Datos Identificativos 2019/20
Asignatura (*) Tecnoloxías de Xestión de Datos Código 614493106
Titulación
Mestrado Universitario en Técnicas Estadísticas (Plan 2019)
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 1º cuadrimestre
Primeiro Optativa 5
Idioma
Castelán
Modalidade docente Presencial
Prerrequisitos
Departamento Enxeñaría de Computadores
Matemáticas
Coordinación
López Taboada, Guillermo
Correo electrónico
guillermo.lopez.taboada@udc.es
Profesorado
Fernández Casal, Rubén
López Taboada, Guillermo
Correo electrónico
ruben.fcasal@udc.es
guillermo.lopez.taboada@udc.es
Web http://eio.usc.es/pub/mte
Descrición xeral O obxectivo deste curso é que calquera estudante, independentemente da súa formación académica, adquira un sólido coñecemento de tecnoloxías de xestión de bases de datos, tanto relacionais coma non relacionais. Así mesmo, buscarase a familiarización coas principais técnicas computacionais para a xestión práctica de datos masivos. Isto proporcionará a/ao estudante unha gran autonomía cando se trata de procesar e estudar datos, independentemente do seu formato e orixe.
Plan de continxencia

Competencias do título
Código Competencias do título
A16 CE1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de estatística e investigación operativa, nun contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais.
A17 CE2 – Desenvolver autonomía para a resolución práctica de problemas complexos surdidos en aplicación reais e para a interpretación dos resultados cara á axuda na toma de decisións.
A18 CE3 - Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a investigación operativa, que permitan o seu desenvolvemento profesional especializado.
A21 CE6 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas específicamente á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre distintas perspectivas en contextos complexos.
A23 CE8 - Adquirir coñecementos teórico-prácticos avanzados das técnicas destinadas á realización de inferencias e contrastes relativos a variables e parámetros dun modelo estatístico, e saber aplicalos con autonomía suficiente nun contexto científico, tecnolóxico ou profesional.
A24 CE9 - Coñecer e saber aplicar con autonomía en contextos científicos, tecnolóxicos ou profesionais, técnicas de aprendizaxe automático e técnicas de análise de datos de alta dimensión (big data).
A25 CE10 - Adquirir coñecementos avanzados sobre metodoloxías para a obtención e o tratamento de datos derivados de distintas fuentes, como enquisas, internet, ou entornos “na nube".
B1 CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
B2 CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en ámbitos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
B3 CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos
B4 CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades
B5 CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo.
B17 CG1 - Coñecer, comprender e saber aplicar os principios, metodoloxías e novas tecnoloxías na estatística e a investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares, así como adquirir as destrezas e competencias descritas nos objectivos generales do título.
B18 CG2 - Desenvolver autonomía para identificar, modelar e resolver problemas complexos da estatística e da investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares.
B19 CG3 - Desenvolver a capacidade para realizar estudos e tarefas de investigación e transmitir os resultados a públicos especializados, académicos e xeneralistas.
B20 CG4 - Integrar coñecementos avanzados e enfrontarse á toma de decisións a partir de información científica e técnica.
B21 CG5 - Desenvolver a capacidade de aplicación de algoritmos e técnicas de resolución de problemas complexos no eido da estatística e a investigación operativa, manexando o software especializado axeitado.
C11 CT1 - Desenvolver firmes capacidades de razoamento, análise crítica e autocrítica, así como de argumentación e de síntese, contextos especializados e multidisciplinais.
C12 CT2 - Desenvolver destrezas avanzadas no manexo de Tecnoloxías da Información e a Comunicación (TIC), tanto para a obtención de información como para a difusión do coñecemento, nun ámbito científico/académico, tecnolóxico ou profesional especializado e multidisciplinar.
C13 CT3 - Ser capaz de resolver problemas complexos en novos escenarios mediante a aplicación integrada dos coñecementos.
C14 CT4 - Desenvolver unha sólida capacidade de organización e planificación do estudo, asumindo a responsabilidade do seu propio desenvovemento profesional, para a realización de traballos en equipo e de xeito autónomo.
C15 CT5 - Desenvolver capacidades para o aprendizaxe e a integración no traballo en equipos multidisciplinais, nos ámbitos científico/académico, tecnolóxico e profesional.

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias do título
Manexar de forma autónoma e solvente o software necesario para acceder a conxuntos de datos en contornas profesionais e/ou na nube. AM16
AM17
AM23
AM24
AM25
BP5
BP17
BP19
BP20
BP21
CP12
Saber xestionar conxuntos de datos masivos nunha contorna multidisciplinar que permita a participación en proxectos profesionais complexos que requieran o uso de técnicas estatísticas. AM18
AM21
BP1
BP2
BP3
BP4
BP18
CP11
CP13
CP14
CP15
Saber relacionar o software de deseño e xestión de bases de datos con específicamente implementado para a análise de datos. AM16
AM17
AM21
AM24
AM25
BP17
BP18
BP21
CP12
CP13

Contidos
Temas Subtemas
1. Introducción a linguaxe SQL 1.1 Bases de datos relacionais
1.2 Sintaxe SQL
1.3 Conexión con bases de datos dende R
2. Introducción a tecnoloxías NoSQL 2.1 Conceptos e tipos de bases de datos NoSQL (documental, columnar, clave/valor e de grafos)
2.2 Conexión de R a NoSQL
3. Tecnoloxías para o tratamiento de datos masivos 3.1 Tecnoloxías Big Data (Hadoop, Spark, Hive, Rspark, Sparklyr)
3.2 Visualización e xeración de cadros de mando
3.3 Introducción a análise de datos masivos

