Datos Identificativos 2022/23
Asignatura (*) Ingeniería de Datos Código 614544002
Titulación
Máster Universitario en Intelixencia Artificial
Descriptores Ciclo Periodo Curso Tipo Créditos
Máster Oficial 1º cuatrimestre
 Primero Obligatoria 3
Idioma
Inglés
Modalidad docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinador/a
Bernardo Roca, Guillermo de
 Correo electrónico
guillermo.debernardo@udc.es
Profesorado
Bernardo Roca, Guillermo de
 Correo electrónico
guillermo.debernardo@udc.es
Web
Descripción general O obxectivo da materia é a introdución dos aspectos básicos da enxeñaría de datos, fundamentalmente no
ámbito do Big Data. As competencias adquiridas permitirán a análise e a xestión eficiente de información
heteroxénea, tanto estruturada como non estruturada, dentro do desenvolvemento de aplicacións de IA, alí
onde os métodos tradicionais mostren a súa insuficiencia.

Competencias del título
Código Competencias del título
A17 CE16 - Conocimiento del proceso y las herramientas para el procesamiento y preparación de datos desde su adquisición o extracción, limpieza, transformación, carga, organización y acceso
B2 CG02 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial
B3 CG03 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo
B4 CG04 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo
B5 CG05 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones
B6 CB01 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
B7 CB02 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
B8 CB03 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
C3 CT03 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida
C7 CT07 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social
C8 CT08 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad
C9 CT09 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos

Resultados de aprendizaje
Resultados de aprendizaje Competencias del título
Desarrollar la capacidad de analizar y modelar datos para su procesado en sistemas inteligentes AM16
 BM6
BM7
 CM3
CM9
Conocer y comprender el proceso de extracción, limpieza, transformación, carga y preprocesado de datos. AM16
 BM2
BM3
BM8
 CM3
CM9
Conocer y saber utilizar bases de datos multidimensionales y de tipo NoSQL BM3
BM4
BM7
 CM8
Conocer los fundamentos de data lakes y data warehouses BM2
BM5
BM7
BM8
 CM3
CM7
CM8

Contenidos
Tema Subtema
Conceptos y fundamentos Conceptos y definiciones básicas, problemas de carga eficiente en
escenarios Big Data, almacenamiento
de datos masivos y acceso a los mismos.
Técnicas de limpieza y preparación Técnicas más comunes.
Definición de flujos de procesamiento.
Métricas de calidad.
EStruturas avanzadas Data warehouses y BD multidimensionales, Data lakes, Bases de Datos
NoSQL.

Planificación
Metodologías / pruebas Competéncias Horas presenciales Horas no presenciales / trabajo autónomo Horas totales
Sesión magistral B4 B5 C3 C9 12 0 12
Prueba práctica A17 B2 B5 B7 C3 8 0 8
Solución de problemas A17 B2 B4 B7 C7 C9 0 50 50
Trabajos tutelados A17 B2 B3 B6 B7 B8 C7 C8 5 0 5
 
Atención personalizada 0 0
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías Descripción
Sesión magistral El profesorado presenta un tema al alumnado con el objetivo de facilitar un conjunto de información
con alcance concreto.
Prueba práctica El profesorado de la materia plantea al alumnado un problema o problemas de carácter práctico
cuya resolución requiere la comprensión y aplicación de los contenidos teórico-prácticos incluidos
en los contenidos de la materia.
El alumnado puede trabajar la solución a los problemas planteados de forma individual o en grupos.
Solución de problemas El profesorado plantea al alumnado un trabajo cuyo alcance y objetivos requieren que sea
trabajado por los alumnos de forma autónoma, aunque con la tutela del profesorado de la
asignatura. En general, se aplica a trabajos con un alcance temporal y de esfuerzo superior al de
las prácticas de laboratorio.
Trabajos tutelados Se plantea al alumnado proyectos prácticos cuyo alcance requiere que se le dedique un parte
importante de la dedicación total del alumno a la asignatura. Además, por el alcance de los trabajos
a realizar, se requiere no sólo que el alumnado aplique competencias de gestión además de
competencias de índole técnica.

