Los datalab propuestos en este Máster tienen como objetivo que el estudiante
pueda conocer de la mano de expertos en las distintas áreas de conocimiento
(física, medicina, genética, medioambiente, biodiversidad, economía, redes sociales,
etc.) las técnicas y conjuntos de datos más relevantes en el entorno Open
Science.
En particular, el presente datalab se centrará en el problema de la
regionalización estadística en predicción/proyección climática con técnicas de
minería de datos.
Laboratorios de Datos - Medio ambiente y meteorología
102281
2020-21
MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE
3
OPTATIVA
Cuatrimestral
Castellano e Inglés
Conceptos básicos.
Estándares utilizados en el tratamiento de datos en Meteorología y Medio
ambiente.
Desarrollo práctico de un ejemplo de análisis en Meteorología y Medio Ambiente.
Evaluación.
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo,
compartir la información disponible e integrar su actividad en la actividad
del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar
de forma autónoma proyectos básicos de investigación
CG3 - Redactar documentos científicos y técnicos, en particular artículos
científicos
CG4 - Saber preparar y conducir presentaciones, ante públicos especializado,
sobre una investigación o proyecto científico
CG5 - Planificar, diseñar y poner en marcha un proyecto avanzado
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en
conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar
proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito
de la comunidad científica
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT2 - Conocer la problemática éticas y legal relacionada con el análisis de
datos y entender su importancia para una sociedad basada en los valores de la
libertad, la justicia, la igualdad y el pluralismo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo,
saber escuchar
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de
datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles
para lograr una visión adecuada de los mismos
DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando
diferentes fuentes y tipos de datos para mejorar el análisis global
DSDA05 - Utilizar diferentes plataformas de análisis de datos para procesar
datos complejos
DSDA06 - Capacidad de representación de datos variables y complejos para su
visualización
DSDM01 - Desarrollar e implementar una estrategia de gestión de datos, en
particular, en la forma de un plan de gestión de datos (DMP)
DSDM02 - Desarrollar e implementar modelos de datos, incluidos los metadatos
DSDM03 - Recoger e integrar diferentes fuentes de datos y su ingestión para su
posterior análisis
DSDM05 - Asegurar la calidad de los datos, su accesibilidad, y su forma de
publicación (curación)
DSDM06 - Administrar los DPI (Derechos de Propiedad Intelectual) y cuestiones
éticas en la gestión de datos
DSRM03 - Llevar a cabo un trabajo creativo, haciendo uso sistemático de la
investigación o la experimentación, para descubrir o revisar nuestro
conocimiento de la realidad, y utilizar este conocimiento en nuevas
aplicaciones
DSBPM01 - Comprender un área de investigación o negocio y ser capaz de
traducir los problemas no estructurados a un marco matemático abstracto
DSBPM02 - Utilizar los datos disponibles para mejorar los servicios existentes
o desarrollar nuevos servicios
DSBPM03 - Participar de manera estratégica y tácticamente, aportando la visión
de Data Science, en las decisiones que tienen un impacto en administración y
organización
DSBPM04 - Proporcionar servicios de apoyo científico, técnico y analítico a
otras secciones en la organización
AF1 - Participación y asistencia a lecciones magistrales y seminarios (8 horas)
AF2 - Realización de prácticas de computación y análisis de datos (15 horas)
AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (7,5 horas)
AF7 - Elaboración de informes de laboratorio y trabajos (17,5 horas)
AF8 - Estudio individual de contenidos de la asignatura (17,5 horas)
AF9 - Trabajo en grupo (7,5 horas)
A10 - Pruebas de evaluación (2 horas)
En cada asignatura se comenzará por una exposición de algunos conceptos
básicos del área de conocimiento correspondiente, incluyendo ejemplos
sencillos pero relevantes, que serán analizados individualmente y discutidos
en común.
Se revisarán los estándares y aplicaciones más relevantes, y los actores que
participan en el desarrollo de la misma.
Los estudiantes, organizados en grupos, realizarán un análisis detallado de un
caso de estudio empleando las diferentes tecnologías discutidas.
Conocer los portales, bases de datos, repositorios, y el software y
herramientas más relevantes para abordar un caso de uso en un área de
conocimiento.
Saber modelar problemas en cada área de conocimiento a un marco abstracto de
Data Science e identificar qué puntos críticos pueden impactar el lograr los
objetivos.
SE2 - Valoración de informes y trabajos escritos (60%)
SE3 - Valoración de exposiciones orales de trabajos (40%)
Bedia et al. (2018) "Seasonal predictions of Fire Weather Index: Paving the
way for their operational applicability in Mediterranean Europe". Climate
Services, 9, 101-110. http://doi.org/10.1016/j.cliser.2017.04.001
Bedia et al. (2019) Statistical downscaling with the downscaleR package:
Contribution to the VALUE intercomparison experiment Geoscientific Model
Development Discuss. https://doi.org/10.5194/gmd-2019-224
Bedia et al. (2019) "The METACLIP semantic provenance framework for climate
products". Environmental Modelling and Software, 119, 445-457. https://doi.org/10.1016/j.envsoft.2019.07.005
Cofiño et al. (2018) "The ECOMS User Data Gateway: Towards seasonal forecast
data provision and research reproducibility in the era of Climate Services". Climate
Services, 9, 33-43. http://doi.org/10.1016/j.cliser.2017.07.001
Gutiérrez et al. (2019) "An intercomparison of a large ensemble of statistical
downscaling methods over Europe: Results from the VALUE perfect predictor
cross-validation experiment", International Journal of Climatology,
39, 9, 3750-3785,
doi: 10.1002/joc.5462
Hertig et al. (2019) "Comparison of statistical downscaling methods with
respect to extreme events over Europe: Validation results from the perfect
predictor experiment of the COST Action VALUE", International Journal
of Climatology, 39, 9, 3846-3867, doi:
10.1002/joc.5469
Iturbide et al. (2018) "Tackling Uncertainties of Species Distribution Model
Projections with Package mopa". The R Journal, 10(1), 122-139.
Iturbide et al. (2019) "The R-based climate4R open framework for reproducible
climate data access and post-processing". Environmental Modelling and
Software, 111, 42-54. https://doi.org/10.1016/j.envsoft.2018.09.009.
Check out the companion notebooks for the two examples: https://github.com/SantanderMetGroup/notebooks
Frías et al. (2018) "An R package to visualize and communicate uncertainty in
seasonal climate prediction". Environmental Modelling and Software,
99, 101-110. http://doi.org/10.1016/j.envsoft.2017.09.008
Maraun et al. (2015) "VALUE: A framework to validate downscaling approaches
for climate change studies", Earth's Future, 3, 1, 1-14, doi:
10.1002/2014EF000259
Maraun et al. (2019) "Statistical downscaling skill under present climate
conditions: A synthesis of the VALUE perfect predictor experiment", International
Journal of Climatology, 39, 9, 3692-3703, doi:
10.1002/joc.5877
Maraun et al. (2019) "The VALUE perfect predictor experiment: Evaluation of
temporal variability", International Journal of Climatology, 39,
9, 3786-3818, doi: 10.1002/joc.5222
Rössler et al. (2019) "Challenges to link climate change data provision and
user needs: Perspective from the COST-action VALUE", International
Journal of Climatology, 39, 9, 3704-3716, doi: 10.1002/joc.5060
Soares et al. (2019) "Process-based evaluation of the VALUE perfect predictor
experiment of statistical downscaling methods", International Journal
of Climatology, 39, 9, 3868-3893, doi: 10.1002/joc.5911
Widmann et al. (2019) "Validation of spatial variability in downscaling
results from the VALUE perfect predictor experiment", International
Journal of Climatology, 39, 9, 3819-3845, doi: 10.1002/joc.6024
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Cuatrimestral
Créditos ECTS: 3
Bedia Jiménez, Joaquín
Profesor Doctor en Ciencia, Tecnología y Computación
Universidad de Cantabria (UC)
Herrera García, Sixto
Profesor Ayudante Doctor de Matemática Aplicada
Universidad de Cantabria (UC)
