| Competencias do título |
|
Código
|
Competencias do título
|
| A11 |
CE10 - capacidade para a construcción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e o análisis crítico dos resultados obtidos para seleccionar as máis axeitadas para a resolución de problemas |
| A12 |
CE11 - Comprensión e dominio das principáis técnicas e ferramentas de análisis de datos, tanto dende o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volúmenes de datos, e capacidade para seleccioar as máis axeitadas para a resolución de problemas |
| A13 |
CE12 - capacidade para plantexar, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a búsqueda e o filtrado de información en grandes coleccións de datos |
| A16 |
CE15 - coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis axeitad para a resolución dun problema |
| B2 |
CG02 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial |
| B3 |
CG03 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo |
| B4 |
CG04 - Elaborar axeitadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo |
| B5 |
CG05 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións |
| B6 |
CB01 - Poseer e comprender coñecementos que aporten unha base ou oportunidade de ser orixináis no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
| B7 |
CB02 - Que os estudantes saiban aplicar os coñecementos adquiridos e posúan capacidade de resolución de problemas en entornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacioados coa su área de estudo |
| B8 |
CB03 - Que os estudantes sexan capaces de integrar coñecementos e enfrentarse á complexidade de formular xuízos a partiren dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociáis e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
| B9 |
CB04 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun xeito claro e sen ambigu?idades |
| C3 |
CT03 - Utilizar as ferramientas 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 |
| C4 |
CT04 - Desenvolverse para o exercicio dunha una cidadanía respetuosa coa cultura democrática, os dereitos humáns e la perspectiva de xénero |
| C7 |
CT07 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenrolo sostible ambiental, económico, político e social |
| C8 |
CT08 - Valorar a importancia que ten a investigación, a innovación e o desenrolo tecnolóxico no avance socioeconómico e cultural da sociedade |
| C9 |
CT09 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer plazos e cumplilos |
| Resultados de aprendizaxe |
| 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
|
| Contidos |
| Temas |
Subtemas |
| Introdución ao Big Data |
Que é Big Data
Aplicacións Big Data
Analítica Big Data
Problemática da análise de datos en contornas Big Data |
| Preparación e visualización de datos |
Técnicas de preprocesado de datos
Técnicas de visualización |
| Aprendizaxe federada |
Aprendizaxe no borde
Preservación da privacidade |
| Infraestructuras para o almacenamento e procesamento de Big Data: Apache Hadoop e Apache Spark |
Procesamento distribuido e infraestructuras
Aprendizaxe por lotes en plataformas paralelas e distribuidas
Aprendizaxe distribuida en vertical e horizontal |
| Tratamento de datos en continuo |
Aprendizaxe incremental
Aprendizaxe en tempo real
Problemas de cambio de concepto |
| Planificación |
| Metodoloxías / probas |
Competencias |
Horas presenciais |
Horas non presenciais / traballo autónomo |
Horas totais |
| Prácticas a través de TIC |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C7 C8 C9 |
14 |
44 |
58 |
| Traballos tutelados |
A11 A12 B3 B4 B5 B6 B9 C4 C7 C8 |
7 |
20 |
27 |
| Proba obxectiva |
A11 A12 A13 B2 B6 B7 B8 B9 C4 C8 C9 |
2 |
20 |
22 |
| Sesión maxistral |
A11 A12 A13 A16 B2 B3 B4 B6 B8 B9 C4 C8 C9 |
21 |
20 |
41 |
| |
| Atención personalizada |
|
2 |
0 |
2 |
| |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
| Metodoloxías |
|
Metodoloxías |
Descrición |
| Prácticas a través de TIC |
Clases prácticas na aula de informática, que permiten ao alumno familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas. |
| Traballos tutelados |
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. |
| Proba obxectiva |
Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura |
| Sesión maxistral |
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. |
| Atención personalizada |
|
Metodoloxías
|
| Prácticas a través de TIC |
| Traballos tutelados |
|
| Descrición |
| Realización do traballo práctico co asesoramiento do profesor. Redacción de documentos de compendio dos resultados na forma de memorias ou artígos, así como a presentación dos resultados có profesor ou en sesións públicas dentro da clase. |
|
| Avaliación |
|
Metodoloxías
|
Competencias |
Descrición
|
Cualificación
|
| Prácticas a través de TIC |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C7 C8 C9 |
Avaliación de traballos prácticos: 50% dá nota
avaliaranse as solucións propostas polo alumnado ás 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 |
50 |
| Proba obxectiva |
A11 A12 A13 B2 B6 B7 B8 B9 C4 C8 C9 |
Preguntas sobre os contidos da asignatura (que poden ser de tipo test ou problemas para resolver), baseada nas distintas técnicas avanzadas de aprendizaxe automática e as súas aplicacións. |
50 |
| |
|
Observacións avaliación |
Para superar a materia, debe conseguirse unha puntuación total de 5 ou superior. É imprescindible para aprobar entregar todas as prácticas indicadas como obrigatorias.
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.
O traballo entregado deberá ser orixinal do alumno. De acordo ao artigo 14, apartado 4, da normativa, a entrega de traballos non orixinais ou con partes duplicadas (sexa por copias entre compañeiros ou por obtención doutras fontes...) levará unha nota global de SUSPENSO NA CONVOCATORIA ANUAL, tanto para o/a estudante que presente material copiado como a quen o facilitase.
|
| Fontes de información |
|
Bibliografía básica
|
|
|
- Apuntes proporcionados por el profesor - T. White, Hadoop: The Definitive Guide, 4th Edition, O'Reilly, 2015 - B. Chambers, M. Zaharia, Spark: The Definitive Guide, O'Reilly, 2018 |
|
Bibliografía complementaria
|
|
|
- Karim, Md. Rezaul, Sridhar Alla. Scala and Spark for Big Data Analytics: Tame Big Data with Scala and Apache Spark! 1st edition. Birmingham: Packt, 2017. - Pentreath, Nick. Machine Learning with Spark Create Scalable Machine Learning Applications to Power a Modern Data-Driven Business Using Spark Packt Publishing Ltd., 2015. - Bowles, Michael. Machine Learning with Spark and Python: Essential Techniques for Predictive Analytics 2nd ed. Wiley, 2019 |
| Recomendacións |
| Materias que se recomenda ter cursado previamente |
| Fundamentos de IA/614544001 | | Aprendizaxe Automática I/614544012 | | Aprendizaxe Automática II/614544014 |
|
| Materias que se recomenda cursar simultaneamente |
|
| Materias que continúan o temario |
|
|