Metodologías avanzadas de programación para la ciencia de datos
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Metodologías avanzadas de programación para la ciencia de datos | 5222 |
Materia: | Metodologías avanzadas de programación para la ciencia de datos |
Módulo: | Programación y lenguajes para la ciencia de datos |
Modalidad de enseñanza de la titulación: | Presencial | Carácter: | Optativa |
Curso: | 1 | Créditos ECTS: | 3,00 | Duración: | Semestral (Segundo Semestre) |
Horas presenciales: | 30,00 | Horas estimadas de trabajo autónomo: | 45,00 |
Idiomas en que se imparte la asignatura: | No especificado |
Idiomas del material de lectura o audiovisual: | No especificado |
Departamentos responsables de la docencia
MATEMÁTICAS Y COMPUTACIÓN | R111 |
Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
Localidad: | Logroño | Provincia: | La Rioja |
Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
Profesor: | Mata Sotés, Eloy Javier | Responsable de la asignatura |
Teléfono: | 941299455 | Correo electrónico: | eloy.mata@unirioja.es |
Despacho: | 3220 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
- Técnicas avanzadas de programación para la ciencia de datos.
- Técnicas de procesamiento en paralelo.
- Computación de altas prestaciones.
- Casos de aplicación.
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Competencias
Competencias generales
CG01 - Capacidad de análisis y síntesis a nivel avanzado en el ámbito de la ciencia de datos y aprendizaje automático
CG02 - Capacidad de iniciativa y autonomía para llevar a cabo proyectos relacionados con la ciencia de datos y aprendizaje
automático
CG03 - Habilidad para dar un uso avanzado a las herramientas de búsqueda de información relevante en el ámbito de la ciencia de
datos y aprendizaje automático y, en particular, a las disponibles en la web
CG06 - Capacidad de iniciativa y autonomía para las distintas tareas propias de la actividad investigadora en el ámbito de la ciencia
de datos y aprendizaje automático
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de
ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos
nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de
una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la
aplicación de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos
especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de
ser en gran medida autodirigido o autónomo.
Competencias específicas
CE12 - Habilidad para utilizar técnicas avanzadas de programación para la ciencia de datos
Resultados del aprendizaje
- Conoce y es capaz de usar técnicas avanzadas de programación para la ciencia de datos.
- Sabe distinguir los distintos paradigmas para el procesamiento de grandes cantidades de datos (cálculo distribuido, paralelo, en clúster, en supercomputadores,
en GPU...) y evaluar su adecuación para la solución a un problema concreto de la ciencia de datos.
- Está familiarizado con las tecnologías de computación de altas prestaciones, sus arquitecturas y paradigmas de programación.
Temario
- Técnicas de computación paralela
- Programación en memoria compartida: OpenMP
- Programación en memoria distribuida: MPI
- Computación de altas prestaciones
- Casos de aplicación
Bibliografía
Tipo: | Título |
Básica | Introducción a la programación paralela Absys |
Básica | Parallel programming : for multicore and cluster systems Absys |
Básica | CUDA application design and development Absys |
Complementaria | Programming distributed computing systems : a foundational approach Absys |
Recursos en Internet |
GPU Accelerated Computing with Python |
El material didáctico (ejercicios prácticos, cuestiones, actividades ...etc) se encontrará disponible en el aula virtual para todos los alumnos matriculados en esta asignatura. |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Tutorías
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Organización
Actividades presenciales | Tamaño de grupo | Horas |
Clases teóricas | Grande | 10,00 |
Seminarios y talleres | Grande | 8,00 |
Clases prácticas informáticas | Informática | 10,00 |
Tutorías | Grande | 2,00 |
Total de horas presenciales | 30,00 |
Trabajo autónomo del estudiante | Horas |
Estudio y trabajo en grupo | 10,00 |
Estudio y trabajo autónomo individual | 35,00 |
Total de horas de trabajo autónomo | 45,00 |
Evaluación
Sistemas de evaluación | Recuperable | No Recup. |
Informes y memorias de prácticas | | 40% |
Trabajos y proyectos | 60% | |
Total | 100% |
15/03/2023 10:34:47 - G 2022-23 - 855M - 5222