El objetivo principal del Máster es llevar a cabo la formación de estudiantes en el ámbito de la ingeniería y de la ciencia de datos, tanto para fines de investigación como fines formativos para ejercer de forma profesional. El programa propuesto intentará cubrir los principales aspectos de las tecnologías asociadas a este campo, haciendo hincapié en aspectos técnicos, y desde diferentes puntos de vista dentro del área. Para lograr este fin, se aplicará la metodología de educación a distancia propia del a UNED, con la inclusión de una gran variedad recursos multimedia educativos, tanto para los contenidos como las prácticas de evaluación. Se utilizarán los medios de los que dispone la institución para tal fin.
La información completa sobre las asignaturas y las competencias que cubren se encuentra en la memoria verificada, aunque se incluye a continuación la tabla representativa de las competencias y las asignaturas que las cubren (Tabla 1), utilizando los identificadores de competencias (Tabla 2).
Tabla 1. Competencias y asignaturas que las cubren
Asignatura
CG1
CG2
CG3
CG4
CG5
CE1
CE2
CE3
CE4
CE5
CE6
CE7
CE8
CE9
CE10
CE11
Modelado estadístico de datos
X
X
X
X
X
X
Programación en entornos de datos
X
X
X
X
Visualización de datos
X
X
X
X
Aprendizaje Automático I
X
X
X
X
X
X
X
Aprendizaje Automático II
X
X
X
X
X
X
Minería de textos
X
X
X
X
X
Infraestructuras computacionales para procesamiento de datos
X
X
X
X
X
Gestión/almacenamiento de información no estructurada
X
X
X
Modelos Bayesianos Jerárquicos
X
X
X
X
Deep Learning
X
X
X
X
X
X
Minería de datos de los Medios sociales
X
X
X
X
X
Seguridad de la gestión de datos
X
X
Trabajo Fin de Máster (TFM)
X
X
X
X
X
Tabla 2. Identificador y descripción de las competencias
Competencias Básicas (CB)
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias Generales (CG)
CG1. Identificar los métodos apropiados para la solución de problemas asociados a la ciencia de datos y la analítica de información.
CG2. Ser capaz de aplicar diferentes técnicas de aprendizaje máquina, seleccionando el algoritmo óptimo que genere modelos precisos y permita el desarrollo de soluciones predictivas en diferentes ámbitos de uso.
CG3. Desarrollar sistemas de gestión/almacenamiento/procesamiento de grandes volúmenes de datos de una manera eficiente y segura, teniendo en cuenta las normativas/legislaciones existentes.
CG4. Aplicar las técnicas de visualización sobre grandes volúmenes de datos para comunicar/presentar los resultados más relevantes del análisis de dicha información a diferentes roles de la organización.
CG5. Utilizar las habilidades de científico de datos y/o ingeniero de datos en entornos de trabajo multidisciplinares y ser capaz de distinguir/organizar las diferentes actividades de los roles en dicho entorno.
Competencias Transversales (CT)
CT1 - Ser capaz de abordar y desarrollar proyectos innovadores en entornos científicos, tecnológicos y multidisciplinares.
CT2 - Ser capaz de tomar decisiones y formular juicios basados en criterios objetivos (datos experimentales, científicos o de simulación disponibles).
Competencias Específicas (CE)
CE1 - Conocer los fundamentos de la inferencia estadística y el análisis probabilístico y desarrollar diferentes tipos de modelos probabilísticos.
CE2 - Desarrollar aplicaciones/servicios/scripts orientados a la analítica de datos y analizar el uso de diferentes librerías para el desarrollo e implementación de métodos numéricos, algoritmos y modelos asociados a los datos.
CE3 - Diseñar entornos visuales y cuadros de mando en diferentes entornos computaciones, usando las técnicas de visualización de datos más eficientes.
CE4 - Conocer las diferentes librerías e implementaciones de las técnicas de representación de información, especialmente relevantes en la visualización de datos masivos.
CE5 - Desarrollar modelos de aprendizaje máquina (Machine Learning) basados en las diferentes categorías de clasificación: supervisada, no supervisada y semi-supervisada.
CE6 - Diseñar mecanismos de evaluación de modelos de aprendizaje y comprender las métricas usadas para dicha evaluación.
CE7 - Conocer y comprender las técnicas de procesamiento del lenguaje natural (NLP) y su aplicación en la extracción de información en textos.
CE8 - Diseñar y utilizar modelos de gestión de datos masivos (Big Data) basados en herramientas disponibles sobre clústeres y en la nube.
CE9 - Identificar y utilizar técnicas de desarrollo de algoritmos de manipulación de datos en entornos de gestión de datos masivos.
CE10 - Describir las diferentes alternativas de almacenamiento de información estructurada y no estructurada, y los mecanismos disponibles para cada tipo de dato disponible.
CE11 - Conocer y comprender los fundamentos de las redes neuronales y sus variaciones, asi como las técnicas de implementación y desarrollo de este tipo de algoritmos de aprendizaje supervisado.
