L'assignatura d'Estructura de dades i algoritmes explora com la capacitat de formular un algorisme eficient depèn de poder organitzar les dades d'una manera adequada. A la primera part del quadrimestre, examinareu nombroses estructures de dades pràctiques, que van des de matrius i llistes familiars fins a estructures més complexes com ara arbres, munts i gràfics, i veureu com la seva elecció afecta directament l'eficiència dels algorismes basats en ells. A la segona part del quadrimestre, es fa una transició cap a un enfocament més conceptual en introduir els "tipus de dades abstractes". Aquests són models matemàtics definits només per les operacions que s'hi poden realitzar, sense haver de preocupar-se dels detalls d'implementació associats a llenguatges de programació particulars o de com s'emmagatzemen les dades a la memòria de l'ordinador.
Professors Titulars
Professors Docents
--
L'objectiu principal de l'assignatura "Estructura de dades i algoritme" és proporcionar-te les primeres eines per abordar alguns desafiaments d'anàlisi de dades, utilitzant parts del programari Python. A través d'aquest curs, comprendràs com les estructures de dades eficients són clau per dissenyar algorismes eficients capaços de manejar grans quantitats de dades. Els resultats d'aprenentatge específics se centren a entendre què és un algorisme i els seus diferents tipus, entendre'n el cost i els paràmetres per optimitzar-lo, i comprendre les diferents maneres d'estructurar les dades. Finalment, en comprendre l'entorn de Python, aprendràs a manipular i codificar de manera pràctica tant algorismes senzills com diferents estructures de dades.
Aquest curs dota els estudiants de les habilitats essencials per a la manipulació, neteja i anàlisi de dades mitjançant el llenguatge de programació Python. El pla d'estudis se centra en el domini de la biblioteca Pandas, que s'introdueix com l'eina principal per gestionar conjunts de dades desordenats del món real a través de la seva potent estructura DataFrame. Els estudiants aprenen a realitzar tasques crítiques de gestió de dades, com ara la càrrega, la neteja i la transformació de dades, tot amb un enfocament pràctic i directe. El curs emfatitza la resolució directa de problemes amb exemples de codi executable, garantint una comprensió profunda i pràctica de cada tècnica.
A més de Pandas, el curs proporciona una base sòlida en l'ús d'altres biblioteques clau, com ara Seaborn, per crear visualitzacions de dades atractives. Integrant aquestes eines, el pla d'estudis ensenya als estudiants a preparar, explorar i analitzar dades de manera eficient, reduint la bretxa entre la informació en brut i les idees significatives. L'èmfasi en la resolució pràctica de problemes ajuda els estudiants a desenvolupar la capacitat de convertir el coneixement teòric en habilitats pràctiques, preparant-los per afrontar els reptes de la ciència de dades del món real.
A la següent taula es posen en relació els resultats d'aprenentatge amb el contingut impartit per assolir-los.
| RA | Temari | Continguts |
| R1 | Entendre què és un algorisme | Què és Python?Què és un algorisme? Quins són els diferents tipus d'algorisme? |
| R2 | Comprendre les diferents maneres d'estructurar les dades | Què significa el concepte d'estructura de dades? Quins són els diferents tipus de dades disponibles a Python? |
| R3 | Comprendre l'entorn de Python per anàlisi de dades | Aprendre a programar amb les principals biblioteques Python per a l'anàlisi de dades? Jupyter, Pandas i Seaborn |
| R4 | Comprendre com processar dades amb Python | Apreneu a fer tasques habituals de processament de dades en Python:
|
| R5 | Comprendre com visualitzar dades amb Python | Aprendre a fer visualitzacions informatives (de vegades anomenades gràfics) és una de les tasques més importants en l'anàlisi de dades. Pot ser part del procés exploratori, per ajudar a trobar valors atípics o transformacions de dades necessàries, o com una manera de generar idees per a models. |
L'assignatura té un funcionament setmanal amb dues sessions lectives. Cada sessió es divideix en dues parts: una primera part es magistral en la qual el professor explica els nous continguts i una segona a la qual els alumnes treballen en nous exercicis per consolidar la matèria. Cada dos o tres setmanes es realitzen activitats avaluatives individuals o en grup mitjançant proves escrites, recollida dels exercicis realitzats a casa, etc.
A la següent taula es mostra el percentatge d'avaluació de cada activitat sobre la nota final:
SISTEMA DE AVALUACIÓ CONTÍNUA:
| R1 - R2 - R3 | 40% | 10% | TREBALL EN GRUP |
| 30% | EXAMEN PARCIAL | ||
| R4 - R5 | 60% | 20% | PROJECTE EN GRUP |
| 40% | EXAMEN FINAL |
Objectius de l'avaluació contínua:
- L'objectiu principal és ajudar els alumnes a portar a el dia l'assignatura i aconseguir un bon mètode de treball, de manera que els ajudi a assimilar la matèria, impartida de forma progressiva, i en l'obtenció de bons resultats acadèmics.
- També permet valorar la feina que fa l'alumne dia a dia, sense que la seva nota depengui únicament dels exàmens realitzats durant els semestres d'el curs acadèmic.
- De cara a professor, ajuda a tenir més informació de la feina realitzada pels alumnes i un millor coneixement d'aquests, tant a nivell acadèmic com personal.
Intel·ligència Artificial: no es permet el us d’eines de IA (ChatGPT, etc.). Es considerarà com plagio i serà sancionat con un 0 i es portarà al coneixement del director acadèmic per possibles addicionals sancions.
Política de recuperació: com que aquest curs utilitza un model d'avaluació contínua, no hi haurà exàmens de recuperació.
--
- Wes McKinney, Python for Data Analysis. O’Reilly, 3rd Edition, 2022
--