Datos Identificativos 2022/23
Asignatura (*) Aprendizaje Automático a Gran Escala Código 614G02032
Titulación
Grao en Ciencia e Enxeñaría de Datos
Descriptores Ciclo Periodo Curso Tipo Créditos
Grado 1º cuatrimestre
 Cuarto Optativa 6
Idioma
Castellano
Modalidad docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinador/a
Hernandez Pereira, Elena Maria
 Correo electrónico
elena.hernandez@udc.es
Profesorado
Alvarez Estevez, Diego
Blanco Mallo, Eva
Cancela Barizo, Brais
Fontenla Romero, Oscar
Hernandez Pereira, Elena Maria
Morán Fernández, Laura
 Correo electrónico
diego.alvareze@udc.es
eva.blanco@udc.es
brais.cancela@udc.es
oscar.fontenla@udc.es
elena.hernandez@udc.es
laura.moranf@udc.es
Web http://campusvirtual.udc.gal
Descripción general Nesta materia abórdase a área da aprendizaxe automática en contornas onde existe unha gran cantidade de datos a analizar. Neste contexto xorden certas problemáticas que fan que moitos dos sistemas de aprendizaxe clásicos non sexan directamente aplicables por motivos de complexidade computacional. A aprendizaxe automática a escala trata dous ámbitos de escalabilidade diferentes. A primeira é o adestramento dun modelo con grandes conxuntos de datos, que necesita as funcionalidades da escalabilidade sobre unha agrupación industrial de computadores para realizar o adestramento. O segundo céntrase na posta en operación do modelo adestrado de maneira que se poida escalar para cumprir as necesidades das aplicacións que o consomen.
Coa aprendizaxe automática a gran escala, o enfoque desprázase cara aos datos e a tarefa. O tempo dedicado á tarefa e os datos é significativo e, a miúdo, moito máis grande do previsto. O obxectivo desta materia é proporcionar unha visión clara sobre os conceptos do “Big Data” no ámbito da aprendizaxe automática.

Competencias del título
Código Competencias del título
A24 CE24 - Comprensión y dominio de las principales técnicas básicas y avanzadas de aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos.
A25 CE25 - Capacidad para identificar la adecuación de cada una de las técnicas de aprendizaje automático a la resolución de un problema, incluyendo los aspectos relacionados con su complejidad computacional o su capacidad explicativa, de acuerdo a los requisitos establecidos.
A26 CE26 - Conocimiento de las herramientas informáticas actuales en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema.
B2 CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
B3 CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
B4 CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
B7 CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables.
B8 CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo.
B9 CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados.
B10 CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones.
C1 CT1 - 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.
C4 CT4 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad.

Resultados de aprendizaje
Resultados de aprendizaje Competencias del título
Identificar y saber afrontar los problemas más frecuentes relacionados con la explosión de datos, conocidos como las "Vs del Big Data" y cómo algunos de ellos afectan a la aplicación de técnicas de Aprendizaje Automático. A25
 B2
B9
B10
 C1
C4
Conocer los métodos y técnicas más representativos y actuales de preprocesado de datos para tratar grandes volúmenes de datos. A24
A25
A26
 B9
 C1
Conocer los métodos y técnicas más representativas y actuales de Aprendizaje Automático en entornos afectados por problemas como el volumen, la velocidad o la privacidad de los datos. A24
A25
A26
 B3
B10
 C1
C4
Saber manejar las herramientas y entornos de trabajo más actuales en el ámbito del aprendizaje automático para tratar grandes volúmenes de datos. A24
 B2
B4
B7
 C1
Conocer técnicas para la representación visual de datos complejos y saber utilizar herramientas de visualización de datos para poder comunicar eficazmente los resultados de los análisis realizados. A24
A26
 B2
B3
B4
B7
B8
B9
B10
 C1
Conocer técnicas analíticas y escalables basadas en grafos. A24
A26
 B2
B8
B9
B10
 C1

Contenidos
Tema Subtema
Problemáticas del análisis de datos en entornos "Big Data"
Tratamiento y visualización de grandes volúmenes de datos Técnicas de preprocesado de datos
Técnicas de visualización
Aprendizaje distribuido Aprendizaje por lotes en plataformas paralelas y distribuidas
Aprendizaje distribuido en vertical y horizontal
Aprendizaje federado Aprendizaje en el borde
Preservación de la privacidad
Tratamiento de datos en continuo Aprendizaje incremental
Aprendizaje en tiempo real
Problemas de cambio de concepto
Analítica de datos basada en grafos

Planificación
Metodologías / pruebas Competéncias Horas presenciales Horas no presenciales / trabajo autónomo Horas totales
Solución de problemas A24 A25 A26 B2 B4 B7 B10 C1 C4 0 40 40
Prueba objetiva A24 A25 A26 B2 B3 B8 B9 3 0 3
Prácticas de laboratorio A24 A25 A26 B2 B3 B7 B9 B10 C1 21 21 42
Sesión magistral A25 A26 B2 B3 B8 B9 21 42 63
 
