Ministerio de Cultura y Educación
Universidad Nacional de San Luis
Facultad de Ciencias Físico Matemáticas y Naturales
Departamento: Informatica
Área: Area I: Datos
(Programa del año 2020)
(Programa en trámite de aprobación)
(Programa presentado el 14/10/2020 12:38:13)
I - Oferta Académica
Materia Carrera Plan Año Periodo
(OPTATIVA) BASES DE DATOS AVANZADAS LIC.CS.COMP. 32/12 2020 1° cuatrimestre
II - Equipo Docente
Docente Función Cargo Dedicación
GAGLIARDI, EDILMA OLINDA Prof. Responsable P.Asoc Exc 40 Hs
HERRERA, NORMA EDITH Prof. Co-Responsable P.Asoc Exc 40 Hs
REYES, NORA SUSANA Prof. Co-Responsable P.Asoc Exc 40 Hs
LUDUEÑA, VERONICA DEL ROSARIO Responsable de Práctico P.Adj Exc 40 Hs
TARANILLA, MARIA TERESA Responsable de Práctico P.Adj Exc 40 Hs
III - Características del Curso
Credito Horario Semanal Tipificación Duración
Teórico/Práctico Teóricas Prácticas de Aula Práct. de lab/ camp/ Resid/ PIP, etc. Total C - Teoria con prácticas de aula Desde Hasta Cantidad de Semanas Cantidad en Horas
Periodo
 Hs. 4 Hs. 2 Hs.  Hs. 6 Hs. 2º Cuatrimestre 22/09/2020 18/12/2020 13 75
IV - Fundamentación
Con la evolución de las tecnologías de información y comunicación, han surgido repositorios o almacenamientos no
estructurados de información. No sólo se consultan nuevos tipos de datos tales como datos geométricos, texto libre,
imágenes, audio y video, sino que además, en algunos casos, ya no se puede estructurar más la información en claves y
registros. Aún cuando sea posible una estructuración clásica, nuevas aplicaciones tales como la minería de datos (data
mining) requieren acceder a la base de datos por cualquier campo y no sólo por aquellos marcados como “claves”, muchas
veces haciendo uso de herramientas no tradicionales.
Por lo tanto, se necesitan nuevos modelos para buscar y administrar la información en almacenamientos de este tipo. Los
escenarios anteriores requieren modelos más generales tales como las bases de datos espacio-temporales, bases de datos de
texto, espacios métricos, entre otros.
Así, es necesario contar con herramientas teóricas, de base, que permitan modelar estos tipos de datos, realizar operaciones
sobre ellos, definir lenguajes de consulta, etc.
V - Objetivos / Resultados de Aprendizaje
• Introducir conceptos básicos sobre técnicas de almacenamiento, recuperación y actualización de datos masivos no estructurados (Bases de Datos no tradicionales), tales como datos geométricos, texto, imágenes, sonido, etc.
• Proveer los criterios para decidir sobre técnicas alternativas de almacenamiento, como así también los elementos para evaluar el rendimiento de las mismas.
• Estudiar diversos algoritmos que permiten resolver problemas geométricos que aparecen en este área.
• Estudiar algunas aplicaciones particulares de estas técnicas.
• Proveer los criterios para decidir cuándo es posible aplicar las técnicas estudiadas.
VI - Contenidos
Bases de Datos Espaciales y Espacio-Temporales
Introducción. Datos Espaciales. Almacenamiento para datos Espaciales e índices espaciales. Procesamiento y Optimización de Consultas Espaciales. Aplicaciones: Sistemas de Información Geográfica.Bases de Datos Temporales. Dominio tiempo. Registro y consultas.Bases de Datos Espacio-Temporales. Métodos de acceso espacio-temporales. Consultas Espacio-temporales.

Bases de Datos Multimedia y Métricas
Introducción. Definiciones básicas. Representación de datos multimedia. Búsqueda basada en contenido. Tipos de datos métricos y funciones de distancia. Dimensionalidad intrínseca. Consultas, modelo unificado. Indices para búsquedas por similitud basados en pivotes y basados en particiones compactas. Ejemplos de índices. Búsquedas por similitud exactas y aproximadas. Medidas de calidad. Otras operaciones.

Bases de Datos de Texto
Introducción a la problemática. El problema de pattern matching. Árboles y arreglos de sufijos. Indices para búsqueda de
patrones en memoria secundaria. Indices Comprimidos. Autoíndices.

