Tratamiento Inteligente de Datos
(Curso Académico 2019 - 2020)
Mostrar Todo


Nota informativa: Atendiendo a la normativa de Protección de Datos y propiedad intelectual en la que se limita la publicación de imágenes de terceras personas sin su consentimiento, aquellos que difundan grabaciones de las sesiones de clase sin previo consentimiento de las personas implicadas, serán responsables ante la ley del uso prohibido de las citadas grabaciones.



1. Datos descriptivos de la asignatura
  • Código: 139263125
  • Centro: Escuela Superior de Ingeniería y Tecnología
  • Lugar de impartición: Escuela Superior de Ingeniería y Tecnología
  • Titulación: Grado en Ingeniería Informática
  • Plan de Estudios: 2010 (publicado en 21-03-2011)
  • Rama de conocimiento: Ingeniería y Arquitectura
  • Itinerario/Intensificación: Computación
  • Departamento/s:
  • Área/s de conocimiento:
    • Ciencia de la Computación e Inteligencia Artificial
    • Ingeniería Telemática
    • Lenguajes y Sistemas Informáticos
  • Curso: 3
  • Carácter: Obligatoria
  • Duración: Segundo cuatrimestre
  • Créditos ECTS: 6,0
  • Modalidad de impartición: Presencial
  • Horario: Ver horario
  • Dirección web de la asignatura: Ver web de la asignatura
  • Idioma: Español e Inglés
2. Requisitos para cursar la asignatura
No existen requisitos para cursar la asignatura
3. Profesorado que imparte la asignatura

Profesor/a Coordinador/a: JOSE MARCOS MORENO VEGA

General:
Nombre:
JOSE MARCOS
Apellido:
MORENO VEGA
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Grupo:
Grupos completo, PA y PE
Contacto:
Teléfono 1:
922318175
Teléfono 2:
Correo electrónico:
jmmoreno@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Lunes 08:00 12:00 Edificio de Física y Matemáticas - AN.2B 84
Todo el cuatrimestre Viernes 10:00 12:00 Edificio de Física y Matemáticas - AN.2B 84
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Martes 10:00 14:00 Edificio de Física y Matemáticas - AN.2B 84
Todo el cuatrimestre Viernes 10:00 12:00 Edificio de Física y Matemáticas - AN.2B 84
Observaciones:
General:
Nombre:
PATRICIO
Apellido:
GARCIA BAEZ
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Grupo:
Grupos completos, PA y PE
Contacto:
Teléfono 1:
922845038
Teléfono 2:
Correo electrónico:
pgarcia@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Martes 15:00 18:00 Escuela Superior de Ingeniería y Tecnología - AN.4A ESIT 2ª planta, 4º izquierda
Todo el cuatrimestre Miércoles 10:00 13:00 Escuela Superior de Ingeniería y Tecnología - AN.4A ESIT 2ª planta, 4º izquierda
Observaciones: Consultar actualizaciones y modificaciones puntuales de este horario en perfil del profesor del Campus Virtual
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Martes 15:00 18:00 Escuela Superior de Ingeniería y Tecnología - AN.4A ESIT 2ª planta, 4º izquierda
Todo el cuatrimestre Miércoles 10:00 13:00 Escuela Superior de Ingeniería y Tecnología - AN.4A ESIT 2ª planta, 4º izquierda
Observaciones: Consultar actualizaciones y modificaciones puntuales de este horario en perfil del profesor del Campus Virtual
General:
Nombre:
DAGOBERTO
Apellido:
CASTELLANOS NIEVES
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Grupo:
Grupos completos, PA y PE
Contacto:
Teléfono 1:
922845006
Teléfono 2:
Correo electrónico:
dcastell@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Martes 16:00 19:30 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
Todo el cuatrimestre Miércoles 08:00 10:30 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
03-02-2020 08-05-2020 Martes 09:00 12:00 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
03-02-2020 08-05-2020 Jueves 09:00 12:00 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
11-05-2020 31-07-2020 Martes 09:00 12:00 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
11-05-2020 31-07-2020 Miércoles 09:00 12:00 Torre Profesor Agustín Arévalo - CE.1B 13 (2 planta)
Observaciones:
4. Contextualización de la asignatura en el plan de estudio
  • Bloque formativo al que pertenece la asignatura: Itinerario 1: Computación
  • Perfil profesional: Ingeniero Técnico en Informática
5. Competencias

