MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER)

Tamaño: px

Comenzar la demostración a partir de la página:

Download "MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER)"

María Nieves Palma Ríos
hace 5 años
Vistas:

GUIA DOCENTE DE LA ASIGNATURA BIG DATA Y CLOUD COMPUTING MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Big data y cloud Big data y cloud Big data y cloud 1º 2º 6 OPTATIVO PROFESOR(ES)

1 GUIA DOCENTE DE LA ASIGNATURA BIG DATA Y CLOUD COMPUTING MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Big data y cloud Big data y cloud Big data y cloud 1º 2º 6 OPTATIVO PROFESOR(ES) DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS (Dirección postal, teléfono, correo electrónico, etc.) Profesor responsable: Herrera Triguero, Francisco Listado de profesores: Herrera Triguero, Francisco; Benítez Sánchez, José Manuel; Medina Rodríguez, Juan Miguel; Blanco Medina, Ignacio MÁSTER EN EL QUE SE IMPARTE ETSI Informática y de Telecomunicación. Universidad de Granada C/ Periodista Daniel Saucedo, s/n E GRANADA SPAIN HORARIO DE TUTORÍAS OTROS MÁSTERES A LOS QUE SE PODRÍA OFERTAR Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores PRERREQUISITOS Y/O RECOMENDACIONES (si procede) Sin requisitos previos. BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER) Cloud Computing. Tecnologías para el procesamiento de datos en la nube. Almacenamiento Masivo de Datos: Datawarehouse, NoSQL, bases de datos no estructuradas. Big data, procesamiento masivo de datos, diseño de algoritmos, entornos MapReduce, Hadoop, Spark. COMPETENCIAS GENERALES Y ESPECÍFICAS Competencias Generales: CG1. Capacidad de acceso y gestión de la información Página 1

2 CG2. Capacidad de análisis y síntesis CG5. Capacidad para tomar decisiones de forma autónoma Competencias Específicas: EB3. Capacidad de utilización de herramientas avanzadas para modelar y resolver problemas en los que se dispone de un tamaño enorme de datos. OBJETIVOS (EXPRESADOS COMO RESULTADOS ESPERABLES DE LA ENSEÑANZA) El alumno aprenderá a manejar las tecnologías de cloud, y almacenamiento y procesamiento de grandes volúmenes de datos bajo las tecnologías actuales de Big Data, tales como Hadoop y Spark. En particular, el alumno: - Conocerá y manejará la instalación de sistemas de cloud, así como el diseño de servicios. - Aprenderá a manejar bases de datos NoSQL en la nube. - Aprenderá cómo resolver problemas de aprendizaje en Big Data, aplicando las distintas técnicas conocidas para la etapa de modelado, así como técnicas de preprocesamiento de datos en aquellos problemas en los que la etapa de preprocesamiento sea necesaria o recomendable, todo ello bajo las tecnologías distribuidas de cloud y big data. Al mismo tiempo y de manera práctica el alumno deberá: - Saber aplicar las técnicas anteriormente mencionadas para modelar y resolver problemas reales o académicos de big data. - Conocer las principales herramientas software existentes para el manejo de información en la nube. TEMARIO DETALLADO DE LA ASIGNATURA - Introducción a Big Data y Cloud Computing - Cloud Computing - Introducción a las tecnologías Cloud. - Herramientas de Cloud abiertas: OpenStack, OpenNebula. - Herramientas Cloud Comerciales: GNUBILA de INDRA, EC2 de AMAZON, - Almacenamiento Masivo de Datos - Datawarehouse: De las herramientas clásicas al procesamiento de datos no estructurados. Herramienta Hive - NoSQL Página 2

3 - Bases de datos no estructuradas. Cassandra, HBASE - Big Data: Procesamiento Masivo de Datos - Diseño de algoritmos para Big Data: Proceso Map y diseño del proceso Reduce - Plataformas Hadoop y Spark. Paquetes Mahout y MLLib BIBLIOGRAFÍA - Mining of Massive Datasets, Anand Rajaraman, Jure Leskovec, Jeffrey D. Ullman, Cambridge University Press, "NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence", Proomodkumar J. Sadalage, Martin Fowler, Addison-Wesley, Cloud Computing: Concepts, Technology & Architecture", Thomas Erl, Zaigham Mahmood, Ricardo Puttini, Prentice Hall, ENLACES RECOMENDADOS Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: Fundación Apache METODOLOGÍA DOCENTE MD1. Lección magistral/expositiva. MD2. Resolución de problemas y estudio de casos prácticos. MD3. Prácticas de laboratorio. MD4. Seminarios. MD5. Análisis de fuentes y documentos. MD6. Realización de trabajos en grupo. MD7. Realización de trabajos individuales. EVALUACIÓN (INSTRUMENTOS DE EVALUACIÓN, CRITERIOS DE EVALUACIÓN Y PORCENTAJE SOBRE LA CALIFICACIÓN FINAL, ETC.) Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los Página 3

4 estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional. Convocatoria ordinaria: La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos: Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas. Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación. Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados. En la siguiente tabla se detalla el porcentaje sobre la calificación final de cada parte: Descripción del Sistema de Evaluación Ponderación Evaluación de la Parte Teórica 45% Evaluación de la Parte Práctica 45% Evaluación de los Seminarios y otras actividades 10% Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada ( Para acogerse a la evaluación única final, el Página 4

5 estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua. La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente. Convocatoria extraordinaria: En las convocatorias extraordinarias se utilizará la evaluación única final, tal y como se ha descrito más arriba. RÉGIMEN DE ASISTENCIA La asistencia a las clases presenciales no será obligatoria, aunque la participación en las actividades planteadas podrá ser tenida en cuenta en el sistema de evaluación continua. INFORMACIÓN ADICIONAL Página 5

Documentos relacionados

MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN

GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie