Nombre: INTRODUCCIÓN A LA CIENCIA DE DATOS: APLICACIONES A SISTEMAS BIOLÓGICOS Y ALIMENTARIOS
Código: 203401011
Carácter: Optativa
ECTS: 4
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Primer cuatrimestre
Menciones/Especialidades: Especialidad en Tecnología de Alimentos y Biotecnología Agroalimentaria
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: GARRE PÉREZ, ALBERTO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono:
Correo electrónico: alberto.garre@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Programa Ramón y Cajal
Nº de quinquenios: No procede por el tipo de figura docente
Nº de sexenios: No procede por el tipo de figura docente
Curriculum Vitae: Perfil Completo
Nombre y apellidos: GARRE PÉREZ, ALBERTO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono:
Correo electrónico: alberto.garre@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Programa Ramón y Cajal
Nº de quinquenios: No procede por el tipo de figura docente
Nº de sexenios: No procede por el tipo de figura docente
Curriculum Vitae: Perfil Completo
Nombre y apellidos: ESNOZ NICUESA, ARTURO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono: 968325721
Correo electrónico: arturo.esnoz@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Doctor en Ingeniería Agronómica en la Universidad Politécnica de Cartagena (ESPAÑA) - 2002
Ingeniero en Ingeniería Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1995
Ingeniero Técnico en Ingeniero Técnico Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1990
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 5
Nº de sexenios: 3 de investigación y 1 de transferencia
Curriculum Vitae: Perfil Completo
Nombre y apellidos: ESNOZ NICUESA, ARTURO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono: 968325721
Correo electrónico: arturo.esnoz@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Doctor en Ingeniería Agronómica en la Universidad Politécnica de Cartagena (ESPAÑA) - 2002
Ingeniero en Ingeniería Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1995
Ingeniero Técnico en Ingeniero Técnico Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1990
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 5
Nº de sexenios: 3 de investigación y 1 de transferencia
Curriculum Vitae: Perfil Completo
1. Reconocer los diferentes elementos de la ciencia de datos.
2. Desarrollar modelos de sistemas biológicos y alimentarios.
3. Aplicar modelos Tradicionales, Inteligencia Artificial y Machine Learning para comprender y optimizar sistemas biológicos y alimentarios.
1. Describir los diferentes sistemas de Inteligencia Artificial, Machine Learning, Internet of Things y modelos tradicionales.
2. Describir las diferentes alternativas de modelos que se ofrecen y ser capaz de elegir los más adecuados para sus sistemas.
3. Utilizar las diferentes técnicas para el procesado de datos.
4. Utilizar diferentes herramientas de Inteligencia Artificial y Machine Learning para su aplicación en el ámbito de los sistemas biológicos y alimentarios.
5. Relacionar la ciencia de datos con el objetivo de innovar y diseñar en el ámbito de los sistemas biológicos y alimentarios.
1. Conceptos básicos en ciencia de datos: Inteligencia Artificial, Machine Learning, Internet of Things y Modelos tradicionales. 2. Recogida y procesado de datos. 3. Construcción y resolución de diferentes modelos de Inteligencia Artificial, Machine Learning y tradicionales. 3. Aplicaciones de la ciencia de datos en innovación, diseño de sistemas biológicos y equipos de procesado de alimentos. Estudio de casos.
UD1. Conceptos básicos en Ciencia de Datos
T1.1 Conceptos básicos de Inteligencia Artificial
T1.2 Sensores y toma de datos desde el punto de vista de la IA. Internet of things
T1.3 Machine Learning como un elemento de un sistema de IA. Diferencias con sistemas clásicos
UD2. Recogida y procesado de datos
T2.1 Sistemas automáticos de toma de datos
T2.2 Obtención de datos de internet. APIs públicas y web scrapping
T2.3 Procesado de datos. Identificación de outliers y valores faltantes (missing values)
UD3. Construcción de modelos de Machine Learning
T3.1 Conceptos básicos. Tipos de modelos y algoritmos
T3.2 Desarrollo de modelos utilizando métodos clásicos
T3.3 Overfitting y underfitting. Métodos de training, validation y testing
T3.4 Herramientas para el desarrollo de modelos de Machine Learning
P1 (caso práctico): Métodos para la obtención y procesado de datos P2 (caso práctico): Implementación de un sistema de Machine Learning
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
T1. Basic concepts in Data Science
T1.1 Basic concepts on Artificial Intelligence
T1.2 Sensors and data gathering from the point of view of IA. Internet of Things
T1.3 Machine Learning as an element of an AI system.
