo de estudio.
- Aplicar la metodología de investigación, técnicas y recursos específicos para investigar en un determinado ámbito de especialización.
- Aplicar las técnicas de resolución de los modelos matemáticos y sus problemas reales de implementación.
- Extraer de un problema complejo la dificultad principal, separada de otras cuestiones de índole menor.
- Formular, analizar y validar modelos matemáticos de problemas prácticos de distintos campos.
- Innovar en la búsqueda de nuevos espacios / ámbitos en su campo de trabajo.
- 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.
- 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.
- 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.
- Reconocer la dimensión humana, económica, legal y ética en el ejercicio profesional.
- Resolver problemas complejos aplicando los conocimientos adquiridos a ámbitos distintos de los originales
Resultados de aprendizaje
- Analizar, sintetizar, organizar y planificar proyectos de su campo de estudio.
- Aplicar la metodología de investigación, técnicas y recursos específicos para investigar en un determinado ámbito de especialización.
- Comprobar la validez del modelo respecto al comportamiento del sistema real
- Describir las dependencias funcionales del sistema con respecto a los distintos parámetros
- Diseñar modelos matemáticos que representen el sistema y su comportamiento
- Extraer de un problema complejo la dificultad principal, separada de otras cuestiones de índole menor.
- Identificar los parámetros que determinan el funcionamiento de un sistema
- Implementar las soluciones propuestas de forma fiable y eficiente.
- Innovar en la búsqueda de nuevos espacios / ámbitos en su campo de trabajo.
- 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.
- 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.
- 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.
- Reconocer la dimensión humana, económica, legal y ética en el ejercicio profesional.
- Resolver modelos matemáticos de forma eficiente.
- Resolver problemas complejos aplicando los conocimientos adquiridos a ámbitos distintos de los originales
Contenido
Tenemos dos tipos de actividades durante el semestre: asistir a tres mini-cursos innovadores y asistir a una serie de conferencias impartidas por personas que trabajan para empresas o investigadores que trabajan en universidades o centros de investigación.
Los cursos son los siguientes:
- Natural Hazards Modeling and Services. Introduction to asset impact, cat risk and early warning. How to model natural hazards. From the model to a cloud service.
- Introducción a Python con fines analíticos. Conceptos básicos de Python. Datos con Python. Resolución de problemas con Python. Aprendizaje automático con Python.
- Aprendizaje automático. Aprendizaje automático, inteligencia artificial y ciencia de datos: del punto de vista determinista al estocástico. Técnicas supervisadas y no supervisadas: desde árboles hasta bosques aleatorios. Introducción a las redes neuronales y desafíos matemáticos: evaluación del desempeño. Curvas ROC y validación cruzada.
Invitaremos a especialistas en los campos de modelización de sistemas complejos, modelización para la ingeniería, modelización matemática y ciencia de datos. Entre otros tendremos charlas de personas procedentes 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
Metodología
La metodología de los tres cursos se basa en clases magistrales que consisten en la presentación de la teoría, ejemplos y estudio de casos concretos.
En relación con las conferencias, se anunciarán previamente en el campus virtual del módulo Investigación e Innovación. Allí los estudiantes encontrarán el título de la charla, el nombre del conferenciante, un breve resumen y enlaces de interés.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Asistencia a las charlas | 16 | 0,64 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15 |
| Asisténcia a los cursillos | 22 | 0,88 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15 |
Evaluación
Actividades de evaluación
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Asistencia a las conferencias | 10% | 16 | 0,64 | 3, 4, 7, 10, 12, 11 |
| Hacer un informe sobre Machine Learnig | 30% | 32 | 1,28 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15 |
| Hacer un informe sobre Python for analitical purposes | 30% | 32 | 1,28 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 11, 13, 14, 15 |
| Hacer un informe sobre Riesgos Naturales | 30% | 32 | 1,28 | 3, 4, 7, 10, 12, 11 |
Bibliografía
- Bibliography and links of interest
- 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.
Software
El software se detallará en cada uno de los cursos impartidos.