Professors Titulars
Professors Docents
R1. Entendre què és un algorisme i els diferents tipus
R2. Entendre què és el cost d'un algorisme
R3. Entendre quins són els paràmetres per a optimitzar el cost d'un algoritme
R4. Comprendre les diferents maneres d'estructurar les dades
R5. Entendre l'entorn Python: Jupyter i Spider
R6. Manipular i codificar algoritmes senzills utilitzant Python
R7. Manipular i codificar diferents estructures de dades utilitzant Python
R1. Entendre què és un algorisme i els diferents tipus:
Què és una dada? Què significa el concepte de "estructura de dades"?
Quins atributs han de tenir les dades perquè siguin bons per a un algoritme?
Què és Python? I quins són els diferents tipus de dades disponibles a Python?
Què és un algorisme? Quins són els diferents tipus d'algoritmes? Posa exemples
Què és una heurística? Posa exemples
R2. Entendre què és el cost d'un algoritme
Què és un algoritme d'aprenentatge? Quina diferència hi ha amb un algoritme simple? Què és l'error de càlcul d'un algoritme? Com es calcula?
Què són el temps i els costos de càlcul? Com reduir-los?
R3. Comprendre quins són els paràmetres per optimitzar el cost d'un algoritme:
Tipus de dades: numèrics, alfanumèrics, vectorials, matricials.
R4. Comprendre les diferents maneres d'estructurar les dades:
Tipus de funció: Importar, visualitzar, analitzar, comunicar
R5. Comprendre l'entorn Python: Jupyter i Spider:
Codi bàsic, exemples, script
R6. Manipular i codificar algoritmes senzills utilitzant Python:
Codi bàsic, exemples, script
R7. Manipular i codificar diferents estructures de dades utilitzant Python
Aquest curs està estructurat entre presentacions realitzades pel professor i una estructura de presentació invertida realitzada pels estudiants.
En les primeres setmanes, es formaran grups, i el treball/projecte haurà de ser preparat/presentat per grup. Per preparar les presentacions i el debat, es proporcionaran directrius als estudiants amb antelació.
A més de l'examen parcial i de l'examen final, el treball en grup s'utilitzarà per avaluar el progrés d'aprenentatge dels alumnes i formarà part de l'avaluació final de l'assignatura. Això requereix que els estudiants mantinguin un seguiment diligent dels temes tractats, així com una revisió regular del material de referència requerit per al curs.
Data de revisió: després de cada avaluació (exàmens parcials/finals) i una vegada publicades les qualificacions, hi haurà una franja horària per a la revisió de l'examen. No hi haurà revisió d'exàmens fora d'aquesta franja horària.
Per avaluar si l'alumne ha aconseguit en grau adequat els objectius perseguits a l'assignatura, s'utilitzen diferents activitats d'avaluació.
La següent taula mostra el percentatge de valoració de cada activitat sobre la nota final:
R2 - 15% - 15% - ACTIVITAT DE CLASSE (DEURES)
R4 - 35%
- 15% - TREBALL EN GRUP
- 20% -1r MIDTERM
R5 - 15% - 15% TREBALL EN GRUP
R6 - 35%
- 15% TREBALL EN GRUP
- 20% EXAMEN FINAL (CONVOCATÒRIA ORDINÀRIA)
Política de recuperació: En cas de suspendre globalment l'assignatura, es donarà l'oportunitat de presentar-se a un examen de recuperació, sempre que s'hagin presentat els treballs i projectes.
La nota de recuperació serà llavors: 40% l'examen de recuperació i 60% l'avaluació contínua obtinguda durant el curs.
- HadleyWickham - R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (2021).
- Laudon, Kenneth C. and Laudon, Jane P. (2014). Management Information Systems: Managing the Digital Firm. Global Edition. 13th edition.
- Davenport, T & Harris, J. Competing on Analytics: The New Science of Winning (2014, 2017). Harvard Business School.
- Foster Provost and Tom Fawcett. Data Science for Business. O' Reilly (2013).
- Carl Anderson. Creating a Data-Driven Organization. O' Reilly (2015).
- D J Patil. Building Data Science Teams. O' Reilly (2011).
- D J Patil and Hilary Mason. Data Driven: Creating a Data Culture. O' Reilly (2015).