Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Arquitectura e Tecnoloxía de Computadores, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
A cada vez maior cantidade de información accesible a través de Internet fai que o procesamento eficiente de grandes cantidades de datos sexa cada vez de maior interese. Isto levou ao desenvolvemento de novas técnicas de almacenamento e procesamento de inxentes cantidades de información, técnicas que se adaptan de forma natural aos sistemas distribuídos.
O obxectivo principal desta materia é proporcionar aos estudantes os coñecementos e habilidades necesarios para comprender, desenvolver e aplicar técnicas de intelixencia artificial (IA) en contornas de Big Data.
1. Introdución ao Big Data
a) Que é Big Data
b) Aplicacións Big Data
c) Analítica Big Data
d) Problemática da análise de datos en contornas Big Data
2. Preparación e visualización de datos
a) Técnicas de preprocesamento de datos
b) Técnicas de visualización
3. Aprendizaxe federada
a) Aprendizaxe no borde
b) Preservación da privacidade
4. Infraestruturas para o almacenamento e procesamento de Big Data
a) Paralelismo e sistemas distribuídos
b) Computación de Altas Prestacións e Computación Big Data
c) Apache Hadoop e MapReduce
5. Procesamento de datos a gran escala: Apache Spark
a) Procesamento en lote e procesamento continuo
b) Arquitectura
c) Spark Core (RDDs) e Spark SQL, DataSets & DataFrames
d) Spark DataFrames
6. Aprendizaxe automática con Apache Spark
a) O fluxo de traballo en aprendizaxe automática
b) Aprendizaxe automática supervisada e non supervisada
c) Axuste de hiperparámetros, avaliación e pipelines
Bibliografía básica
- Apuntamentos proporcionados polo profesorado
- A. Polak, Scaling Machine Learning with Spark, O'Reilly, 2023
- I. Triguero, M. Galar, Large-Scale Data Analytics with Python and Spark, Cambridge University Press, 2023
Bibliografía complementaria
- T. White, Hadoop: The Definitive Guide, 4th Edition, O'Reilly, 2015
- J. Damji, B. Wenig, T. Das and D. Lee. Learning Spark, 2nd Edition, O'Reilly, 2020
Como resultado da aprendizaxe o alumnado que curse esta materia poderá:
- Coñecer as técnicas que permiten o deseño de técnicas de IA escalables a nivel software e de recursos hardware
- Adquirir as competencias que permitan integran gran volume e variedade de datos en proxectos de Big Data en IA
- Coñecer as paradigmas de escalabilidade en algoritmos de aprendizaxe automática
- Comprender, analizar e deseñar as infraestruturas necesarias para proxectos de IA en BigData: contorna local/nube e equipamento físico/virtual con sistemas de almacenamento de baixa latencia e sistemas de ficheiros distribuídos.
- Coñecer as linguaxes, frameworks e compoñentes que nos permiten incrementar o rendemento nas infraestruturas hardware con CPU e GPU.
- Coñecer as técnicas que permiten, con baixa latencia, a visualización de datos en contornas con gran volume de información.
- Usar e poder aplicar os KPI correctos en cada contorna.
Competencias da titulación que se traballan (ver memoria título):
- Básicas e xerais: CB6, CB7, CB8, CG2, CG3, CG4, CG5.
- Transversais: CT3, CT7, CT8, CT9.
- Específicas: CE10, CE11, CE12, CE13, CE14, CE15.
As clases serán presenciais e serán retransmitidas de forma síncrona aos demais campus.
- Clases de teoría, nas que se expón o contido de cada tema. O alumno disporá de copias das transparencias con anterioridade e o profesor promoverá unha actitude activa, realizando preguntas que permitan aclarar aspectos concretos e deixando cuestións abertas para a reflexión do alumno.
- Clases prácticas na aula de informática, que permiten ao alumno familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas.
- Aprendizaxe baseada en problemas, seminarios, estudo de casos ou proxectos, que permiten que o alumnado adquira determinadas competencias en base á resolución de exercicios, estudo de casos e realización de proxectos.
Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
- Clases de teoría: impartidas polo profesor e exposición de seminarios. Competencias traballadas: CG2, CB6, CE10, CT3, CE11, CE12, CE13, CE14, CE15
- Clases prácticas de laboratorio e aprendizaxe baseada en problemas. Competencias traballadas: CG2, CG5, CB7, CT7, CT8, CT9
- Titorías programadas: orientación para a realización dos traballos individuais ou en grupo, resolución de dúbidas e actividades de avaliación continua. Competencias traballadas: T1.
Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
- Traballo persoal do alumno: consulta de bibliografía, estudo autónomo, desenvolvemento de actividades programadas, preparación de presentacións e traballos. Competencias traballadas: CG2, CG3, CG4, CG5, CT3, CT7, CT8, CT9
Todo o material formativo e informativo esencial e suplementario estará dispoñible no Microsoft Teams da UDC.
- Avaliación de traballos prácticos: 50% da nota. Avaliaranse as solucións propostas polo alumnado nas prácticas expostas. A avaliación de prácticas pode levar a cabo mediante unha corrección por parte do profesor, unha defensa da solución achegada por parte do alumno ante o profesor ou unha presentación oral da solución desenvolvida. Todos os traballos deberán ser entregados antes das datas que se especificarán e deberán cumprir uns requisitos mínimos de calidade para ser tidos en consideración. Valorarase o grao de cumprimento das especificacións, a metodoloxía e rigorosidade e a presentación de resultados. Nesta parte avaliaranse implícita ou explicitamente as competencias CG2, CG3, CG4, CG5, CB6, CB7, CB8, CT3, CT7, CT8, CT9, CE10, CE11, CE12, CE13, CE14, CE15
- Avaliación de traballos teóricos: 5% da nota. Avaliarase a realización de proxectos de aprendizaxe colaborativa, onde o alumnado fará traballos (preferiblemente en parellas ou grupos) para desenvolver en detalle un artigo científico relacionado cos temas vistos en teoría, e o presentará para toda a clase, onde se poderán facer preguntas. Estes proxectos poderán facerse nas horas de ensino non presencial e o seu obxectivo é afondar nos contidos da materia, así como adquirir competencias de análise crítica, resumo e presentación oral. Valorarase o grao de cumprimento das especificacións, a metodoloxía e rigorosidade e a presentación de resultados. Nesta parte avaliaranse implícita ou explicitamente as competencias CG2, CG3, CG4, CG5, CB1, CB3, CT3, CT4, CT7, CT8, CT9, CE11, CE15.
- Exame final: 45% da nota. Nesta parte avaliaranse implícita ou explicitamente as competencias CG2, CB6, CB7, CB8, CT9, CE10, CE11, CE12, CE13, CE14, CE15
Para superar a materia, debe conseguirse unha puntuación total de 5 ou superior. É imprescindible para aprobar entregar en prazo todas as prácticas indicadas como obrigatorias. As entregas fóra de prazo non serán avaliadas.
Condición para cualificación de Non Presentado: non presentar ningunha práctica e non asistir ao exame final.
Os alumnos que non sexan de nova matrícula non conservan notas de cursos anteriores.
Oportunidade de recuperación (xullo) e extraordinaria:
A valoración será igual que na oportunidade ordinaria. Os alumnos que non entregaron os traballos propostos ao longo do cuadrimestre deberanos entregar antes da data establecida.
Condición para cualificación de Non Presentado: non presentar ningunha práctica e non asistir ao exame final.
No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.
En aplicación da Normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos casos.
- Clases de teoría: 21 horas presenciais, 42 horas en total de dedicación.
- Clases prácticas de laboratorio: 14 horas presenciais, 60 horas en total de dedicación.
- Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos: 7 horas presenciais, 48 horas en total de dedicación.
- Total: 150 h
Debido á forte relación entre a parte teórica e a parte práctica, e á progresividade na presentación de conceptos moi relacionados entre si na parte teórica, é recomendable dedicar un tempo de estudo ou repaso diario.
Farase uso intensivo de ferramentas de comunicación en liña: videoconferencia, chat, etc.
As aulas serán impartidas en inglés. Tanto o material de aula como a bibliografía atópanse íntegramente en inglés.
Alvaro Ordoñez Iglesias
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Arquitectura e Tecnoloxía de Computadores
- Teléfono
- 881815508
- Correo electrónico
- alvaro.ordonez [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Luns | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLE_01 | Inglés | IA.12 |
| 18:30-20:00 | Grupo /CLIL_01 | Inglés | IA.12 |
| 10.01.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |
| 10.01.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |
| 17.06.2025 10:30-14:00 | Grupo /CLIL_01 | IA.12 |
| 17.06.2025 10:30-14:00 | Grupo /CLE_01 | IA.12 |