Consulta de Guías Docentes



Academic Year/course: 2023/24

636 - Master's in Renewable Energies and Energy Efficiency

66385 - Big Data techniques in Renewable Energy Systems


Syllabus Information

Academic year:
2023/24
Subject:
66385 - Big Data techniques in Renewable Energy Systems
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
Degree:
636 - Master's in Renewable Energies and Energy Efficiency
ECTS:
3.0
Year:
1
Semester:
Second semester
Subject type:
Optional
Module:
---

1. General information

The objectives of the subject are the following:

  • To know how to perform exploratory data analysis to discover their main characteristics and the relationships between them.
  • To know the basic concepts and techniques of machine learning, both supervised and unsupervised.
  • To know how to use software tools and libraries to process large volumes of data and identify trends, properties and phenomenology in them.
  • To apply the knowledge acquired to the different problems existing in renewable sources.

These approaches and objectives are aligned with some of the Sustainable Development Goals, SDGs, of the 2030 Agenda(https://www.un.org/sustainabledevelopment/es/) and certain specific targets, so that the acquisition of the learning results of the subject provides training and competence to the student to contribute to some extent to their achievement, in particular they will contribute to the achievement of Objectives 7.1, 7.2 and 7.3 of Goal 7, 9.5 of Goal 9 and 13.3 of Goal 3.

2. Learning results

Upon completion of this subject, the student will be able to:

  • Know pre-processing, auditing and filtering techniques for their application in large data sets.
  • Know machine learning techniques for data analysis, both supervised and unsupervised.
  • Identify the strengths and weaknesses of machine learning techniques with large volumes of data.
  • Manage machine learning tools and libraries in R and Python.
  • Use advanced data mining techniques and advanced computation to solve problems in renewable energy systems where large volumes of data are available.
  • Analyse and predict results from time series in the context of renewable energy.

3. Syllabus

The contents of this subject are:

  1. Introduction
  2. Exploratory data analysis
  3. Supervised learning 1. Regression
  4. Supervised learning 2. Ranking
  5. Unsupervised learning
  6. Time Series
  7. Neural networks

4. Academic activities

In order for students to achieve the learning results described above and acquire the competencies designed for this subject, the following training activities are proposed:

  • Master class (6 hours): presentation of contents by the teaching staff or external experts to all students of the subject.
  • A02 Problem solving and case studies (15 hours): practical exercises with all the students of the subject.
  • A03 Laboratory practice (8 hours): practical exercises in small groups of students.
  • A05 Practical application or research work (15 hours)
  • A06 Personalized tutoring teacher-student (5 hours)
  • A07 Study (15 hours).
  • A08 Assessment tests (5 hours).

The hours indicated are only illustrative and will be adjusted depending on the academic calendar.

The schedule of practical sessions will be announced at the beginning of the subject and will be determined according to the progress of the program and the availability of laboratories and computer rooms.

5. Assessment system

In the ordinary call, the assessment will consist of: 

  • Academic works (including those derived from practice sessions): 60 %.
  • Oral presentations and discussions: 20 %.
  • Objective tests (multiple-choice): 20 %.

Students who do not opt for the assessment method described above in the first call are entitled to take a global assessment test (the subject will be completely evaluated in a single test).

In the extraordinary call for exams, the assessment will consist of a global test during the dates scheduled for this purpose.


Curso Académico: 2023/24

636 - Máster Universitario en Energías Renovables y Eficiencia Energética

66385 - Aplicación de las técnicas masivas de datos en sistemas con energías renovables


Información del Plan Docente

Año académico:
2023/24
Asignatura:
66385 - Aplicación de las técnicas masivas de datos en sistemas con energías renovables
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
636 - Máster Universitario en Energías Renovables y Eficiencia Energética
Créditos:
3.0
Curso:
1
Periodo de impartición:
Segundo semestre
Clase de asignatura:
Optativa
Materia:
---

1. Información básica de la asignatura

Los objetivos de la asignatura son los siguientes:

  • Saber realizar análisis exploratorio de datos para descubrir sus principales características y relaciones entre los mismos.
  • Conocer los conceptos y técnicas básicas de aprendizaje automático, tanto supervisado como no supervisado.
  • Saber utilizar herramientas software y librerías para procesar grandes volúmenes de datos e identificar tendencias, propiedades y fenomenología en los mismos.
  • Aplicar los conocimientos adquiridos en las distintas problemáticas existentes en fuentes renovables.

