![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2024_25 | |||||||||||||||||||||||||||||||||||||||
Asignatura | MODELOS DE PROGRAMACIÓN PARA EL BIG DATA | Código | 01742002 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
3 | Obligatoria | Primer | Primero |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | DERECHO PRIV. Y DE LA EMPRESA |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | halvc@unileon.es aarng@unileon.es mcong@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http:// | |||||||||||||||||||||||||||||||||||||||
Descripción general | ||||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Tipo A | Código | Competencias Específicas |
A17941 | 1742CBD1. Capacidad de diseñar e implementar sistemas de descubrimiento de conocimiento en grandes bases de datos distribuidas. | |
Tipo B | Código | Competencias Generales y Transversales |
B5577 | 1742CG1. Adquisición de competencias teóricas y prácticas para el análisis y diseño de soluciones empresariales en Big Data (almacenamiento y procesamiento de grandes volúmenes de información heterogénea). | |
Tipo C | Código | Competencias Básicas |
Resultados de aprendizaje |
Resultados | Competencias | ||
Diseña e implementa sistemas de descubrimiento de conocimiento en grandes bases de datos distribuidas y tiene competencias teóricas y prácticas para el análisis y diseño de soluciones empresariales en Big Data (almacenamiento y procesamiento de grandes volúmenes de información heterogénea). | A17941 |
B5577 |
Contenidos |
Bloque | Tema |
Introducción a los modelos de programación para Big Data. •Introducción a Map/Reduce. Etapa map y etapa reduce. Tipos de nodos: Maestro, Trabajadores. Coordinación de tareas. Tolerancia a fallos. •Introducción a Spark. Motivaciones. Ventajas. Estructuras y abstracciones de Spark: RDD, Datasets, Dataframes, y las acciones/transformaciones a realizar sobre ellas |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Presentaciones/exposiciones | 0 | 12 | 12 | ||||||
Dirigidas | 0 | 45 | 45 | ||||||
Tutorías | 0 | 8 | 8 | ||||||
Trabajos | 0 | 5 | 5 | ||||||
Sesión Magistral | 0 | 0 | 0 | ||||||
Pruebas mixtas | 5 | 0 | 5 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Presentaciones/exposiciones | Clases (en remoto), conferencias y técnicas expositivas |
Dirigidas | Actividades autónomas y en grupo (trabajos y lecturas dirigidas) |
Tutorías | Tutoría individual, participación en foros y otros medios colaborativos. |
Trabajos | Pruebas de seguimiento y exposición de trabajos |
Sesión Magistral |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Trabajos | - Realización de trabajos, proyectos, resolución de problemas y casos. | 30%-80% | |
Pruebas mixtas | - Evaluación sumativa que incluye pruebas parciales individuales y prueba final. | 20%-50% | |
Otros | - Participación en foros y otros medios participativos. |
10-40% |
|
Otros comentarios y segunda convocatoria | |||
La calificación final será la media ponderada al porcentaje indicado en las tablas. Para la superación de la asignatura se exigirá un mínimo de 4 puntos sobre 10 en los procedimientos: “Evaluación sumativa...”, “Realización de proyectos...” y “Realización de trabajos”.•Es posible que el procedimiento “Participación en foros y otros medios participativos” no sea recuperable en su totalidad en 2ª convocatoria. La evaluación se basa en la interacción entre los alumnos y es posible que esta no pueda organizarse de forma satisfactoria por restricciones de tiempo o de número de alumnos en ese período. En ese caso, se conservará la nota obtenida en la 1ª convocatoria Al ser un máster interuniversitario, las guías docentes de aplciación en su desarrollo completo son aquellas indicadas en la página web del máster interuniversitario de la Universidad coordinadora https://www.inf.uva.es/master-online/ |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
H. Karau, A. Konwinski, P. Wendell, and M. Zaharia. Learning Spark: lightning-fast big data analysis. O’ Reilly Media, Inc., 2015 |
|
Complementaria | |
Recomendaciones |