Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa
Universidad Pública de Navarra
| Código: 72973 | Asignatura: Computación avanzada y sus aplicaciones a ingeniería | ||||
| Créditos: 6 | Tipo: Obligatoria | Curso: 1 | Periodo: 1º S | ||
| Departamento: | |||||
| Profesorado: | |||||
| SANZ DELGADO, JOSÉ ANTONIO [Tutorías ] | GALAR IDOATE, MIKEL (Resp) [Tutorías ] | ||||
Descripción/Contenidos
Descriptores
Minería de datos. Aprendizaje automático. Ingeniería y extracción de conocimiento. Manejo de grandes cantidades de datos. Big Data. Hadoop. Spark.
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.
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.
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.
Metodología
|
Metodología - Actividad |
Horas Presenciales |
Horas no presenciales |
|
A-1 Clases expositivas/participativas |
28 |
|
|
A-2 Prácticas |
30 |
|
|
A-3 Realización de proyectos en grupo |
|
30 |
|
A-4 Lecturas de material |
|
12 |
|
A-5 Estudio individual |
|
44 |
|
A-6 Exámenes, pruebas de evaluación |
4 |
|
|
A-7 Tutorías individuales |
2 |
|
|
|
|
|
|
Total |
64 |
86 |
Evaluación
|
Resultado de aprendizaje |
Sistema de evaluación |
Peso (%) |
Carácter recuperable |
|
R1, R4, R5, R6 |
Realización de una o más pruebas teórico-prácticas de los conceptos de la materia |
40% Nota mínima para que pondere en la calificación final: 5 sobre 10 |
Recuperable mediante prueba escrita |
|
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% |
No recuperable |
|
R1, R4, R5, R6 |
Pruebas de duración corta para la evaluación continua |
10% |
Recuperable mediante prueba escrita |
La evaluación de recuperación consistirá en un examen donde el estudiante recuperará las dos actividades recuperables (50% de la asignatura).
La calificación final de aquellos estudiantes que no obtengan un 5 sobre 10 en la actividad 1 será el máximo entre la nota obtenida en la evaluación de recuperación y la obtenida en la actividad 1 (antes de recuperarla).
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
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. Odied Maimon y Lior Rokach (2010). Springer. ISBN: 978-0387098234
Big Data: A Revolution That Will Transform How We Live, Work and Think (2013). Victor Mayer-Schonberger. John Murray, ISBN: 978-1848547926
Mahout in Action (2011). Sean Owen, Robin Anil, Ted Dunning, Ellen Friedman 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
Learning Spark: Lightning-Fast Big Data Analysis (2015). Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia. O'Reilly Media, ISBN: 978-1449358624
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