Datos Identificativos 2022/23
Asignatura (*) Enxeñaría de Datos Código 614544002
Titulación
Máster Universitario en Intelixencia Artificial
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 1º cuadrimestre
 Primeiro Obrigatoria 3
Idioma
Inglés
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Bernardo Roca, Guillermo de
 Correo electrónico
guillermo.debernardo@udc.es
Profesorado
Bernardo Roca, Guillermo de
 Correo electrónico
guillermo.debernardo@udc.es
Web
Descrición xeral 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 do título
Código Competencias do título
A17 CE16 - coñecemento do proceso e as ferramentas para o procesamento e preparación de datos dende a súa adquisición ou extracción, limpeza, transformación, carga, organización e acceso
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
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
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
Desenvolver a capacidade de analizar e modelar datos para o seu procesado en sistemas intelixentes. AM16
 BM6
BM7
 CM3
CM9
Coñecer e comprender o proceso de extracción, limpeza, transformación, carga e procesado de datos. AM16
 BM2
BM3
BM8
 CM3
CM9
Coñecer e saber utilizar bases de datos multidimensionais e de tipo NoSQL. BM3
BM4
BM7
 CM8
Coñecer os fundamentos de data lakes e data warehouses. BM2
BM5
BM7
BM8
 CM3
CM7
CM8

Contidos
Temas Subtemas
Conceptos e fundamentos de Enxeñaría de datos Conceptos e definicións básicas, problemas de carga eficiente en
escenarios Big Data, almacenamento
de datos masivos e acceso aos mesmos.
Técnicas de limpeza e preparación de datos. Técnicas máis comúns.
Definición de fluxos de procesamento.
Medidas de calidade.
Estruturas avanzadas e almacéns de datos
eficientes para Big Data 		Data warehouses e BD multidimensionais, Data lakes, Bases de Datos NoSQL.

Planificación
Metodoloxías / probas Competencias Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Sesión maxistral B4 B5 C3 C9 12 0 12
Proba práctica A17 B2 B5 B7 C3 8 0 8
Solución de problemas A17 B2 B4 B7 C7 C9 0 50 50
Traballos tutelados A17 B2 B3 B6 B7 B8 C7 C8 5 0 5
 
Atención personalizada 0 0
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral O profesorado presenta un tema ao alumnado co obxectivo de facilitar un conxunto de información
con alcance concreto.
Proba práctica O profesorado da materia expón ao alumnado un problema ou problemas de carácter práctico cuxa
resolución require a comprensión e aplicación dos contidos teórico-prácticos incluídos nos contidos
da materia.
O alumnado pode traballar a solución aos problemas expostos de forma individual ou en grupos.
Solución de problemas O profesorado expón ao alumnado un traballo cuxo alcance e obxectivos requiren que sexa
traballado polos alumnos de forma autónoma, aínda que coa tutela do profesorado da materia.
Traballos tutelados Exponse ao alumnado proxectos prácticos cuxo alcance require que se lle dedique un parte
importante da dedicación total do alumno á materia. Ademais, polo alcance dos traballos a realizar,
requírese que o alumnado aplique competencias de xestión ademais de competencias de
índole técnica.

Atención personalizada
Metodoloxías
Traballos tutelados
Solución de problemas
Descrición
Traballos tutelados (aprendizaxe baseada en proxectos):
Exponse ao alumnado un escenario de traballo, real ou ficticio, que presenta unha determinada problemática. O alumnado debe aplicar os coñecementos teórico-prácticos da materia para buscar unha solución á cuestión ou cuestións expostas. Como norma xeral, o estudo de casos realizarase en grupos. Os distintos grupos de traballo exporán e porán en común as súas solucións.

Resolución de problemas de forma autónoma
O profesorado atenderá ao alumnado en sesións de tutorías individualizadas dedicadas ao desenvolvemento do proxecto.

Avaliación
Metodoloxías Competencias Descrición Cualificación
Traballos tutelados A17 B2 B3 B6 B7 B8 C7 C8 Levarase a cabo a defensa da solución achegada por parte do
alumno ante o profesor ou unha presentación oral da solución
desenvolvida. 		30
Proba práctica A17 B2 B5 B7 C3 Realizaranse distintas probas de avaliación, orientadas
especialmente a avaliar a comprensión dos coñecementos
expostos nas clases de teoría e/ou prácticas. 		30
Solución de problemas A17 B2 B4 B7 C7 C9 A avaliación do traballo autónomo tutelado levará a cabo mediante a entrega dun informe e unha defensa na que o alumnado explica a súa proposta e conclusións ante o profesorado, ou mediante unha presentación oral da solución ante a aula. 40
 
Observacións avaliación

PRIMEIRA CONVOCATORIA e SEGUNDA CONVOCATORIA [Asistentes e Non Asistentes]

Cualificación final = 0,30 * Probas periódicas + 0,40 * Resolución de problemas de forma autónoma + 0,30 * Traballos tutelados.

Os estudantes con dispensa académica realizarán as mesmas probas e entregas que os asistentes.

PROCESO DE CUALIFICACIÓN DE ACTAS

Para superar a materia en calquera convocatoria, a calificación final debe ser igual ou superior a 5, debéndose obter como mínimo un 5 (sobre 10) en cada unha das partes.

DATAS DE AVALIACIÓN

As datas de realización das probas periódicas e entregas de traballos publicaranse na primeira semana de clases na plataforma de teledocencia.

OUTRAS CONSIDERACIÓNS

No caso de detectar plaxio en algún dos traballos (teóricos o práctico), a cualificación final da materia será de Suspenso (0) e o feito será comunicado a Dirección do Centro para que tome as medidas oportunas. 

Ante calquera contradición que se puidera dar entre as distintas versións da guía, debido a algún erro de tradución, a versión que prevalecerá é a versión en inglés.

Fontes de información
Bibliografía 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

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


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente

Materias que continúan o temario

Observacións


(*)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