XSLaren edukia
Datu Masiboen Prozesamendurako Azpiegiturak
- Ikastegia
- Informatika Fakultatea
- Titulazioa
- Adimen Artifiziala Gradua
- Ikasturtea
- 2023/24
- Maila
- 3
- Kreditu kopurua
- 6
- Hizkuntzak
- Gaztelania
- Euskara
IrakaskuntzaToggle Navigation
Irakaskuntza mota | Ikasgelako eskola-orduak | Ikaslearen ikasgelaz kanpoko jardueren orduak |
---|---|---|
Magistrala | 40 | 60 |
Laborategiko p. | 20 | 30 |
Irakaskuntza-gidaToggle Navigation
HelburuakToggle Navigation
1. Datuak masiboki prozesatzeko sistemen beharrak ezagutzea
2. Datuak masiboki prozesatzeko plataformak ezagutzea
3. Plataforma horiek ezartzeko eta hedatzeko aukerak ezagutzea
4. Zerbitzuak hedatzeko plataformak erabiltzeko trebetasunak
5. Cloud, edge sistemak erabiltzeko trebetasunak
Irakasgai-zerrendaToggle Navigation
1. Prozesamendu plataformak
2. Zerbitzu orkestrazioa
3. Makrodatuak prozesatzeko plataformak
4. Batch makrodatuen prozesamendua
5. Stream makrodatuen prozesamendua
6. IoT
MetodologiaToggle Navigation
Ikasgaiak ikuspegi guztiz praktikoa du. Zerbitzu-plataformen eta horiek hedatzeko inguruneen deskribapenarekin batera, behar diren oinarri teorikoak emango dira, honako alderdi hauek ulertzeko: biltegiratze aukerak, konektibitate aukerak, segurtasuna, akatsekiko tolerantzia, errendimendua, etab. Premisa horren arabera, honela antolatuko dira eskolak:
4 kreditu eskola magistraletarako, horietan, hedapenerako plataformak eta inguruneak deskribatuko dira, beharrezkoak diren alderdi teorikoekin batera. PowerPoint motako aurkezpenetan eta “hands-on” demotan oinarrituko dira eskola horiek.
Laborategiko bi kreditu, ordenagailuarekin, eskola magistraletan azaldutako ezagutzak praktikan jartzeko.
Gainera, ikasleek banakako lan praktikoak egingo dituzte, saio magistraletan eta laborategiko saioetan ikasitakoaren osagarri gisa.
Ebaluazio-sistemakToggle Navigation
Ebaluatzeko modu lehenetsia, ohiko deialdian, ebaluazio jarraitua da. Hala ere, ez dago alde handirik ebaluazio jarraituaren eta globalaren artean. Bi kasuetan, beharrezkoa da zenbait lan praktiko eta azken azterketa egitea.
Ebaluazioak bi atal nagusi ditu: LANAK eta AZTERKETA. Ikasturtean zehar 2 eta 4 lan artean egin beharko dira, irakasgaiaren % 75eko pisu metatuarekin. Azterketak % 25eko pisua du notan, eta ikastetxeak adierazitako egunean egingo da.
Ikasgaia gainditzeko, batez beste, azkeneko nota 5ekoa (10en gainean) izateaz gain, ebaluazioko zati guztietan gutxienez zatiaren nota maximoaren % 35a atera behar da. Gutxieneko ehuneko hori lan multzo osoari aplikatzen zaio, ez lan bakoitzari indibidualki.
Erran bezala, ebaluazio jarraian, ikasleek lanak ikasturtean zehar egin eta entregatu beharko dira, banaka edo bikoteka. Ebaluazio globalean, lanak azterketa data baina astebete lehenago entregatu beharko dira, kasu honetan, banaka.
UPV/EHUko araudiak adierazten duen bezala, nahi duten ikasleek idatziz aurkeztu beharko diote irakasleari ebaluazio jarraituari uko egiten diotela (ebaluazio orokorrera pasatuz), eta horretarako 9 asteko epea izango dute ikasturtea hasten denetik. Ebaluazio motaren aldaketa eGela bitartez egingo da.
Ikasle batek ohiko deialdiari uko egitea erabakitzen badu, horretarako, (1) ebaluazio globalera pasa beharko da eta (2) aldaketa horren ondoren, ez du praktikarik aurkeztu beharko ez eta azterketara aurkeztu.
Nahitaez erabili beharreko materialaToggle Navigation
Ez dago nahitaez erabili beharreko materiala, baina oso gomendagarria da ikasleek beren ekipo informatikoa izatea, praktikak egin ahal izateko. Ekipoek birtualizazio-inguruneak exekutatzeko adina memoria eta prozesu-gaitasuna izan beharko ditu.
BibliografiaToggle Navigation
Oinarrizko bibliografia
Ez dago.
Gehiago sakontzeko bibliografia
Sourav Mazumder, Robin Singh Bhadoria, Ganesh Chandra Deka (editors). Distributed Computing in Big Data Analytics. Concepts, Technologies and Applications
Bahaaldine Azarmi. "Scalable Big Data Architecture: A practitioners guide to choosing relevant Big Data architecture".
Anupam Chattopadhyay, Chip Hong Chang, Hao Yu (editores). "Emerging Technology and Architecture for Big-data Analytics"
Mark Grover, Ted Malaska, Jonathan Seidman, Gwen Shapira. Hadoop Application Architectures: Designing Real-World Big Data Applications 1st Edition.
Aldizkariak
Journal of big data (Springer)
Big data research (Elsevier)
IEEE Transactions on Knowledge and Data Engineering
TaldeakToggle Navigation
01 Teoriakoa (Gaztelania - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 10:30-12:00 | 09:00-10:30 |
Irakasleak
01 Laborategiko p.-1 (Gaztelania - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 12:00-13:30 |
Irakasleak
46 Teoriakoa (Euskara - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 15:30-17:00 | 14:00-15:30 |
Irakasleak
46 Laborategiko p.-1 (Euskara - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
16-30 | 17:00-18:30 |