Guia docente
DATOS IDENTIFICATIVOS 2024_25
Asignatura TÉCNICAS DE APRENDIZAJE AUTOMÁTICO ESCALABLES Código 01742005
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 Segundo
Idioma
Castellano
Prerrequisitos
Departamento DERECHO PRIV. Y DE LA EMPRESA
Responsable
ÁLVAREZ CUESTA , HENAR
Correo-e halvc@unileon.es
mcong@unileon.es
Profesores/as
ÁLVAREZ CUESTA , HENAR
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
  A17952 1742CSD1. Capacidad de aplicar, validad y evaluar métodos de Ciencia de Datos/Data Science e Inteligencia Artificial sobre conjuntos y flujo de datos masivos y complejos
  A17953 1742CSD2. Capacidad de dirigir proyectos para la extracción de conociemiento basados en métodos eficientes de anális de datos.
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).
  B5579 1742CG3. Capacidad de diseñar e implementar sistemas capaces de extraer conocimiento práctico de grandes volúmenes de datos aplicado al mundo de la empresa (Inteligencia de Negocio/Business Intelligence)
Tipo C Código Competencias Básicas

Resultados de aprendizaje
Resultados Competencias
Sabe aplicar, validar y evaluar métodos de Ciencia de Datos e Inteligencia Artificial sobre conjuntos y flujos de datos masivos y complejos. Es capaz de dirigir proyectos para la extracción de conocimiento basados en métodos eficientes de análisis de datos. A17952
A17953
 B5577
B5579

Contenidos
Bloque Tema
· Aspectos básicos en la preparación de los datos · Clasificadores básicos (Árboles de Decisión, Naive Bayes y Regresión Logística) · Métricas de evaluación de clasificadores y selección de modelos. · Clasificadores avanzados (Máquinas de Vectores Soporte, Random Forest, Gradient Boosted Trees, etc.) · Recomendadores: Filtrado Colaborativo

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 enj 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

De confomidad con lo indicado para la primera 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 coordinadorahttps://www.inf.uva.es/master-online/

Fuentes de información
Acceso a la Lista de lecturas de la asignatura

Básica
Nick Pentreath. Machine Learning with Spark. Packt Publishing. 2015. ISBN: 9781783288519. http://www.packtpub.com/
Petar Ze?evi? y Marko Bona?i. Spark in Action. Manning Publications. 2016. ISBN: 9781617292606. https://www.manning.com/books/
•Mohamed Guller. Big Data Analytics with Spark. Apress. 2015.•Ian H. Witten, Eibe Frank y Mark A. Hall. Data Mining: practical machine learning tools and techniques (third Edition). Morgan Kaufmann, 2011.
Complementaria


Recomendaciones