109810 - BIG DATA

Tipo de asignatura: optativa

Coordinador: Joan Triadó Aymerich

trimestre: Segundo trimestre

Créditos: 6

• Inglés

Curso impartido en Inglés

Asignatura optativa enmarcada en el bloque de la mención en Fabricación Inteligente en la Industria 4.0.

Su objetivo es ayudar al estudiante a dominar los fundamentos del Big Data, entender la importancia de la calidad de los datos e introducirse en el uso de herramientas analíticas aplicadas a entornos de big data.

El curso describe el proceso de examinar y tratar grandes cantidades de datos y de diferente naturaleza para descubrir patrones ocultos, obtener nuevas perspectivas y cómo visualizar los resultados obtenidos. Se presentan algunos de los avances más utilizados en la actualidad agrupados en lo que se denomina Deep Learning y se presenta la utilización de entornos de digital twin.

Contenidos

La calificación final es la suma ponderada de las calificaciones de las actividades de aprendizaje:

Q = 0.25:1 Pex0.35 + 0.15:0.25 Proy + XNUMX:XNUMX ExiPar + XNUMX:XNUMX Lab

Observaciones relativas a la Recuperación

La parte de teoría de la asignatura Pex1 sí es recuperable así como la parte de Proyecto. El resto de partes no son recuperables. Para los estudiantes que asistan al examen de recuperación su calificación Pex1 será la obtenida en esta prueba y su calificación final (Q) se calculará con las fórmulas anteriormente detalladas y en ningún caso será superior a 7.

Normas de realización de las actividades

Observaciones:

Para superar las actividades evaluativas, los estudiantes deberán demostrar el Nivel MECES - 2:

• (punto c) tener la capacidad de recopilar e interpretar datos e informaciones sobre las que fundamentar sus conclusiones incluyendo, cuando sea necesario y sea pertinente, la reflexión sobre asuntos de índole social, científica o ética en el ámbito de su campo de estudio

• (punto e) saber comunicar a todo tipo de audiencias (especializadas o no) de manera clara y precisa, conocimientos, metodologías, ideas, problemas y soluciones en el ámbito de su campo de estudio;

• (punto f) ser capaces de identificar sus propias necesidades formativas en su campo de estudio y entorno laboral o profesional y de organizar su propio aprendizaje con un alto grado de autonomía en todo tipo de contextos

Para cada actividad, los docentes informarán de las normas y condiciones particulares que las rijan

Las actividades unipersonales presuponen el compromiso del estudiante de realizarlas de manera individual y sin ningún tipo de colaboración con otras personas. Se considerarán suspendidas (calificación 0) todas aquellas actividades en que el estudiante no se ajuste a este compromiso de individualidad, independientemente de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.

Igualmente, las actividades que se deban realizar en grupo presuponen el compromiso por parte de los estudiantes que lo integran de realizarlas en el seno del grupo y sin ningún tipo de colaboración con otros grupos o personas que sean ajenas (individualidad grupal). Se considerarán suspendidas (calificación 0) todas aquellas actividades en las que el grupo no haya respetado este compromiso con independencia de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.

En el caso de actividades que puedan hacerse en grupo, cuando en alguna de ellas no se respete el compromiso de individualidad grupal y / o utilicen medios fraudulentos en su realización, la calificación de la actividad será, para todos los miembros del grupo, de 0 puntos (Nota Actividad = 0) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.

Cualquier actividad no entregada se considerará puntuada con cero puntos

Es potestativo de los docentes aceptar o no entregas fuera de los plazos que se indiquen. En caso de que estas entregas fuera de plazo se acepten, es potestativo del docente decidir si aplica alguna penalización y la cuantía de esta

Fundamentals of Machine Learning for Predictive Fecha Analytics: Algorithms, worked Examples, and Case Studies (MIT Press) 1st Edition John D. Kelleher, Brian Mac Namee and Aoife D'Arcy

The MIT Press; 1 edition July - 2015

ISBN-978 0262029445

Practical Machine Learning with H2O: Powerful, Scalable Technical for Deep Learning and AI 1st Edition Darren Cook

O'Reilly Media; 1 edition, December 2016

ISBN-978 1491964606

Practical Big Data Analytics: Hands-on techniques para implementar enterprise analytics and machine learning usando Hadoop, Spark, NoSQL and R. by Nataraj Dasgupta (Packt Publishing; 1st Ed - 2018)