Competencies / Study results |
Code
|
Study programme competences / results
|
A24 |
CE24 - Comprensión e dominio dás principais técnicas básicas e avanzadas de aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos. |
A25 |
CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos. |
A26 |
CE26 - Coñecemento das ferramentas informáticas actuais no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B4 |
CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - 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. |
C4 |
CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Learning aims |
Learning outcomes |
Study programme competences / results |
Identificar e saber afrontar os problemas máis frecuentes relacionados coa explosión de datos, coñecidos como as "Vs do Big Data" e como algúns deles afectan á aplicación de técnicas de Aprendizaxe Automática. |
A25
|
B2 B9 B10
|
C1 C4
|
Coñecer os métodos e técnicas máis representativos e actuais de preprocesado de datos para tratar grandes volumes de datos. |
A24 A25 A26
|
B9
|
C1
|
Coñecer os métodos e técnicas máis representativas e actuais de Aprendizaxe Automática en contornas afectadas por problemas como o volume, a velocidade ou a privacidade dos datos. |
A24 A25 A26
|
B3 B10
|
C1 C4
|
Saber manexar as ferramentas e contornas de traballo máis actuais no ámbito da aprendizaxe automática para tratar grandes volumes de datos. |
A24
|
B2 B4 B7
|
C1
|
Coñecer técnicas para a representación visual de datos complexos e saber utilizar ferramentas de visualización de datos para poder comunicar eficazmente os resultados das análises realizadas. |
A24 A26
|
B2 B3 B4 B7 B8 B9 B10
|
C1
|
Coñecer técnicas analíticas e escalables baseadas en grafos. |
A24 A26
|
B2 B8 B9 B10
|
C1
|
Contents |
Topic |
Sub-topic |
Problems of data analysis in "Big Data" environments |
|
Processing and visualization of large volumes of data |
Visualization techniques
Data preprocessing techniques
|
Distributed learning |
|
Federated learning |
Learning at the edge
Privacy preserving |
Stream data processing |
Incremental learning
Real-time learning
Concept drift problems |
Graph-based data analytics |
|
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Problem solving |
A24 A25 A26 B2 B4 B7 B10 C1 C4 |
0 |
40 |
40 |
Objective test |
A24 A25 A26 B2 B3 B8 B9 |
3 |
0 |
3 |
Laboratory practice |
A24 A25 A26 B2 B3 B7 B9 B10 C1 |
21 |
21 |
42 |
Guest lecture / keynote speech |
A25 A26 B2 B3 B8 B9 |
21 |
42 |
63 |
|
Personalized attention |
|
2 |
0 |
2 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Problem solving |
Desenvolveranse exemplos e exercicios nos que o alumnado terá que aplicar os coñecementos teóricos da materia a casos concretos. Garantirase a interactividade, resolvendo as dúbidas plantexadas polo alumnado, animando a contrastar as súas solucións e expor cuestións relevantes. Parte dos problemas realizados serán avaliados. |
Objective test |
Levarase a cabo unha avaliación da materia mediante unha proba que incluirá tanto preguntas sobre os contidos teóricos, como supostos prácticos e exercicios de aplicación relacionados cos distintos temas vistos na materia. |
Laboratory practice |
Desenvolveranse exemplos e exercicios nos que o alumnado terá que aplicar os coñecementos teóricos da materia a casos concretos. Garantirase a interactividade, resolvendo as dúbidas plantexadas polo alumnado, animando a contrastar as súas solucións e expor cuestións relevantes. Parte dos problemas realizados serán avaliados. |
Guest lecture / keynote speech |
Clases maxistrais onde se expoñerán os conceptos teóricos da materia, sen perder nunca de vista exemplos de aplicación para motivar e contextualizar os contidos da materia. Fomentarase a interactividade en clase mediante a formulación de preguntas e utilizaranse distintos recursos como transparencias ou demostracións. |
Personalized attention |
Methodologies
|
Problem solving |
Laboratory practice |
|
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Problem solving |
A24 A25 A26 B2 B4 B7 B10 C1 C4 |
Valoraranse os resultados, forma e condicións de realización de diversos traballos puntuables que se detallarán durante o curso. Algunhas das sesións estarán dedicadas á revisión dos traballos entregados e se realizarán preguntas sobre os mesmos. A asistencia a estas sesións é de carácter obrigatoria, no caso contrario o efecto será o mesmo que a non entrega da práctica. |
40 |
Objective test |
A24 A25 A26 B2 B3 B8 B9 |
Realización obrigatoria. Avaliarase o dominio dos coñecementos teóricos e operativos da materia. |
60 |
Laboratory practice |
A24 A25 A26 B2 B3 B7 B9 B10 C1 |
Son obrigatorias para poder aprobar os traballos da solución de problemas e inflúen na cualificación final destes, pero non se puntúan á marxe da nota outorgada á solución de problemas. |
0 |
|
Assessment comments |
|
Sources of information |
Basic
|
Bill Chambers and Matei Zaharia (2018). Spark : the definitive guide :big data processing made simple . Sebastopol, CA : O'Reilly Media, Inc.
Jules S. Damji, Brooke Wenig, Tathagata das, and Denny Lee (2020). Learning Spark : Lightning-fast big data analytics. Sebastopol, CA : O'Reilly |
|
Complementary
|
|
|
Recommendations |
Subjects that it is recommended to have taken before |
Parallel Processing/614G02023 | Machine Learning III/614G02026 | Machine Learning I/614G02019 | Machine Learning II/614G02021 |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
|
|