Tecnología Específica / Itinerario: Computación

  • C45 - Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

Competencias Generales

  • CG4 - Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas, de acuerdo con los conocimientos adquiridos según lo establecido en el apartado 5 de este anexo.
  • CG6 - Capacidad para concebir y desarrollar sistemas o arquitecturas informáticas centralizadas o distribuidas integrando hardware, software y redes de acuerdo con los conocimientos adquiridos según lo establecido en el apartado 5 de este anexo.
  • CG9 - Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.

Transversales

  • T7 - Capacidad de comunicación efectiva (en expresión y comprensión) oral y escrita, con especial énfasis en la redacción de documentación técnica.
  • T10 - Capacidad de integrarse rápidamente y trabajar eficientemente en equipos unidisciplinares y de colaborar en un entorno multidisciplinar.
  • T21 - Capacidad para el razonamiento crítico, lógico y matemático.
  • T23 - Capacidad de abstracción: capacidad de crear y utilizar modelos que reflejen situaciones reales.
6. Contenidos de la asignatura

Contenidos teóricos y prácticos de la asignatura

Módulo: INTRODUCCIÓN
              (Profesorado: J. Marcos Moreno Vega, Patricio García Báez  (teoría y práctica))

- Tema 1. El proceso de extracción de conocimiento en grandes volúmenes de datos
. Tema 2. Recuperación de información en documentos electrónicos

Módulo: CLASIFICACIÓN
              (Profesorado: J. Marcos Moreno Vega, Patricio García Báez  (teoría y práctica))

- Tema 3. Árboles de decisión y regresión
- Tema 4. Clasificadores bayesianos
- Tema 5. Aprendizaje de reglas
- Tema 6. Clasificadores neuronales

Módulo: AGRUPAMIENTO
              (Profesorado: J. Marcos Moreno Vega, Patricio García Báez  (teoría y práctica))

- Tema 7. Agrupamiento basado en prototipos
- Tema 8. Agrupamiento basado en densidad
- Tema 9. Agrupamiento mediante redes neuronales
- Tema 10. Agrupamiento jerárquico

Módulo: MINERÍA DE PATRONES DE ASOCIACIÓN
              (Profesorado: J. Marcos Moreno Vega (teoría y práctica))

- Tema 11. Reglas de asociación

Módulo: PREPROCESADO DE DATOS
              (Profesorado: Dagoberto Castellanos Nieves (teoría y práctica))

- Tema 12. Preparación de datos
- Tema 13. Reducción de la dimensionalidad

Actividades a desarrollar en otro idioma

El software utilizado en la prácticas de laboratorio está documentado en inglés. También lo están los manuales y tutoriales que usarán los alumnos para el desarrollo de las prácticas asociadas a esta asignatura. Además, gran parte del material bibliográfico y de trabajo de la asignatura está escrito en este idioma. Se refuerza con ello la comprensión lectora de este idioma por parte de los alumnos.

Por otro lado, la memoria del proyecto (que se describe en el apartado Metodología y volumen del trabajo del estudiante) incluirá un breve resumen en inglés y los alumnos expondrán oralmente las conclusiones de su trabajo en este idioma. La evaluación de estas actividades se incluyen en la evaluación del proyecto, según lo descrito en el apartado Sistema de evaluación y calificación.
7. Metodología y volumen de trabajo del estudiante

Descripción

Los contenidos de la asignatura serán explicados por los profesores en las horas semanales presenciales de teoría. Durante las clases prácticas, se explicará la herramienta de tratamiento de datos usada como apoyo a los contenidos teóricos. Esta herramienta será usada por los alumnos para realizar las actividades prácticas que así lo requieran.

Para fomentar la comprensión del proceso de extracción de conocimiento y de las técnicas asociadas, se usará la metodología de enseñanza aprendizaje basada en proyectos. Se persigue con ello favorecer el aprendizaje efectivo, potenciar el trabajo autónomo, reforzar la motivación e implicación y favorecer la actitud reflexiva y crítica de los alumnos.

Se formarán grupos de alumnos que tendrán que recopilar, preparar y tratar datos con el propósito de extraer conocimiento útil de los mismos. Además, deberán interpretar los resultados obtenidos y proponer estrategias para difundir y usar el conocimiento extraído. Se procurará que los datos a analizar sean de interés para el alumnado. Así, se usarán datos sobre hábitos de compra, perfiles de usuarios de algún servicio o relativos a variables económicas o medioambientales.

El trabajo realizado se recogerá en una memoria del proyecto que deberá ser presentada oralmente al finalizar el cuatrimestre. La memoria escrita y la exposición se usarán como base para la evaluación continua. Otras actividades complementarias a desarrollar por el alumno son la participación en foros, la búsqueda de información reciente sobre el tratamiento de datos y sus implicaciones legales, éticas y morales y la realización de ejercicios o pruebas. Algunas de estas actividades se realizarán virtualmente.

En dos semanas del cuatrimestre los alumnos expondrán a los profesores, en una tutoría en grupo, la marcha del proyecto. En estas tutorías los profesores evaluarán la marcha del proyecto y sugerirán, en su caso, acciones de mejora.

La asignatura participa en el Programa de Apoyo a la Docencia Presencial mediante Herramientas TIC. Algunas de las tareas que se realizarán en el aula virtual son la participación en foros y la realización de cuestionarios.

Actividades formativas en créditos ECTS, su metodología de enseñanza-aprendizaje y su relación con las competencias que debe adquirir el estudiante

Actividades formativas Horas presenciales Horas de trabajo autónomo Total horas Relación con competencias
Clases teóricas 16,00 0,00 16,0 [T23], [C45]
Clases prácticas (aula / sala de demostraciones / prácticas laboratorio) 14,00 0,00 14,0 [T23], [T21], [C45]
Realización de seminarios u otras actividades complementarias 8,00 10,00 18,0 [T21], [T10], [T7]
Realización de trabajos (individual/grupal) 7,00 40,00 47,0 [T23], [T21], [T10], [T7], [CG9], [CG6], [CG4], [C45]
Estudio/preparación de clases teóricas 0,00 10,00 10,0 [T23], [T21], [C45]
Realización de exámenes 3,00 0,00 3,0 [T7], [CG9], [CG6], [CG4]
Asistencia a tutorías 7,00 0,00 7,0 [C45]
Estudio autónomo individual o en grupo 0,00 30,00 30,0 [T23], [T21], [T10], [CG9], [CG6], [CG4]
Exposición oral por parte del alumno 5,00 0,00 5,0 [T10], [T7]
Total horas
Total ECTS
8. Bibliografía / Recursos

Bibliografía básica

José Hernández Orallo, M.José Ramírez Quintana, Cesar Ferri Ramírez. Introducción a la Minería de Datos Editorial Pearson, 2004.
Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2004
Ian H. Witten, Eibe Frank, Mark A. Hall, Data Mining, Morgan Kaufmann, 2011
P. N. Tan, M. Steinbach, V. Kumar. Introduction to Data Mining, Addison-Wesley, 2006
C. C. Data Mining. The Textbook. Springer, 2015
S. García, J. Luengo, F. Herrera. Data preprocessing in Data Mining. Springer. 2015

Bibliografía complementaria

Tom Mitchell, Machine Learning, McGraw Hill, 1997
Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009

Otros recursos

9. Sistema de evaluación y calificación

Descripción

La Evaluación de la asignatura se rige por el Reglamento de Evaluación y Calificación de la Universidad de La Laguna (BOC de 19 de enero de 2016), o el que la Universidad tenga vigente, además de por lo establecido en la Memoria de Verificación inicial o posteriores modificaciones.

Se emplea un sistema de evaluación continua que contempla la realización de las siguientes actividades:

a) el proyecto descrito en el apartado Metodología y volumen de trabajo del alumno,
b) ejercicios prácticos individuales o en grupo, y
c) participación en foros.