Atención personalizada 2 0 2
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías Descripción
Solución de problemas Se desarrollarán ejemplos y ejercicios en los que los alumnos tendrán que aplicar los conocimientos teóricos de la asignatura a casos concretos. Se garantizará la interactividad, resolviendo dudas por parte de los alumnos y animándolos a contrastar sus soluciones y plantear cuestiones relevantes. Parte de los problemas realizados serán evaluados.
Prueba objetiva Se llevará a cabo una evaluación de la materia mediante una prueba que incluirá tanto preguntas sobre los contenidos teóricos, como supuestos prácticos y ejercicios de aplicación relacionados con los distintos temas vistos en la asignatura.
Prácticas de laboratorio Se desarrollarán ejemplos y ejercicios en los que los alumnos tendrán que aplicar los conocimientos teóricos de la asignatura a casos concretos. Se garantizará la interactividad, resolviendo dudas por parte de los alumnos y animándolos a contrastar sus soluciones y plantear cuestiones relevantes.
Sesión magistral Clases magistrales donde se expondrán los conceptos teóricos de la asignatura, sin perder nunca de vista ejemplos de aplicación para motivar y contextualizar los contenidos de la materia. Se fomentará la interactividad en clase mediante la formulación de preguntas y se utilizarán distintos recursos como transparencias o demostraciones.

Atención personalizada
Metodologías
Solución de problemas
Prácticas de laboratorio
Descripción
El desarrollo, tanto de las clases magistrales como de las de resolución de problemas y los laboratorios de prácticas, se realizará atendiendo al progreso de los alumnos en las capacidades de comprensión y asimilación de los contenidos impartidos. El avance general de la clase se compaginará con una atención específica a aquellos alumnos que presenten mayores dificultades en la tarea del aprendizaje y con un apoyo adicional a aquellos que presenten mayor desenvoltura y deseen ampliar conocimientos.

La atención personalizada se realiza a través de los siguientes canales:
- Correo-e: De uso para hacer consultas de respuesta corta o solicitar encuentros para resolver dudas.
- Teams: De uso en el horario oficial de tutorías en los que se garantiza una respuesta inmediata. Sin embargo, dado el elevado número de estudiantes, se recomienda solicitud previa de tutoría a través del correo-e.
- Campus virtual: Se pondrán a disposición de los estudiantes “foros temáticos" que resuelvan dudas generales ligadas la actividades específicas como las prácticas.

Evaluación
Metodologías Competéncias Descripción Calificación
Solución de problemas A24 A25 A26 B2 B4 B7 B10 C1 C4 Se valorarán los resultados, forma y condiciones de realización de diversos trabajos puntuables que se detallarán durante el curso. 40
Prueba objetiva A24 A25 A26 B2 B3 B8 B9 Realización obligatoria. Se evaluará el dominio de los conocimientos teóricos y operativos de la asignatura. 60
Prácticas de laboratorio A24 A25 A26 B2 B3 B7 B9 B10 C1 Son obligatorias para poder aprobar los trabajos de la solución de problemas e influyen en la calificación final de estos, pero no se puntúan al margen de la nota otorgada a la solución de problemas. 0
 
Observaciones evaluación

Para poder aprobar la materia el estudiante deberá cumplir los siguientes requisitos (puntuación entre 0 y 10 en todas las actividades):

- Lograr una nota superior o igual a 3,5 en la prueba mixta final realizada al final del cuatrimestre.

- Lograr una nota superior o igual a 5 al realizar la suma de todas las pruebas de evaluación.

Notas sobre los trabajos prácticos y solución de problemas:

- Todas las actividades tendrán una única oportunidad para su entrega durante lo curso académico, salvo la prueba objetiva final que tendrá dos oportunidades oficiales de examen.

Sobre la responsabilidad compartida de los trabajos en grupo.

- En las actividades que se llevan a cabo en grupos, todos los miembros del grupo serán responsables solidarios del trabajo realizado y entregado, así como de las consecuencias que se deriven del incumplimiento de las normas de autoría del mismo.

Matrícula a tiempo parcial

- Los alumnos matriculados a tiempo parcial tendrán que entregar las
actividades evaluables en las condiciones y plazos específicos que se
establecerán. Será obligación del estudiante comunicar su situación al profesorado.

No presentado

-
Quien no concurra a la prueba objetiva en el período oficial de
evaluación tendrá la condición de “No presentado” (NP). En la primera
oportunidad, esto será extensible a quien no entregue las prácticas en
tiempo y forma.

Fuentes de información
Básica Bill Chambers and Matei Zaharia (2018). Spark : the definitive guide :big data processing made simple . Sebastopol, CA : O'Reilly Media, Inc.
Jules S. Damji, Brooke Wenig, Tathagata das, and Denny Lee (2020). Learning Spark : Lightning-fast big data analytics. Sebastopol, CA : O'Reilly

Complementária


Recomendaciones
Asignaturas que se recomienda haber cursado previamente
Procesamiento Paralelo/614G02023
Aprendizaje Automático III/614G02026
Aprendizaje Automático I/614G02019
Aprendizaje Automático II/614G02021

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