Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 11 Total: 22
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Linguaxes e Sistemas Informáticos, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxectivo da materia é a introdución dos aspectos básicos da enxeñaría de datos, fundamentalmente no ámbito do Big Data. As competencias adquiridas permitirán a análise y a xestión eficiente de información heteroxénea, tanto estruturada como non estruturada, dentro do desenvolvemento de aplicacións IA, alí onde os métodos tradicionais amosen a súa insuficiencia.
- Conceptos e fundamentos da enxeñaría de datos: Conceptos e definicións básicas, problemas de carga eficiente en escenarios Big Data, almacenamento de datos masivos e acceso aos mesmos.
- Técnicas de limpeza e preparación de datos: Técnicas máis comúns, definición de fluxos de procesamento, métricas de calidade.
- Estruturas avanzadas e almacéns de datos eficientes para o Big Data: Data Warehouse e BD multidimensionais, Data Lakes, Bases de datos NoSQL.
Bibliografía Básica
Sadalage, Fowler. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence, Addison-Wesley, 2012.
Avi Silberschatz, Henry F. Korth, S. Sudarshan, Database System Concepts, Sixth edition, McGraw-Hill, 2010. ISBN 0-07-352332-1
Ihab F. Ilyas and Xu Chu. 2019. Data Cleaning. Association for Computing Machinery, New York, NY, USA.
Alex Gorelik, The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science, O’ Reilly Media, Inc., 2019. ISBN: 9781491931554
Matt Casters, Roland Bouman, Jos van Dongen,, Pentaho Kettle Solutions: Building Open Source ETL Solutions with Pentaho Data Integration, 978-0470635179, Wiley, 2013.
As competencias da titulación que se traballan en esta materia (ver a memoria da titulación) son as seguintes:
Competencias básicas e xerais: CG2, CG3, CG4, CG5, CB6, CB7, CB8.
Competencias transversais: CT3, CT7, CT8, CT9.
Competencias específicas: CE16.
Máis en concreto o alumno será capaz de:
- Desenvolver a capacidade de analizar e modelar datos para o seu procesado en sistemas intelixentes.
- Coñecer e comprender o proceso de extracción, limpeza, transformación, carga e preprocesado de datos.
- Coñecer e saber utilizar bases de datos multidimensionais e de tipo NoSQL
- Coñecer os fundamentos de data lakes e data warehouses.
A metodoloxía de esta materia estará baseada na combinación de varios tipos de actividades presenciais con traballo autónomo do alumnado.
Lección maxistral: O profesorado presenta un tema ao alumnado co obxectivo de facilitar un conxunto de información con alcance concreto. Esta metodoloxía docente aplicarase a actividade formativa de clases de teoría.
Prácticas de laboratorio: O profesorado da materia propón ao alumnado un problema ou problemas de tipo práctico con una solución que require a comprensión e aplicación dos contidos teórico-prácticos incluídos nos contidos da materia. O alumnado pode traballar a solución aos problemas propostos de forma individual ou en grupos. Esta metodoloxía docente aplicarase a actividade formativa de clases de prácticas de laboratorio, e poderase aplicar a actividade formativa de sesións de aprendizaxe baseado en problemas, seminarios, estudios de casos e proxectos.
Condicións aplicadas ás dúas oportunidades en xuño e xullo.
Prácticas de laboratorio (60%): Entrega de prácticas de laboratorio expostas ao longo do curso nas datas estipuladas previamente. Para a liberación desta parte da materia, o alumno deberá obter unha cualificación igual ou superior a 5 puntos (sobre 10).
Exame de preguntas de desenvolvemento (40%): O exame abarca todos os temas do curso. O alumnado debe desenvolver, relacionar, organizar e presentar os coñecementos que posúe sobre cada tema dado nunha resposta razoada e ben articulada. Resultados de aprendizaxe. Para a liberación desta parte da materia, o alumno deberá obter unha cualificación igual ou superior a 5 puntos
(sobre 10).
Para superar a materia en calquera convocatoria, a nota final deberá ser igual ou superior a 5, obtendo como mínimo un 5 (sobre 10) en cada unha das partes.
12 horas presenciais de clases de teoría. 12 horas presenciais de clases de laboratorio e aprendizaxe baseado en proxectos. 50 horas de traballo persoal non presencial do alumnado.
Seguir a metodoloxía proposta, asistindo as clases, dedicando o tempo necesario ao estudio e a realización de traballos e resolvendo problemas específicos coa axuda do profesorado nas sesións de titorías.
Farase uso do campus virtual, para mellorar a comunicación entre o alumnado e o profesorado, para aloxar o material necesario e para apoiar nos procesos de avaliación.
Pedro Celard Perez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Linguaxes e Sistemas Informáticos
- Correo electrónico
- pedro.celard [at] usc.es
- Categoría
- Profesor/a: Axudante Doutor LOSU
| Luns | |||
|---|---|---|---|
| 15:30-17:00 | Grupo /CLE_01 | Inglés | IA.02 |
| Mércores | |||
| 15:30-17:00 | Grupo /CLIL_01 | Inglés | IA.02 |
| 17.12.2024 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 17.12.2024 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 18.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 18.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |