Última actualización: 29/04/2019


Curso Académico: 2019/2020

Computación de altas prestaciones para Big Data en las Empresas
(17231)
Titulación: Máster U. en Métodos Analíticos para Datos Masivos: Big Data / Master in Big Data Analytics (322)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: GARCIA BLAS, FRANCISCO JAVIER

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Competencias que adquiere el estudiante y resultados del aprendizaje.
Competencias Básicas * 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 * 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 * 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 Generales * Aplicar los fundamentos teóricos de las técnicas de recogida, almacenamiento, tratamiento y presentación de información, especialmente para grandes volúmenes de datos, como base para el desarrollo y adaptación de dichas técnicas a problemas concretos * Identificar diferentes técnicas para almacenar, replicar y distribuir grandes cantidades de datos, y diferenciarlas en función de sus características teóricas y prácticas * Utilizar habilidades para el trabajo en equipo y para relacionarse con otros de forma autónoma Competencias Específicas * Aplicar conocimientos básicos de programación y bases de datos sobre los que basar la enseñanza de tecnologías y métodos avanzados para el tratamiento de grandes volúmenes de datos * Identificar las oportunidades que las técnicas de tratamiento de datos pueden suponer para la mejora de la actividad de empresas y organizaciones * Disponer de conocimientos básicos y fundamentales de arquitectura de computadores, arquitecturas de red y sistemas de almacenamiento * Aplicar diferentes técnicas para almacenar, replicar y distribuir grandes cantidades de datos * Identificar y seleccionar las herramientas software adecuadas para el tratamiento de grandes cantidades de datos * Hacer uso eficiente de plataformas distribuidas para distribución de contenido y técnicas para el almacenamiento de su topología Resultados de aprendizaje * Manejo de los conceptos básicos de arquitectura y tecnología computacional y de redes. * Capacidad de analizar y diseñar arquitecturas y tecnologías de altas prestaciones para grandes volúmenes de datos. * Conocimiento de técnicas de diseño y desarrollo de aplicaciones de computación de altas prestaciones. * Conocimientos para analizar y modelar las tecnologías más adecuadas para cada problema, adecuándolas a las especificaciones de los casos concretos
Descripción de contenidos: Programa
1.- Introducción a procesamiento Big Data 2.- Paradigma Map-Reduce 3.- Sistemas de almacenamiento en entornos Big Data * HDFS como sistema de ficheros distribuido * Comandos básicos para la gestión de ficheros en HDFS 4.- Frameworks para la computación intensiva en datos * Introducción a Apache Hadoop * Programación funcional en Scala * Apache Spark * Acceso y procesamiento sobre un gran volumen de datos * Procesamiento de Streaming de datos 4.- Gestión de recursos computacionales * Introducción a Apache Yarn * Despliegue de aplicaciones Big Data en entornos corporativo * Herramientas para monitorización de aplicaciones Big Data 5.- Casos de uso en la empresa
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas: * Clase teórica * Clases prácticas * Prácticas de laboratorio * Trabajo individual del estudiante Metodologías docentes: * Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. Lectura crítica de textos recomendados por el profesor de la asignatura:Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 50
  • Peso porcentual del resto de la evaluación 50
Bibliografía básica
  • Holden Karau, Andy Konwinski, Patrick Wendell & Matei Zaharia. Learning Spark. O¿Reilly. 2015
  • Martin Odersky, Lex Spoon, Bil Venners. Programming in Scala. Artima.

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.


Dirección web para más información: https://www.arcos.inf.uc3m.es/fjblas