A. Conocimientos teóricos

• Comprender los conceptos básicos en ciencia de datos de álgebra lineal, probabilidad, estadística y optimización que sustentan la analítica de datos.
• Conocer los fundamentos matemáticos de las técnicas más comunes en compresión de datos, descomposición valores singulares, transformadas de tipo Fourier, así como las nuevas técnicas de sparse y compressed sensing.
• Entender los fundamentos matemáticos de los métodos más usuales de machine learning (técnica de agrupamiento en data mining, support vector machines y redes neuronales), en particular entender estos problemas como la resolución de problemas de optimización.
• Introducirse a los métodos data-driven, orientados a datos, en sistemas dinámicos y sus aplicaciones en ingeniería.

B. Conocimientos prácticos o destrezas

• Aplicar y ser capaz de comparar los diversos métodos de machine learning en aprendizaje supervisado y no supervisado para la resolución de problemas concretos.
• Expresarse de forma matemáticamente correcta al formular modelos y soluciones.