Guia docente
DATOS IDENTIFICATIVOS 2023_24
Asignatura MODELOS DE PROGRAMACIÓN PARA EL BIG DATA Código 01742002
Enseñanza
1742 - M.U. EN INTELIGENCIA DE NEGOCIO Y BIG DATA EN ENTORNOS SEGUROS - A DISTANCIA
Descriptores Cr.totales Tipo Curso Semestre
3 Obligatoria Primer Primero
Idioma
Castellano
Prerrequisitos
Departamento DERECHO PRIV. Y DE LA EMPRESA
Responsable
ÁLVAREZ CUESTA , HENAR
Correo-e halvc@unileon.es
aarng@unileon.es
mcong@unileon.es
Profesores/as
ÁLVAREZ CUESTA , HENAR
ARNAIZ GONZALEZ , ALVAR
CONDE GONZALEZ , MIGUEL ANGEL
Web http://
Descripción general
Tribunales de Revisión
Tribunal titular
Cargo Departamento Profesor
Presidente ING.MECANICA,INFORMAT.AEROESP. MATELLAN OLIVERA , VICENTE
Secretario ING.MECANICA,INFORMAT.AEROESP. PANIZO ALONSO , LUIS
Vocal ING.MECANICA,INFORMAT.AEROESP. FERNANDEZ LLAMAS , CAMINO
Tribunal suplente
Cargo Departamento Profesor
Presidente ING.MECANICA,INFORMAT.AEROESP. RODRIGUEZ DE SOTO , ADOLFO
Secretario ING.MECANICA,INFORMAT.AEROESP. ALFONSO CENDON , JAVIER
Vocal ING.MECANICA,INFORMAT.AEROESP. CASTEJON LIMAS , MANUEL

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
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
 
Trabajos
descripción
Por email o en el foro del moodle

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