Plan de estudios

Curso académico 2019/20

Aspectos Generales de la Analítica de Datos y sus Aplicaciones para la Industria 4.0Mostrar/ocultar subpáginas

Número de créditos
3.0
Tipo de docencia
Presencial
Carácter
Obligatorio
Idioma de impartición
Castellano

Docentes

  • BUENO ZABALO, RIKARDO
  • DIEZ OLIVAN, ALBERTO
  • GALAR PASCUAL, DIEGO JESUS
  • LIZUAIN ECHEVERRIA, ZIGOR
  • NIÑO BARTOLOME, MIGUEL
  • PUERTO COY, MILDRED JESENIA
  • SANZ BASTIDA, KRISTIAN Universidad centro adscrito Escuela de Ingeniería en Alternancia

Temario

  • Presentación del Título Propio: Objetivos y Estructura de Contenidos

    Bibliografía

    • Kagermann et al. (2013) Recommendations for implementing the strategic initiative INDUSTRIE 4.0
    • E. Mandado et al. (2009) Autómatas Programables y Sistemas de Automatización, 2ª ed. ISBN: 9788426715753
    • M. Niño, A. Illarramendi, (2015). Entendiendo el Big Data: antecedentes, origen y desarrollo posterior. DYNA New Technologies, 2(1), [8p.]
    • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
  • Industria 4.0

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
    • E. Mandado et al. (2009) Autómatas Programables y Sistemas de Automatización, 2ª ed. ISBN: 9788426715753
    • Kagermann et al. (2013) Recommendations for implementing the strategic initiative INDUSTRIE 4.0
  • Procesos Industriales & Automatización (Visión General)

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
    • Kagermann et al. (2013) Recommendations for implementing the strategic initiative INDUSTRIE 4.0
  • Analítica de datos & Big Data

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
  • Contextos de aplicación industrial de la analítica predictiva de datos: Mantenimiento predictivo; Optimización de procesos / eficiencia / calidad de producto

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
    • Kagermann et al. (2013) Recommendations for implementing the strategic initiative INDUSTRIE 4.0
    • E. Mandado et al. (2009) Autómatas Programables y Sistemas de Automatización, 2ª ed. ISBN: 9788426715753
  • Emprendimiento en analítica de datos para la Industria 4.0

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press
  • Casos de éxito de empresas industriales

    Bibliografía

    • D. Galar, U. Kumar (2017). eMaintenance: Essential Electronic Tools for Efficiency. Academic Press

El Rol del Director de Proyectos de Analítica Predictiva de Datos en la Industria 4.0Mostrar/ocultar subpáginas

Número de créditos
4.0
Tipo de docencia
Presencial
Carácter
Obligatorio
Idioma de impartición
Castellano

Docentes

  • CONDE FERNANDEZ, AINTZANE Universidad centro adscrito Escuela de Ingeniería en Alternancia
  • LIZUAIN ECHEVERRIA, ZIGOR

Temario

  • Perfiles principales en los equipos de proyectos de analítica de datos

    Bibliografía

    • https://www.pmi.org/pmbok-guide-standards
  • Definición del Business Case

    Bibliografía

    • https://www.pmi.org/pmbok-guide-standards
  • Aspectos metodológicos sobre la dirección y gestión de proyectos

    Bibliografía

    • https://www.pmi.org/pmbok-guide-standards
    • http://store.rmcproject.com/pmp-exam-prep-ninth-edition
    • https://pmi-mad.org/
    • https://pmi-mad.org/index.php/quienes-somos/branch-pais-vasco
    • http://agilemanifesto.org/iso/es/principles.html
    • www.infoq.com/minibooks/kanban-scrum-minibook
    • http://www.lulu.com/shop/henrik-kniberg/scrum-and-xp-from-the-trenches/paperback/product-1673516.html
  • Metodología y perfiles necesarios para la ejecución de proyectos de analítica predictiva de datos (basado en CRISP-DM)

