Unidad 1. Modelos de datos (20h.)

• Descripción. Características generales. Tipos de modelos de datos. Compatibilidades entre modelo de datos.

Unidad 2. Sistemas gestores de datos (20h.)

• Características.
• Componentes de un sistema gestor de datos.
• Funcionamiento de un sistema gestor de datos.
• Relación entre los sistemas gestores de datos y los modelos de datos.
• Características de los  sistemas  gestores  de  datos  operacionales  (OLAT). 
• Características  de  los  sistemas  gestores  de  datos orientados a las tomas de decisiones o análisis de datos (OLAP).
• Sistemas gestores de datos avanzados.

Unidad 3. Procedimientos de extracción y consulta de información en los sistemas gestores de  datos (20h.)

• Búsquedas  en  sistemas  gestores. 
• Optimización  de  la  recuperación.
• Utilización  de  lenguajes  de  consultas.
• Ventajas e inconvenientes. Entornos de trabajo.
• Utilización de herramientas.
• Ventajas e  inconvenientes.
• Funcionalidades.
• Presentación  de la información.
• Normativa aplicable en materia de protección de datos.

Unidad 1. Introducción a los tipos de aprendizaje automático. (9 h.)

• Tipos de aprendizaje automático: supervisado, no supervisado, semi‐supervisado, por refuerzo.

Unidad 2. Tipos de problemas de aprendizaje automático. (9 h.)

• Tipos de problemas: clasificación, regresión, segmentación, detección de objetos.

Unidad 3. Técnicas Paramétricas y no paramétricas . (9 h.)

• Técnicas  paramétricas:  Basadas  en  distribuciones  de  probabilidad  conocidas:  ‘Gaussian  Mixture Models’ u otras.
• Técnicas  no  paramétricas:  (árboles  de  decisión:  clásicos,  ‘random  forest’,  ‘gradient  boosting’, ‘extremely  randomized  trees’, Vecinos más próximos  (k‐NN) ‘Kernel density estimation’, ‘Support Vector Machines’ (SVM), K‐Means.

Unidad 4. Técnicas holisticas: redes neuronales. (9 h.)

• Técnicas Holísticas: redes neuronales: ‘fully connected’, ‘convolutional’, ‘recurrent’, ‘transformers’, ‘autoencoders’, ‘encoder‐decoder’, seq2seq u otras.

Unidad 5. Técnicas de regularización. (8 h.)

• Técnicas de regularización para evitar el sobreaprendizaje.

Unidad 6. Métricas de evaluación de modelos. (8 h.)

• Métricas  para  evaluar  la  calidad  de  los  modelos  diseñados  y  entrenados:  MSE,  MAE,  ‘accuracy’, precisión, ‘recall’ o ‘sensitivity’, ‘specificity’, ‘F1‐score’, ratio de falsos positivos y de falsos negativos, área  bajo  la  curva  ROC,  ‘DICE  coeffient’,  ‘Intersection  over  Union’  (IoU),  y  otros  específicos  del problema a abordar.

Unidad 7. Herramientas de Software. (8 h.)

• Herramientas software con la implementación de las técnicas de aprendizaje automático.