|
Guía DocenteCurso Facultade de Informática |
| Máster Universitario en Intelixencia Artificial |
 Asignaturas |
| IA en Contornos Big Data |
| Resultados de aprendizaxe |
| Datos Identificativos | 2023/24 | |||||||||||||
| Asignatura | IA en Contornos Big Data | Código | 614544016 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
| Mestrado Oficial | 1º cuadrimestre |
Segundo | Optativa | 6 | ||||||||||
|
||||||||||||||
| Resultados de aprendizaxe | Competencias do título | ||
| Coñecer as técnicas que permiten o deseño de técnicas de IA escalables a nivel software e de recursos hardware | AM10 AM11 AM12 AM15 |
BM2 BM7 |
CM3 CM4 |
| Adquirir as competencias que permitan integran gran volume e variedade de datos en proxectos de Big Data en IA | AM10 AM11 AM12 AM15 |
BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Coñecer as paradigmas de escalabilidad en algoritmos de aprendizaxe automática | AM10 AM11 AM12 AM15 |
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| 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. | AM12 AM15 |
BM2 BM6 BM7 BM8 |
CM3 CM4 CM7 CM9 |
| Coñecer as linguaxes, frameworks e compoñentes que nos permiten incrementar o rendemento nas infraestruturas hardware con CPU e GPU | AM11 AM15 |
BM3 BM7 BM8 |
CM3 CM4 CM7 CM9 |
| Coñecer as técnicas que permiten, con baixa latencia, a visualización de datos en contornas con gran volume de información. | AM11 AM12 AM15 |
BM2 BM3 BM5 BM6 BM7 BM8 BM9 |
CM3 CM4 CM7 CM8 CM9 |
| Usar e poder aplicar os KPI correctos en cada contorna. | AM10 AM11 AM15 |
BM2 BM3 BM7 BM8 |
CM3 CM9 |
|