    Bibliografía

    • CRISP-DM 1.0: Step-by-step data mining guide: ftp://ftp.software.ibm.com/software/analytics/spss/support/Modeler/Documentation/14/UserManual/CRISP-DM.pdf
  • Claves específicas de los proyectos para la industria manufacturera: aspectos prácticos derivados de la práctica profesional

    Bibliografía

    • ¿ CRISP-DM 1.0: Step-by-step data mining guide: ftp://ftp.software.ibm.com/software/analytics/spss/support/Modeler/Documentation/14/UserManual/CRISP-DM.pdf

La Ciencia de Datos y los Modelos de Analítica Predictiva en la Industria 4.0Mostrar/ocultar subpáginas

Número de créditos
9.0
Tipo de docencia
Presencial
Carácter
Obligatorio
Idioma de impartición
Castellano

Docentes

  • DEL SER LORENTE, JAVIER Universidad del País Vasco/Euskal Herriko Unibertsitatea
  • DIEZ OLIVAN, ALBERTO

Temario

  • Conceptos introductorios de analítica de datos e inferencia estadística. Correlación y causalidad.

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
    • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
  • Ontología general de técnicas de análisis de datos: clusterización, clasificación/predicción, optimización

    Bibliografía

    • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
  • Procedimiento típico de un proceso de analítica de datos y de validación de modelos

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
    • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
  • Aspectos prácticos de filtrado, limpieza de datos, rellenado de ceros, preprocesado

    Bibliografía

    • Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann
    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
  • Detección de muestras atípicas (outliers): concepto y técnicas

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
  • Revisión de algoritmos y modelos principales

    Bibliografía

    • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12(Oct), 2825-2830
    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
  • Visualización de Datos

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
  • Revisión de implementaciones y plataformas

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press
  • Categorización de aplicaciones industriales

    Bibliografía

    • Aggarwal, C. C. (Ed.). (2014). Data classification: algorithms and applications. CRC Press

La Ingeniería de Datos en Proyectos de Analítica de Datos en la Industria 4.0Mostrar/ocultar subpáginas

Número de créditos
5.0
Tipo de docencia
Presencial
Carácter
Obligatorio
Idioma de impartición
Castellano

Docentes

  • ARAMBARRI BELDARRAIN,ASIER
  • BUENO ZABALO, RIKARDO
  • PUERTO COY, MILDRED JESENIA
  • TORRE BASTIDA,ANA ISABEL

Temario

  • Instrumentación y captura de datos en diferentes ámbitos de monitorización industrial

    Bibliografía

    • MapR¿http://maprdocs.mapr.com/home/
    • Hortonworks ¿https://docs.hortonworks.com/
  • Infraestructura Big Data en el dominio de la Industria 4.0: entornos on-premise vs cloud

    Bibliografía

    • Cloudera https://www.cloudera.com/documentation.html
  • Arquitecturas Big Data y Ecosistema de herramientas

    Bibliografía

    • Big Data: Principles and Best Practices of Scalable Real-time Data Systems, https://www.manning.com/books/big-data
    • Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, http://shop.oreilly.com/product/0636920032175.do
    • Learning Spark: Lightning-Fast Big Data Analysis, http://shop.oreilly.com/product/0636920028512.do
    • Hadoop: The Definitive Guide, http://shop.oreilly.com/product/0636920033448.do
  • Modelos de programación distribuidos y bases de datos NoSQL

    Bibliografía

    • Getting Started with NoSQL, http://shop.oreilly.com/product/9781849694988.do

Trabajos de investigación de 2019/20Mostrar/ocultar subpáginas

Número de créditos
9.0
Tipo de docencia
Carácter
Obligatorio
Idioma de impartición
Castellano

Docentes

  • DIEZ OLIVAN, ALBERTO
  • LIZUAIN ECHEVERRIA, ZIGOR
  • NIÑO BARTOLOME, MIGUEL