Universitat Internacional de Catalunya
Big Data i Intel·ligència Artificial
Altres llengües d'impartició: anglès, castellà,
Presentació
L'assignatura de Big Data i Intel·ligència Artificial està dissenyada per proporcionar als estudiants una comprensió integral de dos pilars complementaris del desenvolupament modern basat en dades: l'aprenentatge automàtic (*machine learning*) i l'enginyeria de dades a gran escala.
Pel que fa al component d'Intel·ligència Artificial, els estudiants adquiriran una base teòrica i pràctica sòlida en modelització predictiva. Partint dels models lineals i de la teoria de l'aprenentatge estadístic, el curs avança a través de les màquines de vectors de suport (SVM), l'algorisme dels k-veïns més propers (k-NN), els arbres de decisió, els boscos aleatoris (*random forests*) i les xarxes neuronals, incloent-hi un mòdul específic sobre la interpretabilitat dels models per garantir que les prediccions es puguin comprendre, auditar i en les quals es pugui confiar en implementacions del món real.
En el component de Big Data, els estudiants exploraran les eines i els processos utilitzats per gestionar i processar grans volums de dades en entorns distribuïts. Mitjançant l'estudi de tecnologies com Hadoop, Spark i Kafka, aprendran a construir sistemes escalables i resilients, capaços de gestionar conjunts de dades massius amb alta disponibilitat i tolerància a fallades. El curs també abordarà els processos ETL (extracció, transformació i càrrega), l'emmagatzematge eficient de dades i el processament en temps real utilitzant eines com Apache Flink i Spark Streaming. Finalment, s'aprofundirà en conceptes clau com la seguretat i la governança de les dades, amb un èmfasi especial en marcs normatius com el GDPR i la CCPA, oferint una visió global dels reptes i les solucions dins de l'ecosistema del Big Data.
Objectius
Establir una base teòrica en modelització predictiva: comprendre el marc de l'aprenentatge estadístic, el compromís entre biaix i variància i els principis de selecció de models que sustenten tots els algorismes d'aprenentatge supervisat i no supervisat.
Dominar els algorismes fonamentals d'aprenentatge automàtic (ML): adquirir coneixements pràctics sobre models lineals, SVM, KNN, arbres de decisió, boscos aleatoris i xarxes neuronals, incloent-hi les seves hipòtesis, punts forts i limitacions.
Desenvolupar habilitats d'interpretabilitat: aprendre a explicar i auditar les prediccions dels models mitjançant tècniques com la importància de les característiques (*feature importance*) i els valors SHAP, per tal que els sistemes d'ML es puguin desplegar de manera responsable.
Comprendre l'arquitectura de Big Data: aprendre les tecnologies clau (Hadoop, Spark, Kafka) i com construir sistemes distribuïts escalables i tolerants a fallades.
Dominar les tècniques de processament de dades: adquirir experiència en processos ETL, MapReduce, Apache Spark i el processament de dades en temps real amb Spark Streaming i Apache Flink.
Explorar solucions d'emmagatzematge de Big Data: estudiar arquitectures d'emmagatzematge eficients que permetin un accés ràpid a grans conjunts de dades.
Implementar la seguretat i la governança de dades: comprendre la privadesa de les dades i el compliment de normatives com el GDPR i la CCPA.
Aplicar coneixements pràctics: dissenyar i implementar solucions de Big Data per a entorns reals que siguin escalables, segures i eficients.
Competències/Resultats d’aprenentatge de la titulació
- CN01 - Descriure els aspectes avançats de la bioenginyeria relacionats amb la salut humana basant-se en llibres específics de la matèria juntament amb publicacions científiques a la frontera del coneixement.
- CN04 - Comparar els diferents enfocaments de la computació i l'anàlisi de dades en la gestió de senyals biomèdiques.
- CN05 - Explicar els principis de la bioenginyeria emprats en el disseny i la fabricació de noves teràpies de medicina personalitzada.
- CN06 - Identificar els passos i desenvolupaments necessaris per al correcte processament de dispositius mèdics basant-se en les dades mèdiques
- CP01 - Interpretar els resultats científics (tant teòrics com pràctics) per emetre judicis amb una reflexió crítica tenint en compte conceptes d'índole social, científica o ètica.
- CP02 - Treballar en un equip multidisciplinari de manera proactiva, prenent consciència del rol a desenvolupar.
- CP06 - Produir tecnologies i productes aplicant els principis únics de la bioenginyeria per a cada ús sanitari determinat, respectant els drets fonamentals d'igualtat entre homes i dones, i la promoció dels drets humans i els valors propis d'una cultura de pau i de valors democràtics; utilitzant un llenguatge que eviti l'androcentrisme i els estereotips
- HB01 - Diferenciar nous mètodes i teories de la bioenginyeria per potenciar la versatilitat, la capacitat d'adaptació a noves situacions i la resolució de problemes mitjançant l'ús del raonament crític.