La calificación del proyecto tiene un peso del 70% de la nota (20% corresponde a la memoria y defensa del proyecto (incluidas las actividades desarrolladas en inglés que se describen en el apartado Metodología y volumen de trabajo del alumno); 50% al análisis de los datos realizado en el laboratorio), correspondiendo el 30% restante a los ejercicios prácticos y a la participación en los foros.

Todas las actividades de la evaluación continua tienen carácter obligatorio.

En el apartado Cronograma/calendario de la asignatura se recogen las fechas estimadas de presentación de las diferentes actividades. Los resultados de las mismas serán comunicados a los alumnos aproximadamente 15 días después de su presentación.

Los alumnos que no superen la asignatura por el sistema de evaluación continua deberán presentarse, en las convocatorias y fechas establecidas para ello por la Universidad de La Laguna y la Escuela Superior de Ingeniería y Tecnología, a una prueba de evaluación alternativa. Esta consistirá en la realización de unos ejercicios prácticos y en la presentación y defensa, de manera individual, del proyecto descrito en el apartado Metodología y volumen de trabajo. La calificación de las actividades de carácter obligatorio obtenida en la evaluación continua se incorporarán a la calificación final de la prueba alternativa.

Tal como se ha indicado anteriormente, el software utilizado en la prácticas de laboratorio, así como los manuales y tutoriales que usarán los alumnos para el desarrollo de las mismas, están documentados en inglés. Se evaluará la compresión de los mismos en la calificación de prácticas.

En la tabla siguiente se muestra la ponderación de las diferentes actividades de la evaluación continua.

Estrategia Evaluativa

Tipo de prueba Competencias Criterios Ponderación
Trabajos y proyectos [T23], [T21], [T7], [CG9], [CG6], [CG4], [C45] - Frecuencia y pertinencia de las intervenciones en los foros.
- Adecuación de las respuestas dadas a los ejercicios y claridad de redacción de las mismas.
30,00 %
Informes memorias de prácticas [T23], [T21], [T10], [T7], [CG9], [CG6], [CG4], [C45] - Memoria/s: estructura, calidad y claridad de la redacción, fuentes consultadas, rigor en el análisis de los datos y coherencia de las conclusiones.
- Defensa oral: estructura de la exposición, lenguaje empleado y respuesta a las preguntas.
20,00 %
Valoración de las actividades prácticas en el laboratorio [T23], [T21], [T10], [T7], [CG9], [CG6], [CG4], [C45] - Grado de conocimiento adquirido en el manejo de las herramientas para el tratamiento inteligente de datos.
- Rigor en el análisis de los datos y coherencia de las conclusiones.
50,00 %
10. Resultados de Aprendizaje
Diseñar, implementar y evaluar técnicas de aprendizaje computacional y de extracción automática de conocimiento a partir de grandes volúmenes de datos.

En el contexto de un grupo de trabajo, recopilar, analizar y estructurar documentación técnica sobre los aspectos claves de las técnicas de aprendizaje computacional y extracción automática de información y conocimiento a partir de grandes volúmenes de datos para realizar una síntesis por escrito y una presentación oral
11. Cronograma / calendario de la asignatura

Descripción

Los contenidos de la asignatura serán explicados por el profesor en las horas semanales presenciales de teoría. Para afianzar estos contenidos, se han programado diferentes tareas prácticas que los alumnos deberán hacer individualmente y de forma autónoma. En el enunciado de estas tareas se especificarán los criterios de evaluación y, en su caso, la fecha límite de entrega.

Se pondrá a disposición de los alumnos las transparencias de clase, ejemplos y enlaces a material complementario.

Además, los alumnos deberán participar en dos foros online dedicados, respectivamente, a los “Límites del tratamiento inteligente de datos” e “Importancia, alcance, retos y oportunidades del tratamiento de datos”. El profesorado enlazará en el aula virtual lecturas y material recomendados para que los alumnos puedan preparar adecuadamente sus intervenciones en el foro.

La asignatura sigue una metodología de enseñanza aprendizaje basada en proyectos por lo que los alumnos deberán realizar, en grupo, un proyecto en el que tendrán que recopilar, preparar y tratar datos con el propósito de extraer conocimiento útil de los mismos. Además, deberán interpretar los resultados obtenidos y proponer estrategias para difundir y usar el conocimiento extraído. Semanalmente se irá trabajando en este proyecto que deberá ser expuesto oralmente al finalizar el cuatrimestre. Las semanas 6 y 11 los alumnos presentarán al profesorado, en un seminario en grupo reducido, la marcha del proyecto. En estos seminarios el profesorado evaluará la marcha del proyecto y sugerirá, en su caso, acciones de mejora.

