Profesores Titulares
Profesores Docentes
R1. Entender qué es un algoritmo y los diferentes tipos
R2. Entender qué es el coste de un algoritmo
R3. Entender cuáles son los parámetros para optimizar el coste de un algoritmo
R4. Comprender las diferentes formas de estructurar los datos
R5. Entender el entorno Python: Jupyter y Spider
R6. Manipular y codificar algoritmos sencillos utilizando Python
R7. Manipular y codificar diferentes estructuras de datos utilizando Python
R1. Entender qué es un algoritmo y los diferentes tipos:
¿Qué es un dato? ¿Qué significa el concepto de "estructura de datos"?
¿Qué atributos deben tener los datos para que sean buenos para un algoritmo?
¿Qué es Python? ¿Y cuáles son los diferentes tipos de datos disponibles en Python?
¿Qué es un algoritmo? ¿Cuáles son los diferentes tipos de algoritmos? Pon ejemplos
¿Qué es una heurística? Pon ejemplos
R2. Entender qué es el coste de un algoritmo
¿Qué es un algoritmo de aprendizaje? ¿Qué diferencia hay con un algoritmo simple? ¿Qué es el error de cálculo de un algoritmo? ¿Cómo se calcula?
¿Qué son el tiempo y los costes de cálculo? ¿Cómo reducirlos?
R3. Comprender cuáles son los parámetros para optimizar el coste de un algoritmo:
Tipos de datos: numéricos, alfanuméricos, vectoriales, matriciales.
R4. Comprender las diferentes formas de estructurar los datos:
Tipo de función: Importar, visualizar, analizar, comunicar
R5. Comprender el entorno Python: Jupyter y Spider:
Código básico, ejemplos, script
R6. Manipular y codificar algoritmos sencillos utilizando Python:
Código básico, ejemplos, script
R7. Manipular y codificar diferentes estructuras de datos utilizando Python
Este curso está estructurado entre presentaciones realizadas por el profesor y una estructura de presentación invertida realizada por los estudiantes.
En las primeras semanas, se formarán grupos, y el trabajo/proyecto tendrá que ser preparado/presentado por grupo. Para preparar las presentaciones y el debate, se proporcionarán directrices a los estudiantes con antelación.
Además del examen parcial y del examen final, el trabajo en grupo se utilizará para evaluar el progreso de aprendizaje de los alumnos y formará parte de la evaluación final de la asignatura. Esto requiere que los estudiantes mantengan un seguimiento diligente de los temas tratados, así como una revisión regular del material de referencia requerido para el curso.
Fecha de revisión: después de cada evaluación (exámenes parciales/finales) y una vez publicadas las calificaciones, habrá una franja horaria para la revisión del examen. No habrá revisión de exámenes fuera de esa franja horaria.
Para evaluar si el alumno ha alcanzado en grado adecuado los objetivos perseguidos en la asignatura, se utilizan diferentes actividades de evaluación.
La siguiente tabla muestra el porcentaje de valoración de cada actividad sobre la nota final:
R2 - 15% - 15% - ACTIVIDAD DE CLASE (DEBERES)
R4 - 35%
- 15% - TRABAJO EN GRUPO
- 20% -1r MIDTERM
R5 - 15% - 15% TRABAJO EN GRUPO
R6 - 35%
- 15% TRABAJO EN GRUPO
- 20% EXAMEN FINAL (CONVOCATORIA ORDINARIA)
Política de recuperación: En caso de suspender globalmente la asignatura, se dará la oportunidad de presentarse a un examen de recuperación, siempre y cuando se hayan presentado los trabajos y proyectos.
La nota de recuperación será entonces: 40% el examen de recuperación y 60% la evaluación continua obtenida durante el curso.
- 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). Havard 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).