Atención personalizada
Metodologías
Trabajos tutelados
Solución de problemas
Descripción
Trabajos tutelados (aprendizaje basado en proyectos):
Se plantea al alumnado un escenario de trabajo, real o ficticio, que presenta una determinada problemática. El alumnado debe aplicar los conocimientos teórico-prácticos de la asignatura para buscar una solución a la cuestión o cuestiones planteadas. Como norma general, el estudio de casos se realizará en grupos. Los distintos grupos de trabajo expondrán y pondrán en común sus soluciones.

Resolución de problemas de forma autónoma:
El profesorado atenderá al alumnado en sesiones de tutorías individualizadas dedicadas al desarrollo del proyecto.

Evaluación
Metodologías Competéncias Descripción Calificación
Trabajos tutelados A17 B2 B3 B6 B7 B8 C7 C8 Se llevará a cabo la defensa de la solución aportada por parte del alumno ante el profesor o una presentación oral de la solución desarrollada 30
Prueba práctica A17 B2 B5 B7 C3 Se realizarán distintas pruebas de evaluación, orientadas especialmente a evaluar la comprensión de los conocimientos expuestos en las clases de teoría y/o prácticas. Estas pruebas no pueden repetirse en la segunda convocatoria. 30
Solución de problemas A17 B2 B4 B7 C7 C9 La evaluación del trabajo autónomo tutelado se llevará a cabo mediante la entrega de un informe y una defensa en la que el alumnado explica su propuesta y conclusiones ante el profesorado, o mediante una presentación oral de la solución ante el aula 40
 
Observaciones evaluación
PRIMERA CONVOCATORIA y SEGUNDA CONVOCATORIA [Asistentes y No Asistentes]
Calificación final = 0,30 * Prácticas de laboratorio + 0,40 * Resolución de problemas de forma autónoma + 0,30 * trabajos tutelados (aprendizaje basado en proyectos).

Los estudiantes con dispensa académica realizarán las mismas entregas y pruebas que los alumnos asistentes.

PROCESO DE CALIFICACIÓN DE ACTAS
Para superar la asignatura en cualquier convocatoria, la calificación final debe ser
igual o superior a 5, debiéndose obtener como mínimo un 5 (sobre 10) en cada una de las partes.

En la segunda oportunidad no pueden recuperarse las pruebas prácticas de laboratorio, por lo que no se aplica la nota mínima en esta parte.

FECHAS DE EVALUACIÓN
Las fechas de realización de las pruebas periódicas y entregas de trabajos se publicarán en la primera semana de clases en la plataforma de teledocencia.

OTRAS CONSIDERACIONES
En el caso de detección de plagio en alguno de los trabajos (teóricos o práctico), la calificación final de la materia será de
Suspenso (0) y el hecho será comunicado a la Dirección del Centro para que tome las medidas oportunas. 
Ante cualquier contradicción que se pudiera dar entre las distintas versiones de la guía debido a algún error de traducción, la versión que prevalecerá es la versión en inglés.

Fuentes de información
Básica Ihab F. Ilyas, Xu Chu, (2019). Data Cleaning. Association for Computing Machinery. ACM
Avi Silberschatz, Henry F. Korth, S. Sudarshan (2010). Database System Concepts. McGraw-Hill
Sadalage, Fowler (2012). NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence. Addison-Wesley
Alex Gorelik (). The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. O'Reilly

Complementária Matt Casters, Roland Bouman, Jos van Dongen (2013). Pentaho Kettle Solutions: Building Open Source ETL Solutions with Pentaho Data Integration. Wiley


Recomendaciones
Asignaturas que se recomienda haber cursado previamente

Asignaturas que se recomienda cursar simultáneamente

Asignaturas que continúan el temario

Otros comentarios


(*) La Guía Docente es el documento donde se visualiza la propuesta académica de la UDC. Este documento es público y no se puede modificar, salvo cosas excepcionales bajo la revisión del órgano competente de acuerdo a la normativa vigente que establece el proceso de elaboración de guías