| Competencias do título |
| Código | Competencias do título |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de bases de datos de alta dimensión | AP2 AP3 AP4 AP6 |
BP1 BP2 BP3 BP6 BP7 |
CP1 CP3 CP6 |
| Coñecer e saber aplicar os principais métodos de minería de datos; coñecer as plataformas e as paradigmas principais que se empregan no campo. | AP2 AP3 AP4 AP6 |
BP1 BP2 BP3 BP6 BP7 |
CP1 CP3 CP6 |
| Contidos |
| Temas | Subtemas |
| Introducción ao Big data. | Qué é Big Data Principais características do Big data Principais campos de aplicación |
| Minería de datos e alta dimensión | Analítica Big data Técnicas de preprocesado MapReduce |
| Modelos de programación Batch | Hadoop Resilient Distributed datasets Programación batch en Spark |
| Modelos de programación streaming |
Conceptos básicos Kafka, Apache Storm, Spark streaming |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | A4 C1 C6 | 7 | 14 | 21 |
| Solución de problemas | A25 A33 A41 B1 B6 C3 | 8 | 16 | 24 |
| Traballos tutelados | A21 B3 B6 C1 C2 C3 C6 | 4 | 4 | 8 |
| Seminario | A21 B1 B3 B6 | 4 | 4 | 8 |
| Proba mixta | A2 A3 A4 A6 B1 B2 B3 B6 B7 C1 C3 C6 | 4 | 10 | 14 |
| Atención personalizada | 0 | 0 | 0 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Sesión maxistral | Empregada durante as clases presenciais teóricas para expor o núcleo básico de coñecementos que logo os alumnos terán que saber utilizar e ampliar nas prácticas, seminarios e traballos do curso |
| Solución de problemas | Emprego de técnicas de minería de datos en alta dimensión. Uso de paradigmas Big data Realización dunha práctica nunha plataforma específica de Big data |
| Traballos tutelados | Entrega dun breve traballo que discutirase na clase sobre algún aspecto concreto da materia. |
| Seminario | Exposición dun traballo específico de investigación que involucre tecnoloxías de alta dimensionalidade |
| Proba mixta | Realizarase ao final do cuadrimestre sobre os contidos tratados ao longo do curso. |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Seminario | A21 B1 B3 B6 | Seminarios de temas específicos | 0 |
| Traballos tutelados | A21 B3 B6 C1 C2 C3 C6 | Nota correspondente á parte práctica da materia, que comprende tanto os desenvolvementos realizados sobre as plataformas, como os traballos entregados. | 50 |
| Proba mixta | A2 A3 A4 A6 B1 B2 B3 B6 B7 C1 C3 C6 | Realizarase unha proba con cuestións relativas ás partes teóricas da materia | 50 |
| Sesión maxistral | A4 C1 C6 | Clases presenciais | 0 |
| Observacións avaliación | |||
| Fontes de información |
| Bibliografía básica |
Venkat Ankam (2016.). Big Data Analytics. Packt Publishing
Thilina Gunarathne (2015). Hadoop MapReduce v2 Cookbook. Packt Publishing
Tom White (2015). Hadoop: The Definitive Guide. O'Reilly Media
Vladimir Bacvanski. (2015). Introduction to Big Data An Overview of Fundamental Big Data Concepts, Tools, Techniques and Practices.. O'Reilly Media
Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia (2015). Learning Spark. O'Reilly Media
Sean T. Allen, Matthew Jankowski, and Peter Pathirana (2015). Storm Applied. . O'Reilly Media |
|
|
|
| Bibliografía complementaria | |
|
|
| Recomendacións | |||||
| Materias que se recomenda ter cursado previamente | |||||
|
| Materias que se recomenda cursar simultaneamente |
| Materias que continúan o temario |
| Observacións | |