Universidad Pública de Navarra



Año Académico: 2023/2024
NULL_VALUE
Código: 721202 Asignatura: Computación Avanzada y sus Aplicaciones a Ingeniería
Créditos: 6 Tipo: Curso: NULL_VALUE Periodo: 1º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
SANZ DELGADO, JOSÉ ANTONIO   [Tutorías ] GALAR IDOATE, MIKEL (Resp)   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

Módulo: MTI. Módulo de Tecnologías Informáticas

Materia: Computación

Subir

Descripción/Contenidos

En esta asignatura se van a estudiar diferentes técnicas para hacer un cómputo eficiente de los datos. Se presentarán diferentes técnicas para el tratamiento de los datos. A partir de ellas, el alumno debe ser capaz de planear y desarrollar soluciones a diversos problemas de la vida real. También se iniciará a los alumnos en el tratamiento de grandes cantidades de datos (Big Data) y en el paradigma de programación Map-Reduce para el procesamiento en paralelo. Con este objetivo se introducirá al alumno en el uso de Apache Spark para procesar y extraer conocimiento de grandes bases de datos. 

Subir

Competencias genéricas

  • CG8 - Capacidad para la aplicación de los conocimientos adquiridos y de resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar estos conocimientos.
  • CB6 - 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.
  • CB7 - 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.
  • CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Subir

Competencias específicas

  • CMTI7 - Capacidad para comprender y poder aplicar conocimientos avanzados de computación de altas prestaciones y métodos numéricos o computacionales a problemas de ingeniería.
  • CMTI9 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento.

Subir

Resultados aprendizaje

R1. Saber adquirir, obtener, formalizar y representar el conocimiento humano en forma computable.
R2. Manejar las herramientas metodológicas y de implementación para la simulación de altas prestaciones en problemas y aplicaciones de ingeniería.
R3. Utilizar entornos y herramientas para medir el rendimiento en problemas de computación aplicados a la ingeniería.
R4. Diseñar sistemas inteligentes adecuados para tratar problemas de la vida real.
R5. Utilizar sistemas expertos avanzados para resolver problemas en ingeniería.
R6. Comprender las técnicas de aprendizaje bayesiano.

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases expositivas/participativas 28  
A-2 Prácticas 27  
A-3 Realización de proyectos en grupo   30
A-4 Estudio y trabajo autónomo del estudiante   60
A-5 Tutorías y pruebas de evaluación 5  
Total 60 90

Subir

Idiomas

Castellano, parte del material está en Inglés.

Subir

Evaluación

Resultado de aprendizaje Actividad de evaluación Peso (%) Carácter recuperable Nota mínima requerida
 R1, R4, R5, R6  Realización de una o más pruebas  teórico-prácticas de los conceptos de la materia  40%  Sí 4 sobre 10
 R1, R2, R3, R4, R5, R6  Trabajos, informes y presentaciones en los que se apliquen, analicen, desarrollen o recojan una o más de las partes de la asignatura  50% Sí 5 sobre 10
 R1, R4, R5, R6  Pruebas de duración corta para la evaluación continua  10% Sí -

 

La evaluación de recuperación consistirá en un examen teórico-práctico que recuperará los apartados primero y tercero. Para recuperar el apartado segundo, el alumno deberá volver a entregar y presentar aquellos trabajos y memorias con calificación inferior a 5.

 

Aquellos estudiantes que no lleguen a la nota mínima en los apartados primero o segundo, tendrán como calificación final la mínima de estas dos.

 

 

Subir

Temario

1. Introducción a la computación avanzada y la minería de datos

2. Problemas de clasificación y regresión. Evaluación y medidas de rendimiento

3. Introducción al Big Data

4. Programación de altas prestaciones en Apache-Spark

5. Métodos computacionales avanzados para el aprendizaje

Subir

Programa de prácticas experimentales

Práctica 1: Clasificación en teledetección

Práctica 2: Evaluación y comparativa de modelos

Práctica 3: Implementación de un modelo de clasificación

Práctica 4: Aprendizaje semi-supervisado

Práctica 5: Clasificación con conjuntos de datos desbalanceados

Práctica 6: Big Data - RDDs

Práctica 7: Big Data - DataFrames

Práctica 8: Big Data - Machine Learning

Trabajo final de la asignatura

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


Introducción a la Minería de Datos (2004). Hernández, Ramírez y Ferri. Prentice Hall. Editorial Pearson, ISBN: 8420540919

Pattern Classification (2000). Richard O. Duda, Peter E. Hart, David G. Stork.  Wiley-Interscience, ISBN: 978-0471056690

Data mining and knowledge discovery handbook (2010). Odied Maimon y Lior Rokach. Springer. ISBN: 978-0387098234

Big Data: A Revolution That Will Transform How We Live, Work and Think (2013). Victor Mayer-Schonberger. John Murray Publishers Ltd., ISBN: 978-1848547926

Mahout in Action (2011). Sean Owen, Robin Anil, Ted Dunning. Manning Publications, ISBN: 978-1935182689

Hadoop: The Definitive Guide (2015). Tom White. O'Reilly Media, ISBN: 978-1491901632

Mining of Massive Datasets (2014). Jure Lescovec, Anand Rajaraman, Jeffrey D. Ullman. Cambridge University Press, ISBN: 978-1107077232

Advanced Analytics with Spark: Patterns for Learning from Data at Scale (2015). Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills. O'Reilly Media, ISBN: 978-1491912768

High Performance Spark: Best practices for scaling and optimizing Apache Spark (2017), Holden Karau, Rachel Warren. O'Reilly Media, ISBN:  978-1491943205

Spark - The Definitive Guide: Big data processing made simple (2018), Bill Chamers, Matei Zaharia. O'Reilly Media, ISBN: 978-1491912218

Learning Spark, 2nd Edition: Lightning-Fast Data Analytics (2020), Jules S. Damji, Brooke Wenig, Tathagata Das, Denny Lee. O'Reilly Media, ISBN: 978-1492050049

Spark in Action, Second Edition (2020), Jean-Georges Perrin. Manning Publications, ISBN: 978-1617295522

Large-scale Data Analytics with Python and Spark: A Hands-on Guide to Implementing Machine Learning Solutions (publicación estimada, septiembre 2023). Cambridge University Press, ISBN: Pendiente.

Subir

Lugar de impartición

Las clases de teoría y de prácticas se imparten en el aulario y los edificios departamentales del Campus de Arrosadía.

Subir