Estos planteamientos y objetivos están alineados con algunos de los Objetivos de Desarrollo Sostenible, ODS, de la Agenda 2030 (https://www.un.org/sustainabledevelopment/es/) y determinadas metas concretas, de tal manera que la adquisición de los resultados de aprendizaje de la asignatura proporciona capacitación y competencia al estudiante para contribuir en cierta medida a su logro, en particular contribuirán al logro de las metas 7.1, 7.2 y 7.3 del objetivo 7, la 9.5 del objetivo 9 y la 13.3 del objetivo 3.

2. Resultados de aprendizaje

El estudiante, para superar esta asignatura, deberá demostrar los siguientes resultados...

  • Conocer técnicas de preprocesado, auditoría y filtrado para su aplicación en grandes conjuntos de datos.
  • Conocer técnicas de aprendizaje automático, supervisado y no supervisado, para el análisis de datos
  • Identificar las fortalezas y debilidades de las técnicas de aprendizaje automático con grandes volúmenes de datos.
  • Manejar herramientas y bibliotecas de Aprendizaje Automático en R y Python.
  • Utilizar técnicas avanzadas de minería de datos y computación avanzada para resolver problemas en sistemas de energías renovables en los que se dispone de un gran volumen de datos.
  • Analizar y predecir resultados a partir de series temporales dentro del contexto de las energías renovables

3. Programa de la asignatura

Los contenidos de esta asignatura se detallan a continuación:

  1. Introducción
  2. Análisis exploratorio de datos
  3. Aprendizaje supervisado 1. Regresión
  4. Aprendizaje supervisado 2. Clasificación
  5. Aprendizaje no supervisado
  6. Series temporales
  7. Redes neuronales

4. Actividades académicas

Con objeto de que los alumnos alcancen los resultados de aprendizaje descritos anteriormente y adquieran las competencias diseñadas para esta asignatura, se proponen las siguientes actividades formativas:

  • A01 Clase magistral (6 horas): exposición de contenidos por parte del profesorado o de expertos externos a todos los alumnos de la asignatura.
  • A02 Resolución de problemas y casos (15 horas): realización de ejercicios prácticos con todos los alumnos de la asignatura.
  • A03 Prácticas de laboratorio (8 horas): realización de ejercicios prácticos en grupos reducidos de alumnos de la asignatura.
  • A05 Trabajos de aplicación o investigación prácticos (15 horas)
  • A06 Tutela personalizada profesor-alumno (5 horas)
  • A07 Estudio (15 horas).
  • A08 Pruebas de evaluación (5 horas).

Las horas indicadas son de carácter orientativo y serán ajustadas dependiendo del calendario académico del curso.

A principio de curso se informará del calendario de sesiones prácticas, que se fijará según el avance del programa y la disponibilidad de laboratorios y salas informáticas.

5. Sistema de evaluación

En la convocatoria ordinaria, la evaluación consistirá en: 

  • Trabajos académicos (incluyendo los derivados de las prácticas): 60%
  • Presentaciones y debates de forma oral: 20 %
  • Pruebas objetivas (tipo test): 20 %

El estudiante que en la primera convocatoria no opte por el procedimiento de evaluación descrito anteriormente tendrá derecho a realizar una prueba de evaluación global (la asignatura se evaluará completamente en una sola prueba).

La convocatoria de evaluación extraordinaria se llevará a cabo mediante una prueba global realizada en el periodo establecido a tal efecto.