Nombre: PLATAFORMAS PARA CÁLCULO CIENTÍFICO
Código: 211101016
Carácter: Optativa
ECTS: 3
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
[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
[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
[CG4 ]. Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Ingeniería de Telecomunicación y campos multidisciplinares afines.
[CG8 ]. Capacidad para la aplicación de los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar conocimientos.
[TT1 ]. Capacidad para aplicar métodos de la teoría de la información, la modulación adaptativa y codificación de canal, así como técnicas avanzadas de procesado digital de señal a los sistemas de comunicaciones y audiovisuales
[CT1 ]. Comunicarse oralmente y por escrito de manera eficaz
[CT2 ]. Trabajar en equipo
El estudiante, al finalizar el plan formativo debe ser capaz de:
Identificar las características de las soluciones de cómputo científico actuales, y su adecuación a diferentes tipos de problemas de cómputo.
Configurar un entorno compartido de desarrollo con control de versiones.
Configurar y utilizar algunas plataformas, frameworks y lenguajes de cómputo habituales para procesamiento masivo de datos, soportanto paralelización, procesamiento distribuido, aceleración por hardware (GPUs), computación en la nube, etc., (como ejemplos se utilizarán frameworks basados en Matlab y Python)
Paralelización y procesamiento distribuido. Aceleración por hardware. Computación en la nube. Sistemas de control de versiones. Plataformas de desarrollo compartido. Aplicación a algoritmos de Deep Learning.
Bloque I.- Lenguajes para ciencia de datos.
1. Características de los lenguajes orientados a ciencia de datos: Matlab, Python y R
2. Matlab para cómputo científico. Estructuras de datos. Paralelización multihilo y en GPU. Modo Batch. Paralelización en cluster.
3. Python para cómputo científico. Estructuras de datos. Paralelización multiproceso. Paralelización en cluster.
Bloque II.- Control de versiones y cómputo en la nube
1. Introducción al control de versiones.
2. Introducción a Git. Control de versiones con GitKraken
3. Repositorios online y desarrollo colaborativo: Github, Gitlab, Bitbucket
4. Servicios de cómputo en la nube (Microsoft Azure, Amazon AWS, Google Cloud), virtualización y despliegue.
Bloque III.- Frameworks para ciencia de datos y aprendizaje máquina
1. Estructuras y análisis de datos: SciPy (numpy, matplotlib, pandas)
2. Aprendizaje máquina: Scikit-learn
3. Aprendizaje profundo (Deep Learning): keras, tensorflow
1. Paralelización de aplicaciones en Matlab.
2. Paralelización de aplicaciones en Python.
3. Control de versiones con GitKraken.
4. Problemas de Regresión (scikit-learn, tensorflow, keras).
5. Problemas de Clasificación (scikit-learn, tensorflow, keras).
6. Clasificación y segmentación de imágenes con keras y tensorflow.
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 en el apartado actúa sobre una emergencia, pestaña "guías técnicas", y en el que encontrarás 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 en el apartado actúa sobre una emergencia, 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.
Unit I.- Languages for data science.
1. Characteristics of data science-oriented languages: Matlab, Python and R
2. Matlab for scientific computing. Data structures. Multi-thread and GPU parallelization. Batch mode. Cluster parallelization.
3. Python for scientific computation. Data structures. Multi-process parallelization.
Unit II - Version Control and Cloud Computing
1. Introduction to version control.
2. Introduction to Git. Version Control with GitKraken
3. Online repositories and collaborative development: Github, Gitlab, Bitbucket
4. Cloud computing services (Microsoft Azure, Amazon AWS, Google Cloud), virtualization and deployment.
Unit III - Frameworks for data science and machine learning
1. Data structures and analysis: SciPy (numpy, matplotlib, pandas)
2. Machine learning: Scikit-learn
3. Deep Learning: keras, tensorflow
Estudio personal o en grupo de alumnos.
Estudio personal o en grupo de alumnos.
15
0
Preparación de trabajos y ejercicios (incluye tiempo para consulta bibliográfica y documentación).
Preparación de trabajos y ejercicios entregables
45
0
Clase magistral participativa
Clase magistral participativa
6
100
Clase orientada a la resolución de problemas y casos de estudio.
Clase orientada a la resolución de problemas y casos de estudio.
6
100
Clase práctica en laboratorio.
Clase de laboratorio
15
100
Presentación de trabajos ante el profesor.
Exposición y defensa de trabajos ante los profesores
3
100
Entrega de proyectos
Los estudiantes deberán entregar un informe con los resultados de cada práctica en los plazos establecidos, según un proceso de evaluación continua. Se podrán evaluar algunos o todos los resultados del aprendizaje en función del proyecto desarrollado por cada alumno. Los criterios de evaluación se definirán en función de la calidad de la solución adoptada, los resultados optenidos, la calidad de la documentación y las respuestas aportadas en la entrevista en su caso. Esta actividad e desarrollará durante el periodo docente.
60 %
Exposición de trabajos
Los trabajos desarrollados se expondrán oralmente, con una ronda de preguntas final. Se podrán evaluar algunos o todos los resultados del aprendizaje en función del proyecto desarrollado por cada alumno. Los criterios de evaluación se definirán en función de la calidad de la solución adoptada, los resultados optenidos, la calidad de la documentación y las respuestas aportadas en la entrevista en su caso. Esta actividad e desarrollará durante el periodo docente.
40 %
- Para superar la asignatura será necesario obtener un mínimo de 4 puntos sobre 10 en cada una de las actividades de evaluación.
- Si un estudiante se presenta a una actividad del sistema de evaluación final habiendo superado las calificaciones mínimas de la actividad correspondiente del sistema de evaluación contínua debe renunciar a la calificación obtenida en dicha actividad del sistema de evaluación continua.
- La actividad "Entrega de proyectos", 60%) se desarrollará durante el periodo docente.
- La actividad "Exposición de trabajos", 40%) se desarrollará durante el periodo docente.
- En las convocatorias ordinaria y extraordinaria existirán actividades equivalentes que permitirán recuperar cada una de estas actividades manteniendo la misma ponderación.
Autor: Francois Chollet
Título: Deep Learning with Python
Editorial: Manning Publications
Fecha Publicación: 2017
ISBN:
Autor: Jake VanderPlas
Título: Python Data Science Handbook
Editorial: O'Reilly
Fecha Publicación:
ISBN:
- Documentación y código de desarrollo propio: Aula Virtual (http://moodle.upct.es)
- Manuales de las herramientas y frameworks de desarrollo empleados en prácticas (matlab, git, gitkraken, matplotlib, pandas, numpy, scikit-learn, tensorflow, keras, etc): en sus respectivas webs).