- HB02 - Validar els resultats, càlculs, estudis, informes, plans de treball i altres treballs anàlegs obtinguts mitjançant l'experimentació científica.
- HB03 - Avaluar l'impacte social i mediambiental de les solucions tècniques a través de l'anàlisi i l'aplicació dels principis i mètodes de qualitat.
- HB04 - Aplicar la terminologia pròpia de la bioenginyeria, en un ambient multilingüe i multidisciplinari, amb un nivell oral i escrit d'anglès adequat.
- HB06 - Relacionar problemes socials amb problemes sanitaris, mitjançant l'ús equilibrat i compatible de la tècnica, la tecnologia, l'economia i la sostenibilitat.
- HB07 - Utilitzar tot el processament de dades i informació en l'àmbit de la bioenginyeria per a una posterior valoració crítica dels resultats.
- HB08 - Resoldre els problemes esdevinguts en l'àmbit de la Bioenginyeria en el camp de la salut mitjançant l'aplicació de conceptes multidisciplinaris.
- HB09 - Examinar la influència dels temes relacionats amb la bioenginyeria en les necessitats o característiques específiques dels gèneres: aspectes biològics i mèdics.
- HB10 - Aplicar els coneixements en l'ús de mètodes computacionals avançats per millorar la qualitat del sistema sanitari.
- HB12 - Discriminar la informació rellevant de diferents fonts d'informació, llibres i/o articles científics, relacionada amb la bioenginyeria.
Continguts
1. Introducció a l'aprenentatge automàtic (Machine Learning)
2. Models lineals
3. Aprenentatge estadístic
4. Màquines de vectors de suport (SVM)
5. Algorisme dels k-veïns més propers (k-NN)
6. Arbres de decisió i boscos aleatoris (Random Forest)
7. Interpretabilitat dels models
8. Xarxes neuronals
9. Arquitectures i ecosistemes de Big Data (Hadoop, Spark, Kafka)
10. Escalabilitat i tolerància a fallades en sistemes distribuïts
11. Processos d'extracció, transformació i càrrega (ETL)
12. Emmagatzematge de dades en Big Data
13. Processament massiu de dades (MapReduce i Apache Spark)
14. Processament en memòria i RDD (Resilient Distributed Datasets)
15. Processament de dades en temps real (Spark Streaming i Apache Flink)
16. Seguretat i governança de dades (normatives GDPR i CCPA)
Metodologia i activitats formatives
Modalitat totalment presencial a l'aula
L'assignatura es dividirà en: 1) classes teòriques interactives i 2) sessions pràctiques de laboratori i exercicis pràctics.
● Materials d'estudi: Accés a continguts preparats prèviament (documents, vídeos i lectures recomanades) a través de Moodle, per orientar l'aprenentatge autònom.
● Treball autònom: Els estudiants són responsables del seu aprenentatge mitjançant l'estudi dels materials, la recerca d'informació addicional i la realització d'activitats pràctiques.
● Tutories: Disponibles en línia o presencialment per resoldre dubtes.
Sistemes i criteris d'avaluació
Modalitat totalment presencial a l'aula
1a convocatòria:
• Coneixements teòrics (classes interactives) (40%)
• Laboratoris pràctics i exercicis d'aplicació (60%)
2a convocatòria: Només es tindrà en compte la nota de l'examen de la 2a convocatòria. A més, no hi haurà opció d'obtenir matrícula d'honor.
● Cal obtenir una puntuació mínima de 5,0 sobre 10 per aprovar.
● Si no s'aprova l'examen parcial, l'examen final computarà un 70% de la nota final.
Altres convocatòries
Nota final (intents 2n a 6è): 100% examen final o de recuperació; cal obtenir un mínim de 5,0 sobre 10 per aprovar.
EXAMEN DE RECUPERACIÓ
● Mateix format que l'«EXAMEN FINAL».
Bibliografia i recursos
● “An Introduction to Statistical Learning” – James, Witten, Hastie, Tibshirani,
Taylor, Springer, 2023.
● “The elements of statistical learning” – Hastie, Tibshirani, Friedman, Springer,
2017.
● "Big Data: Principles and Best Practices of Scalable Real-Time Data Systems"
– Nathan Marz, James Warren, Manning Publications, 2015.
● "Designing Data-Intensive Applications" – Martin Kleppmann, O'Reilly Media,
2017.
● "Fundamentals of Data Engineering" – Joe Reis, Matt Housley, O'Reilly Media,
2022.
● "Streaming Systems" – Tyler Akidau, Slava Chernyak, Reuven Lax, O'Reilly
Media, 2018.