Guía docente de la asignatura
(6581) INTRODUCCIÓN A LA CIENCIA DE DATOS EN LA INTELIGENCIA ARTIFICIAL

Curso académico 2024/2025

  1. Identificación

    1. De la asignatura

      2. Curso Académico
      2024/2025
      Titulación
      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura
      INTRODUCCIÓN A LA CIENCIA DE DATOS EN LA INTELIGENCIA ARTIFICIAL
      Código
      6581
      Curso
      PRIMERO
      Carácter
      FORMACIÓN BÁSICA
      Número de grupos
      1
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      Organización temporal
      2º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2024/2025
      Titulación

      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura INTRODUCCIÓN A LA CIENCIA DE DATOS EN LA INTELIGENCIA ARTIFICIAL
      Código 6581
      Curso PRIMERO
      Carácter FORMACIÓN BÁSICA
      Número de grupos 1
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0
      Organización temporal 2º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • JUAREZ HERRERO, JOSE MANUEL Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        jmjuarez@um.es http://webs.um.es/jmjuarez/ Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Martes         		Horario:
        16:00-19:00         		Lugar:
        No consta
        Observaciones:
        Despacho 1.28 (1ª planta)
        Duración:
        A         		Día:
        Lunes         		Horario:
        08:30-10:00         		Lugar:
        No consta
        Observaciones:
        Despacho 1.33 (1º planta)
      • BUITRAGO LOPEZ, ALEJANDRO Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        CONTRATADO/A PREDOCTORAL (FPU INVES-UM)

        Área

        No consta

        Departamento

        No consta

        Correo electrónico / Página web / Tutoría electrónica

        alejandro.buitragol@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

      • MORA CASELLES, FRANCISCO JOSE Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        CONTRATADO/A PREDOCTORAL (FPU-MECD)

        Área

        No consta

        Departamento

        No consta

        Correo electrónico / Página web / Tutoría electrónica

        fmora@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

      • RUIPEREZ VALIENTE, JOSE ANTONIO Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        PROFESOR PERMANENTE LABORAL

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        jruiperez@um.es https://webs.um.es/jruiperez/ Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        C2         		Día:
        Martes         		Horario:
        15:00-17:00         		Lugar:
        868887865, Facultad de Informática B1.1.033
        Observaciones:
        No consta
        Duración:
        C1         		Día:
        Martes         		Horario:
        15:00-17:00         		Lugar:
        868887865, Facultad de Informática B1.1.033
        Observaciones:
        Escribir para otros horarios de tutoría.

  2. Presentación

    3. Tras la realización de esta asignatura el estudiante tendrá una visión general de qué es la Inteligencia Artificial y cómo ésta ayuda a la labor de un científico de datos.

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      2. No constan

    2. Requisitos

      3. No constan

    3. Recomendaciones

      4. No existen recomendaciones para esta asignatura.

  4. Competencias

    1. Competencias básicas

      • CB1: Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio
      • CB3: Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética

    2. Competencias de la titulación

      • CG3: Capacidad para desarrollar experimentos y para implementar sistemas, infraestructuras, procesos y herramientas con el fin de soportar la manipulación de los datos durante todo el ciclo de vida de estos.
      • CG5: Conocer, desarrollar e implementar estrategias de gestión de datos con el fin de realizar su recolección, almacenamiento, preservación y disponibilidad para posteriores procesamientos.
      • CE18: Aplicar los principios de la inteligencia artificial a la resolución de problemas en ciencia de datos.
      • CE20: Entender el papel de la Inteligencia Artificial en el análisis de datos y cómo la combinación de enfoques de conocimiento estructurado mediante modelos de información y los enfoques cuantitativos y cualitativos en el análisis de datos se pueden usar en el abordaje del análisis de datos complejo en todo el ciclo de vida de los datos.
      • CE21: Identificar los aspectos éticos derivados de la aplicación de inteligencia artificial en análisis de datos y toma de decisiones basadas en datos.

    3. Competencias transversales y de materia

      No constan

  5. Contenidos

    1. Teoría

      2. Tema 1: Bloque I: Principios de la Inteligencia Artificial

      Objetivo de la IA, evolución, paradigmas, tareas inteligentes, agentes

      Tema 2: Bloque II: Principios de la Ciencia de Datos para la IA

      Objetivo y relación con IA, tarea aprendizaje, pipeline básico de CD

      Tema 3: Bloque III: Conocimiento: descubrimiento, modelado y razonamiento

      Representación, lógica y sist de reglas, extracción conocimiento, agentes lógicos

      Tema 4: Bloque IV: Técnicas de Búsqueda

      Modelado problemas, búsquedas y tipos

      Tema 5: Bloque V: Aspectos profesionales, éticos y legales de Ciencia de Datos para la IA

    2. Prácticas

      • Práctica 1: 1. Estudio de herramientas y tecnologías de la IA y la ciencia de datos

        Introducir librería programación en IA (Python) y plataforma software para ML

        Relacionado con:
        • Tema 2: Bloque II: Principios de la Ciencia de Datos para la IA

      • Práctica 2: 2. Resolución de problemas utilizando distintos paradigmas de la IA

        Plantear problemas sencillos (ej juegos) y desarrollar un agente IA capaz de resolverlos a través de conocimiento experto, datos y heurísticas de búsqueda

        Relacionado con:
        • Tema 2: Bloque II: Principios de la Ciencia de Datos para la IA
        • Tema 3: Bloque III: Conocimiento: descubrimiento, modelado y razonamiento
        • Tema 4: Bloque IV: Técnicas de Búsqueda
        • Tema 5: Bloque V: Aspectos profesionales, éticos y legales de Ciencia de Datos para la IA

