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 ] |
Minería de datos. Aprendizaje automático. Ingeniería y extracción de conocimiento. Manejo de grandes cantidades de datos. Big Data. Hadoop. Spark.
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 - 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 |
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).
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
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