T2 Data collectiong and data manipulation
T2.1 Automatic data gathering systems
T2.2 Gathering data from the internet. Public APIs and web scrapping
T2.3 Data manipulation. Identification of outliers and missing values
T3. Building Machine Learning models
T3.1 Basic concepts. Types of models and algorithms
T3.2 Classical methods for model development
T3.3 Overfitting and underfitting. Methods for taining, validation and testing
T3.4 Tools for building ML models
Clase en aula convencional: teoría, problemas, casos prácticos, seminarios, etc.
Clase expositiva en modo de clase magistral. Resolución de las dudas de los alumnos.
19
100
Clase en aula de informática: prácticas.
Se plantea una serie de problemas a los alumnos en base al contenido teórico de la asignatura, asignándoles un tiempo determinado para resolverlas.
18
100
Actividades de evaluación (sistema de evaluación continua).
En la evaluación continua se evaluará la entrega y exposición de prácticas de aula de informática.
3
100
Actividades de evaluación (sistema de evaluación final).
Si el estudiante no ha aprobado la evaluación continua, se plantearán preguntas teóricas de la asignatura. También se evaluarán las prácticas si no ha acudido a un 80% de ellas.
2
100
Tutorías.
Resolución personal de dudas de la asignatura.
9
50
Trabajo del estudiante: estudio o realización de trabajos individuales o en grupo.
Trabajo personal del estudiante. Presentación de los dos casos de estudio.
69
0
Resolución de casos, cuestiones teóricas, ejercicios prácticos o problemas propuestos por el profesorado
Elaboración de informes describiendo dos casos prácticos: uno sobre obtención de datos y otro sobre elaboración de modelos de ML
50 %
Exposición y defensa de trabajos individuales y de grupo (puede incluir autoevaluación y evaluación por pares)
Presentación de cada uno de los dos estudios de caso
50 %
Resolución de casos, cuestiones teóricas, ejercicios prácticos o problemas propuestos por el profesorado
Elaboración de informes describiendo dos casos prácticos: uno sobre obtención de datos y otro sobre elaboración de modelos de ML
50 %
Exposición y defensa de trabajos individuales y de grupo (puede incluir autoevaluación y evaluación por pares)
Presentación de cada uno de los dos estudios de caso
50 %
Autor: James et al.
Título: An Introduction to Statistical Learning: with Applications in R
Editorial: Springer
Fecha Publicación: 2016
ISBN:
Autor: Bronson y Knezevic
Título: Big Data in food and agriculture
Editorial: Big Data & Society
Fecha Publicación: 2016
ISBN:
Autor: Farkas et al.
Título: Emerging risk identification in the food chain ¿ A systematic procedure and data analytical options
Editorial: Innovative Food Science & Emerging Technologies
Fecha Publicación: 2023
ISBN:
Autor: Qian et al.
Título: A perspective on data sharing in digital food safety systems
Editorial: Critical Reviews in Food Science and Nutrition
Fecha Publicación: 2022
ISBN:
Autor: Wang et al.
Título: Application of machine learning to the monitoring and prediction of food safety: A review
Editorial: Comprehensive Reviews in Food Science and Food Safety
Fecha Publicación: 2022
ISBN:
Nombre: INTRODUCCIÓN A LA CIENCIA DE DATOS: APLICACIONES A SISTEMAS BIOLÓGICOS Y ALIMENTARIOS
Código: 203401011
Carácter: Optativa
ECTS: 4
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Primer cuatrimestre
Menciones/Especialidades: Especialidad en Tecnología de Alimentos y Biotecnología Agroalimentaria
Lengua en la que se imparte: Castellano
Carácter: Semipresencial
Nombre y apellidos: GARRE PÉREZ, ALBERTO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono:
Correo electrónico: alberto.garre@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Programa Ramón y Cajal
Nº de quinquenios: No procede por el tipo de figura docente
Nº de sexenios: No procede por el tipo de figura docente
Curriculum Vitae: Perfil Completo
Nombre y apellidos: GARRE PÉREZ, ALBERTO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono:
Correo electrónico: alberto.garre@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Programa Ramón y Cajal
Nº de quinquenios: No procede por el tipo de figura docente
Nº de sexenios: No procede por el tipo de figura docente
Curriculum Vitae: Perfil Completo
Nombre y apellidos: ESNOZ NICUESA, ARTURO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono: 968325721
Correo electrónico: arturo.esnoz@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Doctor en Ingeniería Agronómica en la Universidad Politécnica de Cartagena (ESPAÑA) - 2002
Ingeniero en Ingeniería Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1995
Ingeniero Técnico en Ingeniero Técnico Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1990
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 5
Nº de sexenios: 3 de investigación y 1 de transferencia
Curriculum Vitae: Perfil Completo
Nombre y apellidos: ESNOZ NICUESA, ARTURO
Área de conocimiento: Tecnología de Alimentos
Departamento: Ingeniería Agronómica
Teléfono: 968325721
Correo electrónico: arturo.esnoz@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Doctor en Ingeniería Agronómica en la Universidad Politécnica de Cartagena (ESPAÑA) - 2002
Ingeniero en Ingeniería Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1995
Ingeniero Técnico en Ingeniero Técnico Industrial en la Universidad Pública de Navarra (ESPAÑA) - 1990
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 5
Nº de sexenios: 3 de investigación y 1 de transferencia
Curriculum Vitae: Perfil Completo
1. Reconocer los diferentes elementos de la ciencia de datos.
2. Desarrollar modelos de sistemas biológicos y alimentarios.
3. Aplicar modelos Tradicionales, Inteligencia Artificial y Machine Learning para comprender y optimizar sistemas biológicos y alimentarios.
1. Describir los diferentes sistemas de Inteligencia Artificial, Machine Learning, Internet of Things y modelos tradicionales.
2. Describir las diferentes alternativas de modelos que se ofrecen y ser capaz de elegir los más adecuados para sus sistemas.
3. Utilizar las diferentes técnicas para el procesado de datos.
4. Utilizar diferentes herramientas de Inteligencia Artificial y Machine Learning para su aplicación en el ámbito de los sistemas biológicos y alimentarios.
5. Relacionar la ciencia de datos con el objetivo de innovar y diseñar en el ámbito de los sistemas biológicos y alimentarios.
1. Conceptos básicos en ciencia de datos: Inteligencia Artificial, Machine Learning, Internet of Things y Modelos tradicionales. 2. Recogida y procesado de datos. 3. Construcción y resolución de diferentes modelos de Inteligencia Artificial, Machine Learning y tradicionales. 3. Aplicaciones de la ciencia de datos en innovación, diseño de sistemas biológicos y equipos de procesado de alimentos. Estudio de casos.
