| Competencias do título |
| Código | Competencias do título |
| A1 | CE1 - Definir, avaliar e seleccionar a arquitectura e o software máis axeitado para a resolución dun problema |
| A2 | CE2 - Analizar e mellorar o rendimento dunha arquitectura ou un software dado |
| B1 | CB6 - Posuir e comprender coñecementos que aporten unha base ou oportunidade de ser orixinais no desenrolo e/ou aplicación de ideas, a miudo nun contexto de investigación |
| B2 | CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e súa capacidade de resolución de problemas en contornas novas ou pouco coñecidas dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo |
| B6 | CG1 - Ser capaz de buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo |
| B8 | CG3 - Ser capaz de manter e extender plantexamentos teóricos fundados para permitir a introducción e explotación de tecnoloxías novas e avanzadas no campo |
| 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 desenrolo tecnolóxico no avance socioeconómico e cultural da sociedade |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| O alumno será capaz de seleccionar, instalar, configurar e xestionar o software básico para o procesamento de datos masivos. | AP1 AP2 |
BP2 BP6 BP8 BP10 |
CP1 |
| O alumno será capaz de implementar códigos nalgunha linguaxe especializada no procesamento de datos masivos. | AP2 |
BP1 BP2 BP10 |
CP1 |
| O alumno coñecerá e aprenderá a utilizar algunhas das ferramentas dispoñibles para Data Engineering (en particular, para Inxesta/Almacenamento/Procesado/Visualización). | AP1 AP2 |
BP1 BP2 |
CP1 CP4 |
| O alumno adquirirá a habilidade necesaria para a procura, selección e manexo de recursos (bibliografía, software, etc.) relacionados con Big Data. | AP1 AP2 |
BP1 BP6 |
CP1 CP4 |
| Contidos |
| Temas | Subtemas |
| 1. Introducción a Data Engineering | 1.1 HPC vs Big Data: similitudes e diferencias no tratamento de datos 1.2 Tecnoloxías Hardware e Software para High Performance Data Engineering 1.3 Data Engineering en infraestructuras HPC vs entornos Cloud |
| 2. Introducción a Analítica de Datos | 2.1 Exploratory Data Analytics 2.2 Introducción a Machine Learning |
| 3. Etapas de Data Engineering | 3.1 Modelado (Formatos, Compresión, Deseño de Esquemas) 3.2 Inxesta (Periodicidade, Transformaciones, Ferramentas) 3.3 Almacenamento (HDFS y BBDD NoSQL, HBase, MongoDB, Cassandra) 3.4 Procesado (Batch, Real-Time) 3.5 Orquestación 3.6 Análise (SQL, Machine Learning, Graphs, UI) 3.7 Gobernanza 3.8 Integración con BI (Visualización) |
| 4. Casos de Uso | 4.1 Aplicacións en Internet das Cosas (entornos Smart e Industria 4.0) 4.2 Aplicacións en ciencias e enxeñaría |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Lecturas | A1 A2 B1 B6 C4 | 0 | 18 | 18 |
| Prácticas de laboratorio | B1 B8 B10 | 0 | 80 | 80 |
| Traballos tutelados | A1 A2 B1 B2 B8 | 0 | 45 | 45 |
| Discusión dirixida | B6 C1 C4 | 4 | 2 | 6 |
| Atención personalizada | 1 | 0 | 1 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Lecturas | Instrucción programada a través de materiais docentes. |
| Prácticas de laboratorio | Resolución de problemas e casos prácticos. |
| Traballos tutelados | Realización de prácticas de mayor entidade de forma semiautónoma, guiados polos profesores da asignatura. |
| Discusión dirixida | Orientación para a realización dos traballos individuais ou en grupo, resolución de dúbidas e actividades de avaliación continua. |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Prácticas de laboratorio | B1 B8 B10 | Evaluación de las prácticas llevadas a cabo por los estudiantes. | 50 |
| Traballos tutelados | A1 A2 B1 B2 B8 | Evaluación de los trabajos tutelados desarrollados por los estudiantes. | 50 |
| Observacións avaliación | |||
|
Non presentado: Considerarase non presentado @ alumn@ que non entregue ningunha práctica nin traballo academicamente dirixido. Segunda oportunidade (extraordinaria - xuño/xullo): Volver a realizar aquelas prácticas e traballos tutelados que non se entregaran ou versións melloradas dos xa entregados. Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións. |
|||
| Fontes de información |
| Bibliografía básica |
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.) |
|
|
|
| Bibliografía complementaria |
Alex Holmes (2014). Hadoop in practice. Manning (2ª ed.) |
|
|
| 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. O coñecemento do inglés tanto falado como escrito é imprescindible dado que a bibliografía e as conferencias externas poden desenvolverse en inglés. Observacións Farase un uso intensivo de ferramentas de comunicación online: videoconferencia, chat, etc. As sesións presenciais serán gravadas para ou revisión posterior. Ademais, farase uso da ferramenta Aula CESGA para a distribución de contidos, creación de foros de discusión, etc... As ferramentas software utilizadas nesta materia son xeralmente open-source ou teñen licencia gratuita para estudantes. |