Study programme competencies |
Code
|
Study programme competences / results
|
A1 |
Capacidade para a redacción, firma, desenvolvemento e dirección de proxectos no ámbito da enxeñaría industrial, e en concreto da especialidade de electrónica industrial. |
A3 |
Capacidade para realizar medicións, cálculos, valoracións, taxacións, peritaxes, estudos e informes. |
A4 |
Capacidade de xestión da información, manexo e aplicación das especificacións técnicas e da lexislación necesarias no exercicio da profesión. |
A10 |
Coñecementos básicos sobre o uso e programación dos ordenadores, sistemas operativos, bases de datos e programas informáticos con aplicación en enxeñaría. |
A33 |
Coñecemento aplicado de informática industrial e comunicacións. |
B1 |
Capacidade de resolver problemas con iniciativa, toma de decisións, creatividade e razoamento crítico. |
B5 |
Capacidade para empregar as técnicas, habilidades e ferramentas da enxeñaría necesarias para a práctica desta. |
B6 |
Capacidade de usar adecuadamente os recursos de información e aplicar as tecnoloxías da información e as comunicacións na enxeñaría. |
C2 |
Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C5 |
Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse. |
Learning aims |
Learning outcomes |
Study programme competences / results |
Capacidade para recopilar, procesar, seleccionar e filtrar toda información que sexa necesaria de múltiples fontes de datos heteroxéneas para a correcta execución de técnicas avanzadas de analítica e visualización de datos. |
A1 A3 A4 A10 A33
|
B1 B5 B6
|
C2 C5
|
Contents |
Topic |
Sub-topic |
Tema 1:
Técnicas e métodos para a recopilación de información en fontes de datos heteroxéneas.
|
|
Tema 2:
Almacenamento de datos en base ó tipo de información. |
|
Tema 3:
Procesado e análise de datos.
|
Tema 3.1.-
Representación gráfica dos datos e ferramentas de visualización.
Tema 3.2.-
Toma de decisions no contexto da industria. |
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Supervised projects |
A1 A3 A4 A10 A33 B1 B5 B6 C2 C5 |
6 |
40 |
46 |
Laboratory practice |
A1 A3 A4 A10 A33 B1 B5 B6 C2 C5 |
17 |
20 |
37 |
Guest lecture / keynote speech |
A4 A10 A33 B1 B5 B6 C2 C5 |
15 |
4 |
19 |
|
Personalized attention |
|
10 |
0 |
10 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Supervised projects |
Nas sesions maxistrais e nas prácticas de laboratorio plantexaranse diferentes problemas practicos de maior complexidade para a sua resolución como traballo independente polo alumno, tanto de forma individual uns coma colectiva outros. Nesta resolución vaise fomentar a participación do alumno como ferramenta de autoaprendizaxe valorando o seu esforzo e os seus resultados cara á valoración final da asignatura. |
Laboratory practice |
Estudo e utilización dun entorno de traballo / linguaxe de programación que permita a resolución de diferentes problemas de enxeñería mediante solución informáticas. |
Guest lecture / keynote speech |
Nas sesions maxistrais desenrolaranse os contidos da asignatura tanto a nivel teórico coma práctico. |
Personalized attention |
Methodologies
|
Supervised projects |
Laboratory practice |
|
Description |
Titorías para solucionar as dubidas sobre os temas expostos nas clases maxistrais, sobre o plantexamento ou a resolución dos exercicios de practicas de laboratorio e os traballos tutelados, ou sobre calquer ámbito relacionado coa materia.
Os alumnos con dispensa académica, ao non ter obrigacion de asistir ás actividades nas que se poida esixir presencialidade, atenderáselles en tutorias presenciais ou virtuais, o cal permitirá realizar o seguimento das suas actividades docentes ó longo do curso. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Supervised projects |
A1 A3 A4 A10 A33 B1 B5 B6 C2 C5 |
Nas sesions maxistrais e nas prácticas de laboratorio plantearanse diferentes problemas prácticos de maior complexidade para a sua resolución como traballo independente polo alumno, tanto de forma individual uns coma colectiva outros. Nesta resolución vaise fomentar a participación do alumno como ferramenta de autoaprendizaxe valorando o seu esforzo e os seus resultados cara á valoración final da asignatura. A sua realización e presentación en prazo de forma correcta diante do profesor será obligatoria para poder aprobar a asignatura, sendo evaluable ata un máximo dun 80% da nota final. |
80 |
Laboratory practice |
A1 A3 A4 A10 A33 B1 B5 B6 C2 C5 |
Estudo e utilización dun entorno de traballo que permita a resolución de diferentes problemas de enxeñaría mediante solucións informáticas. A sua realización e presentación en prazo de forma correcta diante do profesor será obligatoria para poder aprobar a asignatura, sendo evaluable ata un máximo dun 20% da nota final. |
20 |
|
Assessment comments |
Os alumnos con dispensa académica, ao non ter obrigacion de asistir
ás actividades nas que se poida esixir presencialidade, terán que
presentar e defender igualmente os traballos e prácticas obrigatorias
diante do profesor en tutorias presenciais ou virtuais, nos mesmos
prazos que o resto dos alumnos. A calificación de todos os alumnos, tanto na primeira coma na
segunda oportunidade, basearase na necesidade de obter polo menos
unha nota mínima de 5 puntos na evaluacion continua e ter
presentado e defendido correctamente e en prazo diante do profesor todalas prácticas
e/ou traballos obrigatorios para poder aprobar a asignatura.
|
Sources of information |
Basic
|
F. Prieto (). Apuntes Asignatura.
LUIS JOYANES AGUILAR (). BIG DATA . Marcombo
BERNARD MARR (). BIG DATA EN LA PRACTICA. S.L. TEELL EDITORIA
BILL SCHMARZO (). BIG DATA. EL PODER DE LOS DATOS . ANAYA MULTIMEDIA
BALDOMINOS GOMEZ ALEJANDRO (). PROCESAMIENTO ANALISIS INTELIGENTE DE BIG DATA. GARCIA MAROTO EDITORES
Vahid Mirjalili,Sebastian Raschka (). Python Machine Learning. Marcombo |
|
Complementary
|
|
|
Recommendations |
Subjects that it is recommended to have taken before |
Computer Science/770G01002 | Industrial Computing/770G01025 |
|
Subjects that are recommended to be taken simultaneously |
Internet of Things (IoT)/770G01055 | Smart Control Monitoring Systems/770G01059 | Augmented Reality Process Simulation/770G01052 |
|
Subjects that continue the syllabus |
|
Other comments |
Para axudar a conseguir unha contorna inmediata sustentable e cumprir
co obxectivo da acción número 5: “Docencia e investigación saudable e
sustentable ambiental e social” do "Plan de Acción Green Campus Ferrol": A entrega dos traballos documentais que se realicen nesta materia: • Solicitarase en formato virtual e/ou soporte informático. • Realizarase a través de Moodle, en formato dixital sen necesidade de imprimilos. • De se realizar en papel: - Non se empregarán plásticos. - Realizaranse impresións a dobre cara. - Empregarase papel reciclado. - Evitarase a impresión de borradores. • Débese facer un uso sostible dos recursos e a prevención de impactos negativos sobre o medio natural. |
|