UD1. Conceptos básicos en Ciencia de Datos
T1.1 Conceptos básicos de Inteligencia Artificial
T1.2 Sensores y toma de datos desde el punto de vista de la IA. Internet of things
T1.3 Machine Learning como un elemento de un sistema de IA. Diferencias con sistemas clásicos
UD2. Recogida y procesado de datos
T2.1 Sistemas automáticos de toma de datos
T2.2 Obtención de datos de internet. APIs públicas y web scrapping
T2.3 Procesado de datos. Identificación de outliers y valores faltantes (missing values)
UD3. Construcción de modelos de Machine Learning
T3.1 Conceptos básicos. Tipos de modelos y algoritmos
T3.2 Desarrollo de modelos utilizando métodos clásicos
T3.3 Overfitting y underfitting. Métodos de training, validation y testing
T3.4 Herramientas para el desarrollo de modelos de Machine Learning
P1 (caso práctico): Métodos para la obtención y procesado de datos P2 (caso práctico): Implementación de un sistema de Machine Learning
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
T1. Basic concepts in Data Science
T1.1 Basic concepts on Artificial Intelligence
T1.2 Sensors and data gathering from the point of view of IA. Internet of Things
T1.3 Machine Learning as an element of an AI system.
T2 Data collectiong and data manipulation
T2.1 Automatic data gathering systems
T2.2 Gathering data from the internet. Public APIs and web scrapping
T2.3 Data manipulation. Identification of outliers and missing values
T3. Building Machine Learning models
T3.1 Basic concepts. Types of models and algorithms
T3.2 Classical methods for model development
T3.3 Overfitting and underfitting. Methods for taining, validation and testing
T3.4 Tools for building ML models
Clase en aula convencional: teoría, problemas, casos prácticos, seminarios, etc.
Clase expositiva en modo de clase magistral. Resolución de las dudas de los alumnos.
19
0
Clase en aula de informática: prácticas.
Se plantea una serie de problemas a los alumnos en base al contenido teórico de la asignatura, asignándoles un tiempo determinado para resolverlas.
18
100
Actividades de evaluación (sistema de evaluación continua).
En la evaluación continua se evaluará la entrega y exposición de prácticas de aula de informática.
3
100
Actividades de evaluación (sistema de evaluación final).
Si el estudiante no ha aprobado la evaluación continua, se plantearán preguntas teóricas de la asignatura. También se evaluarán las prácticas si no ha acudido a un 80% de ellas.
2
100
Tutorías.
Resolución personal de dudas de la asignatura.
9
50
Trabajo del estudiante: estudio o realización de trabajos individuales o en grupo.
Trabajo personal del estudiante. Presentación de los dos casos de estudio.
69
0
Resolución de casos, cuestiones teóricas, ejercicios prácticos o problemas propuestos por el profesorado
Elaboración de informes describiendo dos casos prácticos: uno sobre obtención de datos y otro sobre elaboración de modelos de ML
50 %
Exposición y defensa de trabajos individuales y de grupo (puede incluir autoevaluación y evaluación por pares)
Presentación de cada uno de los dos estudios de caso
50 %
Resolución de casos, cuestiones teóricas, ejercicios prácticos o problemas propuestos por el profesorado
Elaboración de informes describiendo dos casos prácticos: uno sobre obtención de datos y otro sobre elaboración de modelos de ML
50 %
Exposición y defensa de trabajos individuales y de grupo (puede incluir autoevaluación y evaluación por pares)
Presentación de cada uno de los dos estudios de caso
50 %
Autor: James et al.
Título: An Introduction to Statistical Learning: with Applications in R
Editorial: Springer
Fecha Publicación: 2016
ISBN:
Autor: Bronson y Knezevic
Título: Big Data in food and agriculture
Editorial: Big Data & Society
Fecha Publicación: 2016
ISBN:
Autor: Farkas et al.
Título: Emerging risk identification in the food chain ¿ A systematic procedure and data analytical options
Editorial: Innovative Food Science & Emerging Technologies
Fecha Publicación: 2023
ISBN:
Autor: Qian et al.
Título: A perspective on data sharing in digital food safety systems
Editorial: Critical Reviews in Food Science and Nutrition
Fecha Publicación: 2022
ISBN:
Autor: Wang et al.
Título: Application of machine learning to the monitoring and prediction of food safety: A review
Editorial: Comprehensive Reviews in Food Science and Food Safety
Fecha Publicación: 2022
ISBN: