FICHA DE ASIGNATURA

Título: Introducción a Python

Descripción: Esta asignatura permite al estudiante introducirse en el mundo de la programación en

Python, el lenguaje de facto estándar en la comunidad científica. Además de cubrir los fundamentos
teórico-prácticos para escribir programas en Python, la asignatura se centra en su aplicabilidad en las
áreas de aprendizaje automático y análisis de datos. Por ello, se incluye una introducción a los módulos
más populares: NumPy (para colecciones y funciones matemáticas), pandas (para estructura de datos) y
matplotlib (para representación gráfica de datos).

Carácter: Obligatoria

Créditos ECTS: 6

Contextualización: Esta asignatura se centra en Python como lenguaje unificador dentro de la

Inteligencia Artificial. Dado su rico ecosistema, Python es la elección más adecuada como común
denominador dentro de la programación en IA. Prueba de ello es que la inmensa mayoría de las librerías
más utilizadas en la investigación en aprendizaje automático están escritas en Python o tienen interfaces
para el mismo.

Modalidad: Online

Temario:

1.Introducción a Python

1.1. Contexto

1.2. Por qué Python

1.3. Convenciones

1.4. Librerías más populares y útiles

1.5. Instalación

1.6. Python 2 vs Python 3

1.7. Contenidos del curso

2. Python 101

2.1. IPython y Jupyter notebook

2.2. Sintaxis básica

2.3. Colecciones (Python)

3. Colecciones: NumPy

3.1. Objeto básico en NumPy: ndarray

3.2. Funciones matemáticas sobre colecciones

3.3. Escritura y lectura de colecciones en disco duro

3.4. Miscelánea

3.4.1. Álgebra lineal

3.4.2. Valores aleatorios

3.4.3. Ejemplo: random walks en Python vs NumPy

4. Estructuras de datos: pandas

4.1. Series

4.2. DataFrame

4.3. Trabajo con Series y DataFrames

4.4. Aritmetica con Series y DataFrames

4.5. Estadisticas con Series y DataFrames

5. Visualización: matplotlib (15%)

5.1. API básica

5.2. Tipos de gráficos

5.3. Grabar gráficos a archivo

5.4. Configuración global de matplotlib

5.5. Dibujando con pandas

6. Python para ciencia de datos

6.1. Leer y escribir archivos

6.1.1. En Python

6.1.2. En pandas

6.2. Trabajar con strings

6.3. Data cleaning

6.3.1. Aplicación de funciones a una colección

6.3.2. pandas ayuda a gestionar missing data

Competencias:

CE2. Conocimiento y familiarización con el uso de las librerías y herramientas más comunes en la
industria.

CE3. Consideración del rol de la IA en el mundo actual.

CE7. Capacidad para seguir los avances tecnológicos en el área de la IA.

CE8. Adecuada aplicación de técnicas de Inteligencia artificial para resolver problemas en el mundo
laboral.

CE10. Capacidad para la abstracción de información a partir de big data con algoritmos de IA.

Actividades Formativas: Extraer del verifica, pág. 41 en adelante

Actividad Formativa Horas Presencialidad

Clases expositivas 35 100%

Actividades guiadas 38 100%

Tutorías 10 100%

Trabajo autónomo 220 0%

Prueba objetiva final 2 100%

Metodologías docentes:

MD-01 Método del Caso

MD-02 Aprendizaje Cooperativo

MD-03 Aprendizaje Basado en Problemas (ABP)

MD-04 Aprendizaje Basado en Proyectos

MD-05 Lección Magistral Participativa

MD-06 Trabajo Autónomo

Sistema de Evaluación:

Sistemas de evaluación Ponderación mínima Ponderación máxima

Actividades guiadas (Evaluación
50 70
continua)

Evaluación final 30 50

Normativa específica: N/A

Bibliografía:

- McKinney, W. (2017). Python for Data Analysis. Data wrangling with pandas, NumPy and IPython.
O’Reilly. Second Edition

- Downey, A. et al. (2002). Cómo Pensar como un Científico de la Computación con Python. Recuperado
de: http://www.thinkpython.com

- Poole, D. y Mackworth, A. (2017). Python code for Artificial Intelligence: Foundations of

Computational Agents. Recuperado de: http://artint.info-AIPython