Grau en Ciència i Enginyeria de Dades

Comparteix:

Assignatures

Descripcions resumides de les assignatures

Comparteix:

Bases de Dades Avançades

L’estudiant profunditzarà en les alternatives no relacionals, també conegudes com a gestors NoSQL. Es presentaran conceptes de gestors de dades específics (key-value, documents, grafs, columnars i streams) i arquitectures (distribuïdes i in-memory) alternatives a les bases de dades relacionals en certs escenaris. S’inclou una introducció al disseny de bases de dades no relacionals, emfatitzant la configuració en entorns analítics i, incloent-hi el tractament massiu de dades.
Temari
  • Sistemes no relacionals, classificació i diferencies.
  • Fonaments de bases de dades distribuïdes.
  • Fragmentació i replicació.
  • Disseny amb models no relacionals.
  • Mètodes avançats d’emmagatzematge i accés.
  • Tipus de paral·lelisme
  • Processament distribuït de dades.
  • Optimització de consultes en entorns distribuïts.
  • Arquitectures heterogènies de gestió de dades.
  • Integració de dades i processos de migració de dades.

 

Més informació a la guia de l'assignatura

 

Comparteix:

Aprenentatge Automàtic II

L'objectiu de l'aprenentatge automàtic ("machine learning", en anglès) és el desenvolupament de teories, tècniques i algorismes que permetin a un sistema modificar el seu comportament a través de la inferència inductiva. Aquesta inferència està basada en l'observació de dades que representen informació incompleta sobre un procés o fenomen subjecte a incertesa estadística. L'aprenentatge automàtic és un punt de trobada de diferents disciplines: l'estadística multivariant, la intel·ligència artificial, l'algorísmia i l'optimització matemàtica, entre d'altres. L'assignatura aprofondeix en les tècniques modernes d'aprenentatge a partir de dades, inclouen les xarxes neuronals artificials profundes (deep) i les mètodes basats en funcions de kernel. Com objectiu paral·lel està la familiarització amb TensorFlow (Keras) i LibSVM, entorns de computació basats en Python i C++.

Temari
  • Clustering avançat: Spectral clustering i DBSCAN
  • Mètodes kernel: kPCA, kFDA, Relevance Vector Machines
  • Funcions de kernel no-estàndard: anàlisi de texte, grafs, dades biomèdiques (omics)
  • Mètodes deep: xarxes neuronals feed-forward deep: MLP (multilayer perceptron) de moltes capes ocultes, CNN (convolutional neural networks) i els seus algoritmes d'entrenament; xarxes recurrents LSTM deep, deep Reinforcement Learning, deep Generative Models Deep kernel learning
Més informació a la guia de l'assignatura

 

Comparteix:

Emprenedoria i Innovació

En aquesta assignatura l’estudiant treballa en el desenvolupament d’una nova empresa o model de negoci. Així, cada estudiant participa en un projecte clarament orientat a la innovació de producte i rep uns coneixements sòlids del model de negoci associat al projecte. La proposta del projecte ve definit per institucions externes, com ara empreses de diferents sectors. Tant el model de negoci com la planificació del projecte es defineixen en aquesta assignatura, mentre que la part tècnica es desenvolupa en equips en l’assignatura Projectes d’Enginyeria.
Temari
  • Introducció. Models de negoci
  • Introducció al Bussiness Model Canvas (Llenç de Model de Negoci)
    • Estudi de casos
  • Proposició de valor
    • Design Thinking
    • Dimensió global (sostenibilitat)
  • Segmentació de clients i relació amb els clients
    • Segmentació de mercat
    • Posicionament vers els clients
    • Diferenciació
  • Factors clau: aliances, activitats i recursos
    • Recursos clau
    • Activitats clau
    • Aliances
  • Finances
    • Costos (conceptes bàsics i mètodes de determinació)
    • Inversions (anàlisi de rendibilitat i liquiditat)
    • Interpretació d’estats financers (avaluació problemàtica de finançament)
  • Creació de Start-ups
    • Innovació
    • Responsabilitat social
  • Gestió de projectes [continguts en seminaris impartits al llarg del curs]
    • Tècniques de planificació (Diagrama de Gantt, PERT)
    • Tipologia de riscos
    • Identificació dels Stakeholders
    • Metodologies Scrum/Agile

Els "laboratoris" impliquen un desdoblament del grup gran en dos grups més petits que fan tasques de discussió i desenvolupament dels continguts teòrics, per tal d’enforcar-los al seu projecte particular. Cada projecte es desenvolupa per un grup d'unes 6 persones.

 

Més informació a la guia de l'assignatura

 

Comparteix:

Temes Avançats d'Enginyeria de Dades

En aquesta assignatura s'impartiran seminaris sobre diferents temes relacionats amb l'Enginyeria de Dades. Serà una assignatura activa que anirà evolucionant al llarg dels anys segons les prioritats tecnològiques, la presència d'experts en temes estratègics i la disponibilitat de recursos per realitzar activitats dins d'un àmbit particular.

La presència del Barcelona Supercomputing Center (BSC) en el Campus Universitari suposa una contribució rellevant tant en l'aportació de recursos de Supercomputació com en la participació d'experts sobre temes del grau.