Planificación
Metodoloxías / probas Competencias Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Sesión maxistral A16 A18 A21 A23 20 28 48
Prácticas de laboratorio A16 A18 A24 A25 B3 B2 C13 C12 7 10.5 17.5
Solución de problemas A17 A16 B2 C13 0 28 28
Seminario A17 A24 A25 B1 B17 B19 B21 C15 7 10.5 17.5
Traballos tutelados A16 A17 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 1 9.5 10.5
Proba mixta A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 3 0 3
 
Atención personalizada 0.5 0 0.5
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Sesións expositivas nas que presentarán conceptos e/ou procedementos, proporcionando información básica necesaria para comprender unha perspectiva teórica ou un procedemento práctico, promovendo a participación dos alumnos.
Prácticas de laboratorio Sesións interactivas de prácticas de laboratorio (laboratorio de informática) ou resolución de problemas, onde os profesores apoiarán e supervisarán a posta en práctica dos coñecementos adquiridos polos estudantes.
Solución de problemas Traballo persoal dos alumnos na realización de exercicios prácticos e resolución de problemas a partir das clases expositivas e das prácticas de laboratorio.
Seminario Técnica de traballo en grupo que ten como finalidade o estudo intensivo dun tema. Caracterízase pola discusión, a participación, a elaboración de documentos e as conclusións ás que teñen que chegar todos os compoñentes do grupo.
Traballos tutelados Actividades de aprendizaxe autónoma, nas que os profesores guiarán a realización de traballos individuais ou en pequenos grupos de alumnos.
Proba mixta Proba que integra preguntas tipo de probas de ensaio e preguntas tipo de probas obxectivas.
En canto a preguntas de ensaio, recolle preguntas abertas de desenvolvemento. Ademais, en canto preguntas obxectivas, pode combinar preguntas de resposta múltiple, de ordenación, de resposta breve, de discriminación, de completar e/ou de asociación.

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Seminario
Solución de problemas
Traballos tutelados
Descrición
Atención persoalizada (ou en pequeno grupo / grupo moi reducido) nestas metodoloxías, tanto na aula como nas horas de titoría, para resolver as dúbidas que poidan xurdir no desenvolvemento do proceso de ensino/aprendizaxe e que non foron resoltas de forma eficaz previamente.

Avaliación
Metodoloxías Competencias Descrición Cualificación
Prácticas de laboratorio A16 A18 A24 A25 B3 B2 C13 C12 Evaluación das prácticas de laboratorio levadas a cabo polos estudantes. 30
Proba mixta A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 O exame da materia avaliará os seguintes aspectos:

Conceptos da materia: Dominio dos coñecementos teóricos e operativos da materia.

Asimilación práctica de materia: Asimilación e comprensión dos coñecementos teóricos e operativos da materia.
60
Traballos tutelados A16 A17 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 Evaluación dos traballos titelados desenvoltos polos estudantes. 10
 
Observacións avaliación
  • Para poder aprobar a materia na primeira oportunidade será necesario obter como mínimo o 30% da nota máxima da suma das prácticas de laboratorio+traballos titelados, e, igualmente, o 30% da nota máxima final da Proba Mixta (exame), e ter unha nota total (prácticas de laboratorio + traballos titelados + proba mixta) igual ou superior ao 50% da nota máxima.
  • Na segunda oportunidade soamente se poderá recuperar a nota da proba mixta. As notas de prácticas e de traballo titelados serán as obtidas durante o curso. Para os alumnos que utilicen a oportunidade adiantada de decembro utilizaranse as notas de prácticas e problemas que obtiveran no seu último curso. Nesta oportunidade só será necesario para aprobar obter unha nota total igual ou superior ao 50% da nota máxima.
  • Unha vez que un estudante é avaliado nunha práctica de laboratorio ou nun traballo titelado implica que será calificado. Por tanto, a calificación "Non Presentado" non é posible unha vez que unha práctica/traballo ten sido avaliado.

Fontes de información
Bibliografía básica Rubén Fernández Casal (2019). Ayuda y Recursos para el Aprendizaje de R. https://rubenfcasal.github.io/post/ayuda-y-recursos-para-el-aprendizaje-de-r/
Silberschatz, A., Korth, H. y Sudarshan, S. (2014). Fundamentos de Bases de Datos. Mc Graw Hill
Daroczi, G. (2015). Mastering Data Analysis with R. Packt Publishing
Grolemund, G. y Wickham, H. (2016). R for Data Science. https://r4ds.had.co.nz/ & O'Reilly

Bibliografía complementaria Alex Holmes (2014). Hadoop in practice. Manning (2ª ed.)
Tom White (2015). Hadoop: The Definitive Guide. O'Reilly (4ª ed.)
Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly (2ª ed.)
Centro de Supercomputación de Galicia (2019). Servicio de Big Data del CESGA. https://bigdata.cesga.es/


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente

Materias que continúan o temario

Observacións

Recomendacións para o estudo da materia

Debido ao forte compoñente práctico é recomendable ir facendo as actividades prácticas e traballos academicamente dirixidos de forma regular ao longo do cuadrimestre.

As ferramentas software utilizadas nesta materia son xeralmente open-source ou teñen licencia gratuita para estudantes. 



(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías