Universidad Pública de Navarra



Año Académico: 2017/2018 | Otros años:  2016/2017  |  2015/2016  |  2014/2015 
Máster Universitario en Ingeniería Informática por la Universidad Pública de Navarra
Código: 72973 Asignatura: Computación avanzada y sus aplicaciones a ingeniería
Créditos: 6 Tipo: Obligatoria Curso: 1 Periodo: 1º S
Departamento: Automática y Computación
Profesores
SANZ DELGADO, JOSÉ ANTONIO GALAR IDOATE, MIKEL (Resp)

Partes de este texto:

 

Módulo/Materia

Computación

Subir

Descriptores

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

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 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

Subir

Relación actividades formativas-competencias

Competencia Actividad formativa
CB6, CB7, CMTI7, CMTI9 A-1 Clases expositivas/participativas
CG8, CB6, CB7, CMTI7, CMTI9 A-2 Prácticas
CG8, CB6, CB7, CB9, CMTI7, CMTI9 A-3 Debates, puestas en común, tutoría grupos
CG8, CB6, CB7, CB9, CB10, CMTI7, CMTI9 A-4 Elaboración de trabajo
CB6, CMTI7, CMTI9 A-5 Lecturas de material
CB6, CB7, CB10, CMTI7, CMTI9 A-6 Estudio individual
CB7, CB9, CMTI7, CMTI9 A-7 Exámenes, pruebas de evaluación
CB6, CB10, CMTI7, CMTI9 A-8 Tutorías individuales

Subir

Idiomas

Castellano, parte del material está en Inglés.

Subir

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 calificación final de aquellos estudiantes que no obtengan un 5 sobre 10 en la actividad 1 será la nota obtenida en dicha actividad.

Subir

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

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

Bibliografía

Acceda a la bibliografía que su profesor 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

Subir