Última actualización: 07/06/2019


Curso Académico: 2019/2020

Big Data para Misiones Espaciales
(18103)
Titulación: Máster Universitario en Ingeniería Espacial (360)
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 CG1 Capacidad para la formulación, comprobación crítica y defensa de hipótesis, así como el diseño de pruebas experimentales para su verificación. CG5 Capacidad para manejar el idioma inglés, técnico y coloquial. Competencias Específicas CE15 Capacidad para desarrollar una actividad profesional en una organización, siendo consciente del contexto de negocio y empresa.
Descripción de contenidos: Programa
Temas comunes: Se considera relevante para el programa actual que los estudiantes pueden configurar parte de su currículo de ingeniería espacial de acuerdo con sus intereses y motivaciones, de manera personalizada. Para este fin, este tema incluye principalmente un conjunto de temas opcionales. La opcionalidad también tiene un doble beneficio: permite primero monitorear los temas de mayor demanda e interés por parte de los estudiantes y, en segundo lugar, adaptar cada pocos años la oferta de cursos a las nuevas tendencias en ingeniería espacial. Dado que el número de cursos electivos es equivalente a 5 de 3 ECTS cada uno, la oferta del maestro será equivalente a 10 cursos de 3 ECTS. Se requiere un número mínimo de estudiantes inscritos para que los cursos tengan lugar. Este número no puede ser, en ningún caso, superior al 50% de los estudiantes matriculados en el máster. Las pasantías en la empresa se ofrecen dentro de este tema, opcionalmente. De la misma manera, los estudiantes podrán participar en proyectos de desarrollo supervisados, en los que trabajarían de manera práctica y especializada algunos de los aspectos tratados en las materias anteriores (1-4). De la misma manera, los temas de otros maestros que cubren temas de interés para la ingeniería espacial también se considerarán dentro de esta materia. Finalmente, este asunto incluirá, dentro de la oferta opcional, la mentoría regulada de estudiantes por profesionales en el sector espacial. Temas específicos a cada asignatura: Big Data para misiones espaciales. El programa de esta asignatura incluye: estadísticas para el análisis de datos; fundamentos tecnológicos en el mundo del Big Data; optimización para datos a gran escala; aprendizaje automático; analítica de datos. 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 AF2 Clases prácticas AF3 Prácticas en aula de informática AF4 Prácticas de laboratorio AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Actividades de evaluación Código actividad Nº Horas totales Nº HorasPresenciales % Presencialidad Estudiante AF1 120 120 100 AF2 60 60 100 AF3 15 15 100 AF4 15 15 100 AF6 100 0 0 AF7 430 0 0 AF8 20 20 100 TOTAL MATERIA 760 230 30
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40
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
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
Recursos electrónicosRecursos Electrónicos *
(*) 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.