Plan de Estudio

Plan de Estudios

Especialización en Ciencias de la Computación con Orientación Bases de Datos

EJE I: Fundamentos de Ciencias de la Computación

Curso: Lógica Matemática

Objetivos: Lograr que el alumno: Comprenda las estructuras fundamentales del pensar lógico en relación a las Ciencias de la Computación. Desarrolle hábitos de trabajo mediante la utilización del cálculo proposicional y de predicados. Analice teoremas específicos para adecuar la reflexión hacia sistemas y lenguajes formales.

Contenidos Mínimos: Cálculo Proposicional y de Predicados de primer orden. Método de los árboles para la Lógica de Primer Orden. Teorema de Completitud. Teoremas de Lowenheim-Skolem. Teorema de Definibilidad de Beth. Introducción al Teorema de Gödel. Introducción a las Lógicas “many sorted”. Sistemas Formales con Igualdad.

 

Curso: Teoría de Computabilidad

Objetivos: Lograr que el alumno: Comprenda el formalismo de Máquinas de Turing y pueda utilizarlo como modelo de computación. Pueda comprender la indecidibilidad de distintos problemas. Pueda comprender la diferencia entre indecidibilidad e intratabilidad.

Contenidos Mínimos: Algoritmos y computabilidad. Problemas decidibles y no decidibles. Lenguajes recursivos y recursivamente enumerables. Lenguajes no-recursivamente enumerables. Máquina de Turing Universal. Problema del Halting. Método de Diagonalización. Problema de correspondencia de Post. Demostración de indecidibilidad por reducción. Indecidibilidad e Intratabilidad.

 

Curso: Complejidad Computacional

Objetivos:
Lograr que el alumno:
Comprenda los paradigmas de Complejidad en modelos de computación determinística y no determinística. Pueda analizar perspectivas, clasificaciones y problemas específicos en dominios de alta complejidad. Pueda calcular la complejidad de distintos problemas y algoritmos. Maneje con idoneidad los conceptos, modelos y formalismos para razonar sobre los recursos necesarios para realizar computaciones, y sobre la eficiencia de las computaciones que usan esos recursos.

Contenidos Mínimos: Notaciones asintóticas: O, o, W y Q. Modelos de computación. Máquina de Turing determinísticas y no determinísticas. Máquinas RAM. Otros modelos. Complejidad temporal. Clases de complejidad temporal P y NP. Problemas duros y problemas completos. Problemas NP completos. Teorema de Cook. Reducciones y completitud. Complejidad espacial. Clases de complejidad espacial PSPACE y NPSPACE. Teorema de Savitch. Problemas PSPACE completos. Relaciones entre clases de complejidad. Complejidad en espacio y tiempo de los algoritmos clásicos de búsqueda utilizados en Bases de Datos.


Curso: Técnicas Heurísticas Modernas

Objetivos:
Lograr que el alumno:
Comprenda las características complejas de los algoritmos probabilísticos y genéticos en relación a bases de datos. Caracterice las estructuras conceptuales básicas de redes neuronales en el contexto de bases de datos. Resuelva problemáticas con alto grado de especificidad en aplicaciones sobre Bases de Datos.

Contenidos Mínimos:
Redes Neuronales: bases teóricas. Tipologías y caracterización de redes neuronales. Algoritmos Probabilísticos y algoritmos Genéticos. Bases teóricas y aplicaciones en bases de datos. Estrategias para la resolución de problemas no tratables. Diseño, implementación y control de modelos en bases de datos. La investigación en redes neuronales: prospectiva.

 

EJE II: Procesamiento de Datos Masivos

Data Mining: Técnicas y Algoritmos

Curso: Data Mining: Técnicas y Algoritmos
Objetivos: Este curso tiene por objetivo brindar al alumno una perspectiva global de la Minería de Datos de manera tal de capacitarlo para resolver problemas concretos de extracción de conocimiento útil para su análisis y eventual toma de decisiones. El enfoque adoptado aquí tiene como principal objetivo el entendimiento y aplicación de algoritmos para diversas tareas de Minería de Datos.

Contenidos Mínimos:
Conceptos introductorios sobre Minería de Datos. Datos (procesamiento y exploración). Clasificación, Clustering (Agrupamiento de datos), Regresión y Aprendizaje de Reglas de Asociación. Detección de Anomalías. Usos notables.

 

Curso: Algoritmos heurísticos aplicados a Problemas de Optimización

Objetivos:
Se espera que el alumno adquiera conocimientos en profundidad de distintas metaheurísticas poblacionales y su posible aplicación a distintos tipos de problemas del mundo real. Por ejemplo, problemas de scheduling y otros propios de la investigación operativa actualmente utilizados en la práctica profesional y en la investigación científico-tecnológica.

Contenidos Mínimos:
Introducción: Perspectiva general del concepto de Metaheurísticas. Historia y Desarrollo Actual. Algoritmos Evolutivos y Evolución Diferencial. Optimización basada en Colonias de Hormigas. Algoritmos basados en Cúmulos de Partículas. Algoritmos de Estimación de Distribuciones y Algoritmos Culturales.