  6. Actividades Formativas

    7. Actividad Formativa Metodología Horas Presencialidad
    AF1: Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas. 20.0 100.0
    AF2: Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos. 5.0 100.0
    AF3: Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos. 28.0 100.0
    AF4: Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades. 90.0 0.0
    AF5: Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor. 3.0 100.0
    AF6: Evaluación: Pruebas individuales, ya sean escritas, orales o con medios informáticos, donde el estudiante demostrará los conocimientos teóricos y prácticos adquiridos durante las actividades formativas asociadas a la enseñanza de la materia. 4.0 100.0
    Totales 150,00

  7. Horario de la asignatura

    8. https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2024-25#horarios

  8. Sistemas de Evaluación

    9. Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE1 Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.
    • Criterios de evaluación: Se valora la aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones, y/o situaciones planteadas Se valora la capacidad para expresar y comunicar correctamente, en el marco y con la terminología de la asignatura, los razonamientos, resoluciones, etc sobre elementos de la asignatura
    • Examen de Teoría-Prueba de evaluación global de carácter obligatorio consistente en un examen que evalúe los contenidos teóricos de la materia El examen consistirá en preguntas mixtas de desarrollo corto y/o tipo test, preguntas de demostración de relaciones entre conceptos/propiedades, y ejercicios Este item de evaluación será calificado con un valor entre [0,10], que denotaremos por NTPara aprobar el examen de teoría se deberá obtener NT>=5
    • La calificación NT tendrá un peso del 50% en la calificación final de la asignatura
    • Si NT>=5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria de presente curso académico (no se mantendrá la calificación entre convocatorias si NT<5)
    • Para conocer las condiciones para la obtención de la calificación final de la asignatura, ver el apartado "Observaciones-Evaluación Asigantura"
    		 50.0
    SE3 Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas. 0.0
    SE4 Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.
    • Criterios de evaluación: Se valora la capacidad para desarrollar los conocimientos y procedimientos aprendidos Se valora la capacidad para desarrollar los documentos e informes correspondientes a los sistemas y problemas concretos Los problemas tienen que estar bien resueltos y justificados El alumno podrá ser citado y entrevistado para realizar una defensa, oral o escrita, del trabajo presentado Deberá demostrar que es capaz de resolver de forma autónoma las cuestiones planteadas o similares
    • Se evalúan los entregables solicitados en cada práctica (informes, código fuente, etc) La nota global del trabajo práctico (que denotaremos por NP) de laboratorio se calculará como el promedio de las notas de todos los entregables Este item de evaluación NP tendra un valor entre [0,10], que denotaremos por NPPara aprobar el trabajo práctico se deberá obtener NP>=5
    • Si NP>=5 y no se ha aprobado la asignatura, esta calificación se mantendrá hasta la última convocatoria de presente curso académico (no se mantendrá la calificación entre convocatorias si NP<5)
    • Para conocer las condiciones para la obtención de la calificación final de la asignatura, ver el apartado "Observaciones-Evaluacion Asignatura"
    		 50.0

  9. Fechas de exámenes

    10. https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2024-25#examenes

  10. Resultados del Aprendizaje

    • Conocer, identificar y manejar los conceptos de Inteligencia Artificial, Machine Learning, y cómo se encuadran dentro del perfil del científico de datos
    • Ilustrar ideas destacadas para resolver problemas complejos
    • Elegir hechos observables de un estudio existente para una mejor comprensión
    • Conocer y entender aspectos básicos de la Inteligencia Artificial complementaria al Machine Learning
    • Conocer los aspectos éticos y legales de la aplicación de la Inteligencia Artificial a la ciencia de datos
    • Aplicar la Inteligencia Artificial en la ciencia de datos a problemas nuevos

  11. Bibliografía

    12. Grupo: GRUPO 1

    Bibliografía complementaria

    No constan

  12. Observaciones

    13. EVALUACIÓN

    Evaluación de la asignatura

    Obtendrá la calificación de "Aprobado" una vez haya superado la teoría NT y las practicas NP

    >=5 y NT>=5. La evaluación de la asignatura (denominada EVAL) se calculará como EVAL = (NT+ NP)/2

    Se considerará que un estudiante no se ha presentado a una de las partes de la asignatura (teoría o prácticas) si no ha entregado ninguna evidencia evaluable En el caso de teoría el examen de teoría y en el examen de prácticas cualquiera de los entregables

    Si el estudiante presenta una evidencia evaluable, se considerará que se ha presentado para dicha parte Por ejemplo, se considerará presentado en la parte de prácticas si ha entregado un solo entregable, considerando el resto de entregables con una calificación de 0

    Obtendrá la calificación de "Suspenso" en el caso de suspender la parte teórica y/o la parte práctica (asignándole la nota min(4, (NT+NP)/2) entendiendo que si una de las partes no se ha presentado su calificación es 0)

    Obtendrá la calificación de "No Presentado", en el resto de casos no contemplados anteriormente.

    Por ejemplo, superar la teoría NT>=5 y no presentar las prácticas, superar las prácticas NP>=55y no presentarse al examen de teoría.

    OBSERVACIÓN GENERAL

    El cauce de comunicación para esta asignatura es el aula virtual

    SOBRE EL REGLAMENTO DE EVALUACIÓN

    El artículo 86 del Reglamento de Evaluación de Estudiantes (REVA) prevé: "Salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la

    estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global"

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV; http://wwwumes/adyv/inicio) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016 El tratamiento de la información sobre este alumnado, en cumplimiento con la RGPD, es de estricta

    confidencialidad

    OBJETIVOS DE DESARROLLO SOSTENIBLE ODS

    Esta asignatura no se encuentra vinculada de forma directa con los Objetivos de Desarrollo Sostenible.

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    REGLAMENTO DE EVALUACIÓN DE ESTUDIANTES

    El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé que "salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".