Última actualización: 19/05/2019


Curso Académico: 2019/2020

Procesado de Datos
(18123)
Titulación: Máster Universitario en Internet de las Cosas: Tecnologías Aplicadas (356)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: MOLINA BULLA, HAROLD YESID

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Competencias que adquiere el estudiante y resultados del aprendizaje.
Competencias Básicas 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 CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios 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 generales CG3 Capacidad proactiva de abordaje y resolución de los problemas planteados bajo entornos nuevos o poco conocidos, dentro del contexto de IoT. CG4 Capacidad de trabajo en equipo, integrando enfoques multidisciplinares. CG5 Capacidad de comunicación pública de los conceptos, desarrollos y resultados, relacionados con actividades en IOT, adaptada al perfil de la audiencia. CG6 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, con la capacidad de integrar conocimientos. CG7 Capacidad para saber comunicar (de forma oral y escrita) las conclusiones - y los conocimientos y razones últimas que las sustentan - a públicos especializados y no especializados de un modo claro y sin ambigüedades. CG8 Capacidad para el aprendizaje continuado, autodirigido y autónomo. Competencias específicas CE7 Habilidad para aplicar los diferentes métodos de tratamiento y soporte masivo de datos dinámicos en instalaciones energéticas. CE8 Capacidad para diseñar, planificar y controlar aplicaciones industriales mediante tecnologías IoT. CE9 Habilidades de programación y simulación de los sistemas de percepción y control a varios niveles (alto-intermedio-bajo): OpenCV, ROS, Gazebo, etc. CE10 Habilidad de integrar los diferentes sistemas de percepción y control de procesos tanto desde el punto de vista hardware como software. RESULTADOS DEL APRENDIZAJE Los resultados del aprendizaje que los estudiantes deberán tener son: - Conocer los elementos básicos sobre la visión por computador aplicada a IoT. - Capacidad de análisis, diseño y programación de aplicaciones basadas en visión por computador. - Conocer las herramientas IoT de eficiencia energética en edificios y viviendas inteligentes. - Capacidad para diseñar placas de circuito impreso para implementar un sistema electrónico digital. - Capacidad para entender las implicaciones térmicas del consumo de energía de los componentes del sistema y su implicación para el diseño del encapsulado. - Capacidad para diseñar el sistema de alimentación requerido para proporcionar las tensiones y corrientes que necesitan los diferentes sistemas electrónicos integrados. - Capacidad para resolver problemas de regresión, clasificación y, en general, de análisis de datos. - Conocer y aplicar los sistemas de procesado de grandes cantidades de datos generados en tiempo real a través de dispositivos IoT. - Capacidad de diseñar soluciones de procesamiento de datos en entornos IoT.
Descripción de contenidos: Programa
3. Procesado de datos a. Técnicas de aprendizaje supervisado para transmisión de datos b. Técnicas de aprendizaje no supervisado para transmisión de datos c. Procesado de datos en batch (hadoop/spark) y d. Procesado de datos en stream (spark/storm/flink) e. Gestión de grandes volúmenes de datos, diferenciación entre batch y stream processing f. Arquitecturas de balanceo en backends varnish, kafka g. Arquitecturas de almacenamiento escalables cassandra / Hbase
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS DEL PLAN DE ESTUDIOS REFERIDAS A MATERIAS AF1 Clase teórica AF4 Prácticas de laboratorio AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF1 52 52 100 AF4 32 32 100 AF6 80 0 0 AF7 128 0 0 AF8 8 8 100 TOTAL MATERIA 300 92 31% METODOLOGÍAS DOCENTES FORMATIVAS DEL PLAN REFERIDAS A MATERIAS MD1 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. MD2 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. MD3 Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo. MD4 Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos MD5 Elaboración de trabajos e informes de manera individual o en grupo. MD6 Practicas tanto en empresas colaboradoras como en laboratorios de reconocido prestigio.
Sistema de evaluación
  • Peso porcentual del Examen Final 80
  • Peso porcentual del resto de la evaluación 20
Bibliografía básica
  • George, Lars. HBase: The Definitive Guide. O'Reilly.
  • H. Karau, A. Konwinski, P. Wendell, and M. Zaharia,. Learning Spark¿: Lightning-Fast Big Data Analysis. O'Reilly. 2015
  • Sandy Ryza . Advanced analytics with spark¿: patterns for learning from data at scale. O'Reilly. 2015
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • PENTREATH, N. y PAUNIKAR, A. Machine learning with Spark : create scalable machine learning applications to power a modern data-driven business using Spark. Packt Publishing. 2015
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


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.