Entre altres, es preveu que en els primers anys s'imparteixin temes sobre

  • Ètica de dades
  • Modelatge i simulació

 

Més informació a la guia de l'assignatura

 

Comparteix:

Processament del Llenguatge Oral i Escrit

En aquest curs s'estudien els mètodes i les aplicacions més importants de processament de la veu i del llenguatge natural. S'analitzen les diversos elements que formen part d'un sistema de reconeixement o síntesi de la parla, d'anàlisi de text i d’extracció d’informació, així com eines específiques d'aprenentatge automàtic com els models ocults de Markov i les xarxes neuronals.
Temari
  • Anàlisi del senyal de veu i altres senyals d'àudio.
  • Reconeixement automàtic de la parla. Modelatge acústic i del llenguatge.
  • Models ocults de Markov.
  • Reconeixement del locutor
  • Síntesi de la parla.
  • Aprenentatge profund en el processament de la parla.
  • Aprenentatge profund en el processament del llenguatge escrit. Representacions vectorials de les paraules.
  • Anàlisi de sentiment en el llenguatge oral i escrit.
  • Traducció automàtica.
Més informació a la guia de l'assignatura

 

Comparteix:

Processament d'Imatge i Visió Artificial

Aquest curs proporciona una perspectiva de les tècniques essencials de processat, anàlisi i interpretació d’imatges. El curs està estructurat en funció de la complexitat de la informació extreta de les imatges i del nivell d’interpretació de l’escena. El primer bloc estudia els models útils per a l’extracció inicial d’informació mitjançant una única imatge, en particular els models d’espai vectorial, de morfologia matemàtica i de conjunts de nivells. El segon bloc presenta les eines necessàries per extraure informació simple a partir d’un conjunt d’imatges, que poden provenir de múltiples càmeres o d’una seqüencia de vídeo. El procés d’interpretació de les imatges implica generalment un pas d’agrupament de la informació prèviament extreta. Les tècniques relacionades amb aquest procés de visió a nivell mitjà combinen processos de segmentació, d’agrupament o de seguiment i són el contingut del tercer bloc de l’assignatura. Finalment, els processos de més alt nivell de reconeixement implicats en la interpretació de la informació es presenten en el darrer bloc de l’assignatura en relació amb las tècniques vistes a l’assignatura Aprenentatge Automàtic II.

Desenvolupar la intuïció del comportament dels sistemes audiovisuals i de les característiques dels senyals amb especial èmfasi en els senyals audiovisuals. Presentar els elements fonamentals de la percepció dels senyals audiovisuals. Proporcionar eines addicionals útils per a processar en els dominis temporals i transformats senyals discrets genèrics i audiovisuals. Il·lustrar aplicacions pràctiques del processament de senyals audiovisuals.

Temari
  • Extracció d’informació de nivell baix en imatges aïllades.
    • Filtres lineals (repàs)
    • Filtres no-lineals: Filtres de mediana, bilaterals i no locals
    • Transformades (DFT, DCT, KLT, Multiresolució: piràmides i wavelets)
    • Morfologia matemàtica
    • Mètodes variacionals i conjunts de nivells.
    • Descriptors locals d’imatges (gradients, SIFT, HoG, Patrons locals binaris)
  • Extracció d’informació de nivell baix en múltiples imatges
    • Model de càmera i calibració
    • Processat d’imatges estèreo (correspondència binocular i multivista)
    • Seqüencies de vídeo (Estimació de moviment, càmeres no calibrades)
  • Extracció d’informació de nivell mig:
    • Segmentació (contorns actius, K-means, creixement i fusió de regions, Graphcut, CNN)
    • Agrupament i modelat (Transformada de Hough, Ransac)
    • Seguiment (Filtre de Kalman i de partícules, CNN)
  • Extracció d’informació de nivell alt:
  • Detecció i reconeixement amb tècniques d’aprenentatge

 

Més informació a la guia de l'assignatura

 

Comparteix:

Projectes d’Enginyeria

En aquesta assignatura els estudiants desenvolupen la part tècnica del projecte definit a l’assignatura Emprenedoria i Innovació. Aquest desenvolupament es fa treballant en equip i sota la supervisió tant de professorat del grau com de personal de l’entitat externa que ha definit el projecte.
Temari
  • Formació d'equips
    • Anàlisi de la composició de l’equip segons el mètode Belbin
  • Concreció del Model de Negoci
    • Estudi de casos
  • Disseny del producte o servei
    • Especificacions
    • Diferenciació
  • Concreció de màrqueting
    • Aspectes bàsics de màrqueting operatiu: canals de relació amb clients
  • Desenvolupament del negoci
    • Planificació d'activitats
    • Anàlisi i categorització de riscos
    • Concreció delsstakeholders
  • Legislació i normatives
  • Pla d'empresa
    • Estats financers provisionals
    • Pla de tresoreria

 

Més informació a la guia de l'assignatura

 

Comparteix:

Temes Avançats d'Enginyeria de Dades II

En aquesta assignatura s'impartiran seminaris sobre diferents temes relacionats amb l'Enginyeria de Dades. Serà una assignatura activa que anirà evolucionant al llarg dels anys segons les prioritats tecnològiques, la presència d'experts en temes estratègics i la disponibilitat de recursos per realitzar activitats dins d'un àmbit particular.

La presència del Barcelona Supercomputing Center (BSC) en el Campus Universitari suposa una contribució rellevant tant en l'aportació de recursos de Supercomputació com en la participació d'experts sobre temes del grau.

Entre altres, es preveu que en els primers anys s'imparteixin temes sobre:

  • Enginyeria del Software
  • Privacitat i seguretat de les dades

 

Més informació a la guia de l'assignatura

 

Comparteix:

Treball Fi de Grau

Finalment, l’estudiant realitza el Treball Fi de Grau que consisteix en un treball original i personal de l’àmbit del grau. És en aquest moment en el qual, principalment, el nostres estudiants aprofiten la forta vessant internacional dels centres que imparteixen aquest grau de tal manera que, molts d’ells, realitzen el seu Treball Fi de Grau a universitats, centres de recerca o empreses d’arreu del mon. També és habitual realitzar el Treball Fi de Grau a alguna empresa del territori.

Convenis d’intercanvi amb 147 Universitats de 33 països.