El cronograma que se muestra tiene carácter orientativo, de modo que el profesor podrá modificar la planificación propuesta si así fuese necesario para una correcta marcha del proceso de enseñanza-aprendizaje.

Segundo cuatrimestre

Semana Temas Actividades de enseñanza aprendizaje Horas de trabajo presencial Horas de trabajo autónomo Total
Semana 1: Tema 1 Explicar el tema 1 (El proceso de extracción de conocimiento en bases de datos)

Explicar las principales funcionalidades y entornos del software de análisis de datos

Tarea 1: Participar en el foro Límites del tratamiento de datos (Actividad online)
4.00 3.00 7.00
Semana 2: Tema 2 Explicar el tema 2 (Recuperación de información en documentos electrónicos).

Describir el proyecto que los alumnos deben realizar en grupo
4.00 0.00 4.00
Semana 3: Tema 3 Explicar el tema 3 (Árboles de decisión y regresión)

Ejercicios y práctica: Árboles de decisión y regresión

Desarrollo del proyecto
4.00 6.00 10.00
Semana 4: Tema 4 Explicar el tema 4 (Clasificadores bayesianos)

Ejercicios y práctica: Clasificadores bayesianos

Desarrollo del proyecto
4.00 5.00 9.00
Semana 5: Tema 5 Explicar el tema 5 (Aprendizaje de reglas)

Ejercicios y práctica: Aprendizaje de reglas

Desarrollo del proyecto
4.00 4.00 8.00
Semana 6: Tema 6 Explicar el tema 6 (Clasificadores neuronales)

Ejercicios y práctica: Clasificadores neuronales

Participar en la tutoría en grupo reducido "Avances del proyecto"

Desarrollo del proyecto
4.00 6.00 10.00
Semana 7: Tema 6 Explicar el tema 6 (Clasificadores neuronales)

Ejercicios y práctica: Clasificadores neuronales

Desarrollo del proyecto
4.00 6.00 10.00
Semana 8: Tema 7 Explicar el tema 7 (Agrupamiento basado en prototipos)

Ejercicios y práctica: Agrupamiento basado en prototipos

Ejercicios y práctica: Agrupamiento basado en prototipos

Desarrollo del proyecto
 
4.00 5.00 9.00
Semana 9: Tema 8 Explicar el tema 6 (Agrupamiento basado en densidad)

Ejercicios y práctica: Agrupamiento basado en densidad

Desarrollo del proyecto
4.00 6.00 10.00
Semana 10: Tema 9 Explicar el tema 7 (Agrupamiento mediante redes neuronales)

Ejercicios y práctica: Agrupamiento mediante redes neuronales

Desarrollo del proyecto
4.00 5.00 9.00
Semana 11: Tema 9 Explicar el tema 7 (Agrupamiento mediante redes neuronales)

Ejercicios y práctica: Agrupamiento mediante redes neuronales

Desarrollo del proyecto
4.00 6.00 10.00
Semana 12: Tema 10 Explicar el tema 10 (Agrupamiento jerárquico)

Ejercicios y práctica: Agrupamiento jerárquico

Desarrollo del proyecto
4.00 6.00 10.00
Semana 13: Tema 11 Explicar el tema 11 (Reglas de asociación)

Ejercicios y práctica: Reglas de asociación

Desarrollo del proyecto
4.00 5.00 9.00
Semana 14: Tema 12 Explicar el tema 12 (Preparación de datos)

Ejercicios y práctica: Preparación de datos

Tarea 2: Participar en el foro “Importancia, alcance, retos y oportunidades del tratamiento de datos” (Actividad online)

Desarrollo del proyecto
4.00 7.00 11.00
Semana 15: Tema 13 Explicar el tema 13 (Reducción de la dimensionalidad)