VII - Plan de Trabajos Prácticos
Los trabajos consisten en la realización de las siguientes actividades: presentaciones de temas asignados por los docentes,
evaluación crítica del software disponible, elaboración de informes sobre los temas estudiados, búsqueda de material
disponible en Internet, desarrollo en pseudo-código de rutinas sobre algunas de las estructuras de almacenamiento estudiadas
y análisis de las mismas, presentacion de eproyectos, etc.
VIII - Regimen de Aprobación
Para regularizar y promocionar el alumno deberá:
1) Asistir a las clases.
2) Entregar y aprobar los trabajos prácticos asignados por los docentes.
3) Presentar y aprobar un proyecto escrito, que muestre la solución a una problemática mediante la aplicación de temas vistos. O presentar y aprobar un informe escrito sobre alguna temática a investigar.
Modalidad de examen final: El examen final podrá ser oral y/o escrito.
Examen Libre: No se admiten alumnos libres por la modalidad de la asignatura.
IX - Bibliografía Básica
[1] Artículos de divulgación relacionados con las temáticas.
[2] Computational Geometry. Mark de Berg, Marc Van Kreveld, Mark Overmars y Otfried Schwarzkopf.(Third edition).Springer-Verlag, Heidelberg, 2008.
[3] Data Structures for Spatial Database Systems. Octavian Procopiuc. http://www.cs.duke.edu/~tavi/
[4] Diseño e Implementación de Estructuras Optimizadas para Búsqueda en Espacios Métricos”. Norma Herrera. Tesis de Maestría, UNSL, 2003.
[5] Encyclopedia of Distances. Michel Marie Deza and Elena Deza. Springer Berlin Heidelberg, 2009.
[6] Flexible Pattern Matching in Strings, Gonzalo Navarro , Mathieu Raffinut, 2002.
[7] Foundations of Multidimensional and Metric Data Structures, Hanan Samet, 2006.
[8] Geometría Computacional y Bases de Datos: Búsquedas por Rangos. Edilma Gagliardi. Tesis de Maestría, UNSL,2002.
[9] Improving the Preformance of Multimedia Databases.Christian Böhm, Stefan Berchtold y Daniel Keim. ACM Computing Surveys 33(3): 322-373 (2001).
[10] Índices Dinámicos para Espacios Métricos de Alta Dimensionalidad. Nora Reyes. Tesis de Maestría,UNSL,2002.
[11] Multidimensional Access Methods. Volker Gaede y Oliver Günther. ACM Computing Surveys 30(2): 170-231, 1998.
[12] Proximity Searching in Metric Spaces. Edgar Chávez, Gonzalo Navarro, Ricardo Baeza-Yates y José Luis Marroquín.ACM Computing Surveys 33(3):273-321, 2001.
[13] R Tree Theory and applications. Manolopoulos Yannis, Papadopoulos Apostolos, Vassilakopoulos Aristotle, 2006
[14] Searching in High Dimensional Spaces: Index Structures for Improving the Preformance of Multimedia Databases.Christian Böhm, Stefan Berchtold y Daniel Keim. ACM Computing Surveys 33(3): 322-373 ,2001.
[15] Spatial Database: Technologies, Techniques and Trends. Manolopoulos Yannis, Papadopoulos Apostolos,Vassilakopoulos Aristotle, 2005.
[16] Spatial Databases. A tour. Shashi Shekhar. Sanjay Chawla. Prentice Hall; Edición: New (1 de junio de 2002). ISBN-10: 0130174807. ISBN-13: 978-0130174802.
[17] Tópicos avanzados de bases de datos. C. Bender; C. Deco; J. Gonzales; M. Hallo; J. Gallegos. Iniciativa Latinoamericana de Libros de Texto Abiertos (LATIn), 2014. 113 pag. Primera Edición: Marzo 2014. http://www.proyectolatin.org/
X - Bibliografia Complementaria
[1]
XI - Resumen de Objetivos
• Introducir conceptos básicos sobre técnicas de almacenamiento, recuperación y actualización de datos masivos no
estructurados (Bases de Datos no tradicionales), tales como datos geométricos, texto, imágenes, sonido, etc.
• Proveer los criterios para decidir sobre técnicas alternativas de almacenamiento, como así también los elementos para
evaluar el rendimiento de las mismas.
• Estudiar diversos algoritmos que permiten resolver problemas geométricos que aparecen en esta área.
• Estudiar algunas aplicaciones particulares de estas técnicas.
• Proveer los criterios para decidir cuándo es posible aplicar las técnicas estudiadas.
XII - Resumen del Programa
Bases de Datos Espaciales, Temporales y Espacio-Temporales.

Bases de Datos Métricas.

Bases de Datos de Texto.
XIII - Imprevistos
Paros docentes.
Pandemia mundial.
Cuarentena.
XIV - Otros