
Gestión de Datos
Código: 108254Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Inteligencia Artificial / Bachelor in Artificial Intelligence | FB | 2 |
Profesor/a de contacto
- Nombre :
- Eduardo Cesar Cabrera Flores
- Correo electrónico :
- eduardocesar.cabrera@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Se recomienda tener conocimientos de programación en Python o cualquier otro lenguaje de programación de alto nivel, así como estar familiarizado con el sistema operativo Linux y ser capaz de utilizarlo en entornos de desarrollo. También es útil tener conocimientos básicos sobre bases de datos y SQL.
Objetivos
Los objetivos del módulo son los siguientes:
- Comprender las limitaciones de las herramientas de gestión de datos para seleccionar las herramientas necesarias para un problema concreto.
- Modelar y organizar datos de forma eficiente.
- Implementar y consultar bases de datos relacionales y NoSQL.
- Desarrollar flujos de trabajo básicos de aprendizaje automático en plataformas de datos distribuidas.
- Implementar y utilizar servicios de bases de datos y almacenes de datos basados en la nube.
- Diseñar arquitecturas integrales de gestión de datos para aplicaciones de datos a gran escala.
Al finalizar el módulo, los alumnos serán capaces de comprender los requisitos de un problema relacionado con los datos, seleccionar las herramientas más adecuadas y diseñar soluciones eficaces para su almacenamiento, procesamiento y análisis.
Resultados de aprendizaje
- CM05 (Planificar el despliegue de aplicaciones de inteligencia artificial utilizando plataformas distribuidas en la nube y herramientas de almacenamiento masivo de datos) Planificar el despliegue de aplicaciones de inteligencia artificial utilizando plataformas distribuidas en la nube y herramientas de almacenamiento masivo de datos
- KM16 (Describir los conceptos básicos de los sistemas de gestión de bases de datos relacionales y no relacionales) Describir los conceptos básicos de los sistemas de gestión de bases de datos relacionales y no relacionales
- SM18 (Desarrollar sistemas de gestión de datos adecuados que permitan el almacenamiento y recuperación eficiente de la información) Desarrollar sistemas de gestión de datos adecuados que permitan el almacenamiento y recuperación eficiente de la información
Contenidos
T1: Main concepts for large data management
- Data Systems
- Data Models
-
T2: Large data management systems
- Relational Databases
- Non-SQL Databases
- In-memory databases
T3: Data analysis with large data volume: Apache Spark
- Spark Dataframes
- Spark MLib
T4: Cloud database services
- Cloud Databases Services
- Data Warehouse
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Laboratorio | 40 | 1,6 | CM05, KM16, SM18 |
| Teoría | 44 | 1,76 | CM05, KM16 |
| Elaboración de ejercicios prácticos | 66 | 2,64 | CM05, KM16, SM18 |
El curso se basará principalmente en una metodología de "aprender haciendo". Cada tema se introducirá mediante sesiones teóricas en las que el profesor presentará los conceptos fundamentales y proporcionará materiales de apoyo para el estudio autónomo (libros, recursos didácticos en línea, artículos científicos y documentación técnica especializada). .
Partiendo de estos conocimientos, los alumnos participarán en sesiones prácticas centradas en la resolución de ejercicios y el desarrollo de pequeños proyectos, tanto de forma individual como en parejas. Estas actividades les permitirán aplicar los conceptos teóricos a situaciones reales y consolidar las habilidades adquiridas.
A lo largo del curso, los estudiantes elaborarán informes técnicos que documenten el trabajo práctico realizado en cada tema, fomentando así su capacidad para analizar, sintetizar y comunicar resultados
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Spark lab | 10 | 0 | 0 | CM05, KM16, SM18 |
| Redis lab | 10 | 0 | 0 | CM05, KM16, SM18 |
| Spark MLIB lab | 10 | 0 | 0 | CM05, KM16, SM18 |
| AWS lab | 10 | 0 | 0 | CM05, SM18 |
La evaluación consta de dos componentes: Teoría y Problemas y Prácticas.
El componente de Teoría y Problemas representa el 60 % de la calificación final, mientras que el componente de Prácticas representa el 40 % restante.
