Esta materia tiene como objetivo que el estudiante pueda conocer de la mano de
expertos en las distintas áreas de conocimiento (física, medicina, genética, medioambiente,
biodiversidad, economía, redes sociales, etc.) las técnicas y conjuntos de
datos más relevantes en el entorno Open Science.
Laboratorios de Datos - Física y astronomía
102282
2020-21
MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE
3
OPTATIVA
Cuatrimestral
Castellano e Inglés
Redes neuronales para separación de componentes del fondo cósmico de
microondas.
Separación de galaxias con Machine Learning.
Estimación de parámetros cosmológicos.
Técnicas de Deep Learning en física de partículas.
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo,
compartir la información disponible e integrar su actividad en la actividad
del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar
de forma autónoma proyectos básicos de investigación
CG3 - Redactar documentos científicos y técnicos, en particular artículos
científicos
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado,
sobre una investigación o proyecto científico
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en
conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar
proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito
de la comunidad científica
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de
datos y entender su importancia para una sociedad basada en los valores de la
libertad, la justicia, la igualdad y el pluralismo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo,
saber escuchar
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de
datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles
para lograr una visión adecuada de los mismos
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando
diferentes fuentes y tipos de datos para mejorar el análisis global
DSDA05 - Utilizar diferentes plataformas de análisis de datos para procesar
datos complejos
DSDA06 - Capacidad de representación de datos variables y complejos para su
visualización
DSDM01 - Desarrollar e implementar una estrategia de gestión de datos, en
particular, en la forma de un plan de gestión de datos (DMP)
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su
posterior análisis
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de
publicación (curación)
DSDM06 - Administrar los DPI (Derechos de Propiedad Intelectual) y cuestiones
éticas en la gestión de datos
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la
investigación o la experimentación, para descubrir o revisar nuestro
conocimiento de la realidad, y utilizar este conocimiento en nuevas
aplicaciones
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de
traducir los problemas no estructurados a un marco matemático abstracto
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes
o desarrollar nuevos servicios
DSBPM03 - Participar de manera estratégica y tácticamente, aportando la visión
de Data Science, en las decisiones que tienen un impacto en administración y
organización
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a
otras secciones en la organización
AF1 - Participación y asistencia a lecciones magistrales y seminarios (6 horas)
AF2 - Realización de prácticas de computación y análisis de datos (18 horas)
AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (4 horas)
AF7 - Elaboración de informes de laboratorio y trabajos (15 horas)
AF8 - Estudio individual de contenidos de la asignatura (15 horas)
AF9 - Trabajo en grupo (15 hora)
A10 - Pruebas de evaluación (2 horas)
En la asignatura se comenzará por una exposición de algunos conceptos básicos
del área de conocimiento correspondiente, incluyendo ejemplos sencillos pero
relevantes, que serán analizados individualmente y discutidos en común.
Se revisarán los estándares y aplicaciones más relevantes, y los actores que
participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un
caso de estudio empleando las diferentes tecnologías discutidas.
Conocer los portales, bases de datos, repositorios, y el software y
herramientas más relevantes para abordar un caso de uso en el área de
conocimiento de la física de partículas y la astrofísica.
Saber modelar problemas en el área de conocimiento de la física de partículas
y la astrofísica mediante técnicas de Data Science e identificar qué
puntos críticos pueden impactar el lograr los objetivos.
SE3 - Valoración de exposiciones orales de trabajos (60%)
SE4 - Seguimiento de actividades presenciales (40%)
Profesor Responsable de la asignatura
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., ... & Kudlur,
M. (2016, November). TensorFlow: A System for Large-Scale Machine Learning. In
OSDI (Vol. 16, pp. 265-283).
Madrazo, C. F., Cacha, I. H., Iglesias, L. L., & de Lucas, J. M. (2017).
Application of a Convolutional Neural Network for image classification to the
analysis of collisions in High Energy Physics. arXiv preprint arXiv:1708.07034.
Vasconcellos, E. C., De Carvalho, R. R., Gal, R. R., LaBarbera, F. L.,
Capelato, H. V., Velho, H. F. C., ... & Ruiz, R. S. R. (2011). Decision
tree classifiers for star/galaxy separation. The Astronomical Journal, 141(6),
189. https://arxiv.org/abs/1708.07034
http://baudren.github.io/montepython.html
Bibliografía básica
Bibliografía complementaria
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Cuatrimestral
Créditos ECTS: 3
Calderón Tazón, Alicia
Doctora en Ciencias Físicas
Investigadora Ramón y Cajal
Instituto de Física de Cantabria (IFCA), CSIC-UC
Profesor Responsable de la asignatura
