Recerca i Innovació
Codi: 43475 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Modelització per a la Ciència i l'Enginyeria / Modelling for Science and Engineering | OB | 1 |
Professor/a de contacte
- Nom:
- Silvia Cuadrado Gavilan
- Correu electrònic:
- silvia.cuadrado@uab.cat
Equip docent
- Ana Cortes Fite
- Carlos Carrillo Jordan
- Martin Hernan Campos Heredia
- Isabel Serra Mochales
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
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.
Resultats d'aprenentatge
- CA06 (Competència) Integrar adequadament eines i resultats de modelització de diferents àmbits o natura, en especial en el context d'entorns de treball multidisciplinaris.
- CA07 (Competència) Valorar críticament en estudis o projectes de modelització la necessitat i presència de criteris ètics, de sostenibilitat, d'igualtat de gènere i de justícia social.
- CA07 (Competència) Valorar críticament en estudis o projectes de modelització la necessitat i presència de criteris ètics, de sostenibilitat, d'igualtat de gènere i de justícia social.
- CA08 (Competència) Treballar en equips multidisciplinaris en el desenvolupament d'activitats i projectes de l'àmbit de la modelització.
- KA06 (Coneixement) Identificar els llenguatges i entorns de programació, així com les eines matemàtiques més rellevants, que s'utilitzen en l'àmbit industrial i de la recerca.
- KA06 (Coneixement) Identificar els llenguatges i entorns de programació, així com les eines matemàtiques més rellevants, que s'utilitzen en l'àmbit industrial i de la recerca.
- KA06 (Coneixement) Identificar els llenguatges i entorns de programació, així com les eines matemàtiques més rellevants, que s'utilitzen en l'àmbit industrial i de la recerca.
- KA07 (Coneixement) Identificar els principals sectors i contextos professionals en els quals s'aplica la modelització matemàtica.
- KA08 (Coneixement) Descriure els resultats o prediccions principals que ofereixen les diferents eines matemàtiques emprades en el sector professional per a la construcció de models.
- KA08 (Coneixement) Descriure els resultats o prediccions principals que ofereixen les diferents eines matemàtiques emprades en el sector professional per a la construcció de models.
- SA07 (Habilitat) Contextualitzar correctament aplicacions informàtiques encaminades a modelitzar un procés industrial o concret fent servir un entorn de programació adequat.
- SA08 (Habilitat) Interpretar adequadament els resultats i prediccions obtinguts en aplicar un model matemàtic a la resolució de problemes concrets en l'àmbit industrial o de la recerca.
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:
- Modelització al núvol. Riscos catastròfics i alerta primerenca. Com modelitzar riscos naturals. Del model a un servei al núvol.
- Python amb finalitats analítiques. Conceptes bàsics de Python. Dades amb Python. Resolució de problemes amb Python. Aprenentatge automàtic amb Python.
- 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.
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:
- IIIA, Institut d'Intel·ligència Artificial, https://www.iiia.csic.es
- CRM, Centre de Recerca Matemàtica, http://www.crm.cat
- Accenture, https://www.accenture.com
- DSBlab, Dynamical Systems Biology lab (UPF), https://www.upf.edu/web/dsb
- Meteosim, https://www.meteosim.com
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Assistència a les xerrades | 16 | 0,64 | CA06, CA07, CA08, KA07, SA08 |
| Assistència als cursets | 22 | 0,88 | CA06, CA08, KA06, KA07, KA08, SA07, SA08 |
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, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Assistència a les xerrades | 10% | 16 | 0,64 | CA06, CA07, KA07, KA08, SA08 |
| Fer un informe sobre Machine Learning | 30% | 32 | 1,28 | CA06, CA08, KA06, KA08, SA07, SA08 |
| Fer un informe sobre Python for analitical purposes | 30% | 32 | 1,28 | CA06, CA08, KA06, KA08, SA07, SA08 |
| Fer un informe sobre Riscos Naturals | 30% | 32 | 1,28 | CA06, CA08, KA06, KA07, KA08, SA07, SA08 |
Els estudiants han de presentar tres projectes corresponents als tres cursos impartits, en grups de dues o tres persones. Cadascun d’aquests projectes compta el 30% de la qualificació.
D’altra banda, l’assistència a les xerrades, que és obligatòria, contribueix al 10% de la nota final.
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.
Programari
El software es detallarà a cadascun dels cursos.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TEm) Teoria (màster) | 1 | Anglès | primer quadrimestre | tarda |