 

EJE III: Tópicos Avanzados en Bases de Datos

Curso: Bases de Datos Espaciales, Temporales y Espacio-temporales

Objetivos:
Lograr que el alumno:
Comprenda la estructura de las Bases de Datos Espaciales y el tipo de problemática que resuelve. Comprenda la  estructura y uso de las Bases de Datos Temporales. Comprenda la estructura de las Bases de Datos Espacio-Temporales y su ámbito de aplicación. Pueda diseñar algoritmos de indexación y búsqueda para estos tipos de bases de datos.

Contenidos Mínimos:
Bases de Datos Espaciales. Objetos geométricos simples y colecciones de objetos. Organización del Espacio. Álgebra espacial. Consultas e índices. K-D-Tree, Quadtree y R-Tree y sus variantes. Aplicación de las Bases de Datos Espaciales en los Sistemas de Información Geográfica. Bases de Datos Temporales. Introducción. Tiempo válido, tiempo transaccional y datos bitemporales. Modelo de datos temporal. Índices temporales. Extensiones temporales al SQL. Implementaciones. Bases de Datos Espacio-Temporales. Modelo Espacio-Temporal. Tipos de movimientos. Consultas espacio-temporales. Índices: estructuras y algoritmos. Aplicaciones.

 

Curso: Bases de Objetos y Objeto-Relacionales

Objetivos: Lograr que el alumno: Comprenda la estructura de las Bases de Objetos y su relación con las bases de datos relacionales. Utilice bases de objetos en la resolución de problemas que incluyen tanto datos estructurados como no estructurados. Sea capaz de implementar distintos tipos de índices en una base de objetos. Comprenda el modelo mixto Objeto-Relacional, sus beneficios y limitaciones. Conozca los estándares definidos para este modelo.

Contenidos Mínimos: Concepto del Modelo de Objetos. Comparación del Modelo de Objetos con el Modelo Relacional. Base de Datos de Objetos. Arquitectura de una base de objetos. Persistencia. Identificadores de objetos. Estrategias de implementación cliente/servidor y distribuida. Implementación de índices en bases de objetos. Bases de Datos Objeto-Relacionales. Extensiones Objeto-Relacionales. Tipos, funciones y procedimientos definidos por el usuario. Herencia en las Bases de datos OR. Estándares definidos para este modelo.


Curso: Búsquedas en Bases de Datos Multimedia

Objetivos: Desarrollar los principales conceptos involucrados en el manejo de Bases de Datos Multimedia. Presentar los desarrollos recientes en el área de indexación en Bases de Datos Multimedia. Crear en el alumno la capacidad de diseño de algoritmos de indexación y de algoritmos de búsquedas para este tipo de bases de datos.

Contenidos Mínimos: Introducción a las bases de datos multimedia. Modelado de datos multimedia mediante espacios métricos. Métricas y funciones de distancia. Modelos de similitud para datos multimedia. Búsquedas por similitud en bases de datos multimedia. Búsquedas por rango y del vecino más cercano. Eficiencia de las búsquedas por similitud. Estrategias de indexación basadas en pivotes y en particiones compactas. Algoritmos de indexación basados en pivotes: BKT, FQT, FHQT, FQA, VPT. Algoritmos de indexación basados en particiones compactas: BST, GHT, GNAT. Cálculo de costos. Modelo de indexación unificado. Índices en memoria secundaria.

 

EJE IV: Seminario de Integración (para optar al título de Especialista)

Consistirá en el desarrollo de un proyecto sobre una problemática de bases de datos de alta complejidad relacionada a la actividad del profesional en sistemas de información.
Su profundidad y alcance deberán ser tales que se requiera de la utilización e integración de conocimientos adquiridos en los diferentes cursos del posgrado para su resolución y que muestre una original aplicación de conocimientos teóricos-prácticos para la solución de problemas concretos.

Cantidad mínima de horas requeridas: 450 hs.

Plan de Estudio
Maestría en Ciencias de la Computación con Orientación Bases de Datos

Ídem Plan de Estudio Plan de Estudios Especialización en Ciencias de la Computación con Orientación Bases de Datos.

Curso: Herramientas para el desarrollo de tesis

Objetivos: Lograr que el alumno comprenda las características y pautas fundamentales para el desarrollo de planes de trabajo de tesis en el ámbito de la Universidad Tecnológica Nacional. Integre conocimientos y procedimientos pertenecientes a la epistemología y la metodología de la investigación científico-tecnológica con problemáticas concretas de la especialidad. Diseñe y organice el plan de trabajo de tesis.
Contenidos Mínimos:
Diseño y planificación de la investigación. Selección del tema. Importancia intrínseca y académica de un tema de trabajo. Elaboración del proyecto de investigación. Tipo, disciplina, identificación y palabras claves. Formulación del problema. Referencia y estado actual de los conocimientos en el tema. Investigación bibliográfica, centros de  documentación, bases de datos, “current contents”, citation index, etc. Objetivos. Fundamentación. Métodos a utilizar. Aplicación de los resultados. Redacción científica. Requisitos. Organización lógica. Resumen. Bibliografía y apéndices. Normas y convenciones sobre cuadros, gráficos, citas y notas de pie de página. Plan de Tesis.

Cantidad mínima de horas requeridas: 600 hs.

Ir a Arriba