El componente teórico y de resolución de problemas se evaluará de forma individual mediante dos exámenes escritos. Cada examen contribuirá con un 30 % a la nota final de la asignatura, lo que supone una ponderación total del 60% para este componente. La nota de teoría se calculará como la media aritmética de las notas obtenidas en el examen 1 y el examen 2:
Teoría = (Examen 1 + Examen 2) / 2
Para poder presentarse al examen 2, los estudiantes deben obtener una nota mínima de 4,5 sobre 10 en el examen 1. Los estudiantes que no cumplan este requisito no podrán presentarse al examen 2 y, en su lugar, deberán realizar un examen de recuperación que abarque el temario correspondiente.
Para aprobar la parte teórica, la nota media de los dos exámenes debe ser de 5,0 sobre 10 o superior. Los estudiantes con una media teórica inferior a 5,0 deberán presentarse al examen de recuperación correspondiente durante el periodo oficial de recuperación. La nota obtenida en el examen de recuperación se aplicará de acuerdo con las normas de calificación establecidas para el curso.
El componente práctico se evaluará en grupos de tres. La nota práctica se calculará como la media aritmética de las notas obtenidas en los PLAB:
Prácticas = (PLAB1 + PLAB2 + PLAB3 + PLAB4) / 4 (en grupos de 3).
La asistencia a las sesiones prácticas es obligatoria. Las prácticas se realizarán en grupos de tres alumnos y se evaluarán mediante las actividades de laboratorio y los trabajos correspondientes. Este componente no se puede recuperar. Los alumnos deben obtener una nota media mínima de 5,0 sobre 10 en el componente práctico para aprobarlo y, por consiguiente, para aprobar la asignatura.
El estudiante aprobará la asignatura únicamente si la media ponderada de ambos componentes es, como mínimo, de 5,0.
Bibliografía
- Martin Kleppmann. “Designing Data-Intensive Applications“. O'Reilly, 2017.
- A. Wittig, M. Wittig. “Amazon Web Services in Action“, Manning, 2nd Edition, 2018.
- Coulouris, George F; J. Dollimore and T. Kindberg, “Distributed Systems: concepts and design“, Addison-Wesley, 5th edition, 2012.
- Bell, Charles; Kindahl, Mats; Thalmann, Lars. “MySQL High Availability“. O'Reilly, 2010. recurs electrònic a la biblioteca de la UAB
- Bell, Charles, “MySQL Database Service Revealed: Running MySQL as a Service in the Oracle Cloud Infrastructure“, Apress, 1st edition, 2023. recurs electrònic a la biblioteca de la UAB
- Chang, Fay, et al. “Bigtable: A Distributed Storage System for Structured Data“, OSDI, 2006
- Dewitt, David, and Jim Gray. “Parallel Database Systems: The Future of High Performance Database Processing“, Communications of the ACM 35, no. 6 (1992): 85-98
- Schwartz, Baron; Zaitsev, Peter; Tkachenko, Vadim; Zawodny, Jeremy D.; Lentz, Arjen; Balling, Derek J. “High Performance MySQL“, O'Reilly, 2008.
- Seyed M. M. Tahaghoghi and Hugh E. Williams. “Learning MySQL“, O’Reilly, 2006
- Nathan Haines. “Beginning Ubuntu for Windows and Mac Users”. Apress 2015. recurs electrònic a la biblioteca de la UAB
- William E. Shotts. “The Linux Command Line”. Second Internet Edition. 2013. http://linuxcommand.org/tlcl.php
- Dan C. Marinescu. “Cloud Computing. Theory and Practice”. Morgan-Kaufmann. 2018.
- R. Buyya, R. N. Calheiros, A. V. Dastjerdi. “Big data. Principles and paradigms”. Morgan-Kaufmann. 2016.
Software
El curso se impartirá con las versiones más recientes de los sistemas y herramientas:
- Linux
- Apache Spark
- Linux development environment
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 71 | Inglés | primer cuatrimestre | tarde |
| (PAUL) Prácticas de aula | 711 | Inglés | primer cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 711 | Inglés | primer cuatrimestre | tarde |
| (PAUL) Prácticas de aula | 712 | Inglés | primer cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 712 | Inglés | primer cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 713 | Inglés | primer cuatrimestre | tarde |