Identifying Data 2022/23
Subject (*) Data Management in Intelligent Scenarios Code 614G02041
Study programme
Grao en Ciencia e Enxeñaría de Datos
Descriptors Cycle Period Year Type Credits
Graduate 2nd four-month period
 Fourth Optional 6
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Enxeñaría de Computadores
Coordinador
Gonzalez Lopez, Miguel
 E-mail
miguel.gonzalez.lopez@udc.es
Lecturers
Gonzalez Lopez, Miguel
 E-mail
miguel.gonzalez.lopez@udc.es
Web
General description O obxectivo é presentar as arquitecturas, aplicacións e servizos de xestión de datos en escenarios intelixentes prácticos.

Study programme competencies
Code Study programme competences
A11 CE11 - Capacidade para coñecer, despregar, configurar e utilizar infraestruturas distribuídas de altas prestacións para o almacenamento, procesamento e análise masiva de datos.
A13 CE13 - Coñecemento e aplicación das características, funcionalidades e estrutura de Internet e as redes de computadores.
A15 CE15 - Capacidade de dar solución a problemas de integración en función das estratexias, estándares e tecnoloxías dispoñibles.
A23 CE23 - Coñecemento e capacidade de aplicación dos conceptos, metodoloxías e tecnoloxías de procesado de audio, imaxe e vídeo en diferentes formatos.
A25 CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos.
A27 CE27 - Compresión e dominio de fundamentos e técnicas básicas para a procura e o filtrado de información en grandes coleccións de datos.
A28 CE28 - Comprensión e dominio dos fundamentos e técnicas para o procesado de datos escritos, tanto en linguaxe formal como en linguaxe natural.
B2 CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo
B3 CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética
B4 CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado
B7 CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables.
B8 CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo.
B9 CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados.
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 desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.

Learning aims
Learning outcomes Study programme competences
Understanding data management architectures in smart scenarios. A13
A28
 B3
B4
Learning about data management applications in smart scenarios. A25
 B8
Knowing the provision of smart services in practical scenarios through the use of techniques and methods of data science and engineering A11
A15
A23
A27
 B2
B7
B9
B10
 C1
C4

Contents
Topic Sub-topic
1. Smart data and big data. 1.1 Smart Data
1.2 Big Data
2. Smart scenarios 2.1 Smart cities
2.2 Smart factory
3. ICT architectures for smart scenarios 3.1 Data source layerç
3.2 Data ingestion, processing and filtering layer
3.3 Data storage layer
3.4 Data analysis layer
3.5 Publishing and visualization layer
3.6 Communications layer
3.7 Authentication, authorization and access control layer
4. Examples of ICT architectures for smart scenarios 4.1 Examples
5. Application development in smart scenarios. 5.1 Context-sensitive applications
5.2 Connection to the Internet of Things (IoT)
5.3 Processing complex events in real time
5.4 Authentication, authorization and access control
5.5 Open data
5.6 Big data analysis
5.7 Dashboard applications
5.8 Real-time multimedia stream processing
5.9 Advanced user experience. 3D Visualization and Augmented Reality
5.10 Cloud Deployment

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A11 A13 A15 A23 A25 A28 C4 21 51 72
ICT practicals A11 A13 A15 A23 A25 A27 B2 B3 B4 B7 B8 B9 B10 C1 21 51 72
Mixed objective/subjective test A11 A13 A15 A23 A25 A27 A28 B2 B3 B4 B7 B8 B9 B10 C1 C4 3 0 3
 
Personalized attention 3 0 3
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Guest lecture / keynote speech Expository sessions of theory, as well as examples and illustrative problems of the subject.
ICT practicals Explanation and monitoring of ICT practices on the contents of the subject. The FIWARE platform will be used.
Mixed objective/subjective test The content of the keynote sessions will be assessed through the final examination.

Personalized attention
Methodologies
Guest lecture / keynote speech
ICT practicals
Description
Resolution of doubts about the master sessions and the practices of the subject.

Assessment
Methodologies Competencies Description Qualification
ICT practicals A11 A13 A15 A23 A25 A27 B2 B3 B4 B7 B8 B9 B10 C1 It will be evaluated through the working reports on the practices carried out by the student. The delivery dates of the different practice reports will be spaced throughout the semester. 50
Mixed objective/subjective test A11 A13 A15 A23 A25 A27 A28 B2 B3 B4 B7 B8 B9 B10 C1 C4 The content of the keynote sessions will be assessed through the final exam. 50
 
Assessment comments

On the second opportunity, only a final exam corresponding
to the keynote sessions will be held. The ICT practicals grade will be the one
obtained during the course through the continuous evaluation of the student's
work.





The fraudulent performance of tests or evaluation activities, once
verified, will directly mean the qualification of '0' fail in the subject in the corresponding opportunity.

Sources of information
Basic Marz, Nathan; Warren, James (2013). Big Data: Principles and best practices of scalable realtime data systems. Manning Publications
(). https://www.fiware.org/.

Complementary


Recommendations
Subjects that it is recommended to have taken before
Parallel Processing/614G02023
Analytic Databases/614G02025
Database Modeling/614G02016

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.