Ejercicios y práctica: Reducción de la dimensionalidad

Desarrollo del proyecto
2.00 4.00 6.00
Semana 16 a 18: Evaluación Preparación y realización de las pruebas evaluativas (redacción de la memoria, presentación del proyecto, prueba única (en su caso)) 2.00 16.00 18.00
Total 60.00 90.00 150.00
Fecha de última modificación: 29-04-2020
Fecha de aprobación: 17-01-2020

1. Datos descriptivos de la asignatura
  • Código: 139263125
  • Titulación: Grado en Ingeniería Informática
  • Curso: 3
  • Duración: Segundo cuatrimestre
3. Tutorías no presenciales
JOSE MARCOS MORENO VEGA
General:
Nombre:
JOSE MARCOS
Apellido:
MORENO VEGA
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Contacto:
Teléfono 1:
922318175
Teléfono 2:
Correo electrónico:
jmmoreno@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
16-03-2020 30-06-2020 Lunes 09:00 10:30 Virtual Correo electrónico
16-03-2020 30-06-2020 Martes 09:00 10:30 Virtual Correo electrónico
16-03-2020 30-06-2020 Miércoles 09:00 10:30 Virtual Correo electrónico
16-03-2020 30-06-2020 Viernes 09:00 10:30 Virtual Correo electrónico
Observaciones:

PATRICIO GARCIA BAEZ
General:
Nombre:
PATRICIO
Apellido:
GARCIA BAEZ
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Contacto:
Teléfono 1:
922845038
Teléfono 2:
Correo electrónico:
pgarcia@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
Todo el cuatrimestre Martes 15:00 18:00 Virtual Correo electrónico
Todo el cuatrimestre Miércoles 10:00 13:00 Virtual Correo electrónico
Observaciones:

En caso de que sea necesario se concertaría una videoconferencia mediante Jitsi
DAGOBERTO CASTELLANOS NIEVES
General:
Nombre:
DAGOBERTO
Apellido:
CASTELLANOS NIEVES
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Ciencia de la Computación e Inteligencia Artificial
Contacto:
Teléfono 1:
922845006
Teléfono 2:
Correo electrónico:
dcastell@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora inicialHora finalTipo de tutoríaMedio o canal de comunicación
28-04-2020 31-07-2020 Martes 09:00 12:00 Virtual Correo electrónico
28-04-2020 31-07-2020 Miércoles 09:00 12:00 Virtual Correo electrónico
Observaciones:


7. Metodología no presencial

La asignatura se desarrolla a través del Campus Virtual de la ULL, haciendo uso de las diversas herramientas que posibilita dicho medio, combinando actividades formativas sincrónicas (conexión en tiempo real profesor-estudiante) y de carácter interactivo con otras asíncronas.

Las actividades formativas que se desarrollan son las siguientes:

Actividades formativas no presenciales

Actividades formativas
Sesiones virtuales/clases en línea del profesor/a (Equivalencia con GD: Clases teóricas)
Vídeos explicativos grabados por el/la docente (Equivalencia con GD: Clases teóricas)
Inclusión de documentación sobre cada tema (Equivalencia con GD: Estudio autónomo, preparación clases teóricas/prácticas, etc.)
Resolución de ejercicios y problemas (Equivalencia con GD: Clases prácticas. Preparación de trabajos)
Exposición de trabajos individuales/grupales mediante vídeos de los estudiantes (Equivalencia con GD: Realización de trabajos (individual/grupal))
Tutorías (Equivalencia con GD: Asistencia a Tutoría)

Comentarios adicionales

La exposición del trabajo en grupo se realizará de manera síncrona, usando herramientas de videoconferencia. Durante las exposiciones deberán estar conectados todo el alumnado, tanto el que presenta su proyecto como el resto de compañeros.
9. Sistema de evaluación y calificación no presencial

Las pruebas evaluativas a realizar y su ponderación en la calificación es la siguiente:

Estrategia Evaluativa

Tipo de prueba Ponderación
Pruebas de desarrollo (con o sin material) 30,00 %
Informes/Memorias/Trabajos/Proyectos individuales o grupales 70,00 %
Total 100,0 %

Comentarios adicionales

Fecha de última modificación: 29-04-2020
Fecha de aprobación: 04-05-2020