Ficha

English version

Curso Académico: 2025/2026

Análisis avanzado de Big Data

(17667)

Grado en Empresa y Tecnología (Plan 2020) (Plan: 393 - Estudio: 351)

Coordinador/a: ALVAREZ RODRIGUEZ, JOSE MARIA

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa

Créditos: 3.0 ECTS

Curso:

Cuatrimestre:

Descripción de contenidos: Programa

1. Fundamentos de Big Data: procesos principales y casos de uso 2. Arquitectura para sistemas Big Data y aplicaciones de negocio 3. Infraestructura: técnicas de almacenamiento y procesamiento en Big Data 4. Técnicas de análisis sobre Big Data 5. Estrategia digital y modelos de negocio para startups de Big Data 6. Aplicaciones y sectores del Big Data: ERP, CRM, IoT, FinTech, etc. 7. Big data en la era de Language AI

Actividades formativas, metodología a utilizar y régimen de tutorías

AF1. CLASES TEÓRICO-PRÁCTICAS. En ellas se presentarán los conocimientos que deben adquirir los alumnos. Estos recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y pruebas de evaluación para adquirir las capacidades necesarias. AF2. TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. AF3. TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. MD1. CLASE TEORÍA. Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporcionan los materiales y la bibliografía para complementar el aprendizaje de los alumnos. MD2. PRÁCTICAS. Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo. MD3. TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. Para asignaturas de 6 créditos se dedicarán 4 horas con un 100% de presencialidad.

Sistema de evaluación

Peso porcentual del Examen/Prueba Final 0
Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua

SE1. EXAMEN FINAL. En el que se valorarán de forma global los conocimientos, destrezas y capacidades adquiridas a lo largo del curso.
SE2. EVALUACIÓN CONTINUA. En ella se valorarán los trabajos, presentaciones, actuación en debates, exposiciones en clase, ejercicios, prácticas y trabajo en los talleres a lo largo del curso.

EVALUACIÓN CONTINUA (100%)
-       Semana 14: Ejercicios prácticos individuales (20%)
-       Semana 14: Entrega de proyecto final y presentación (60%)
-       Semana XX: Kata obligatoria (dados 5 temas diferentes a lo largo del curso cada grupo de trabajo debe seleccionar y hacer al menos uno incluyendo un documento) (10%)
-       Semana YY: Cuestionarios de 1 minuto en clase (individual, 10%)

EVALUACIÓN FINAL
-	Examen final: sólo si no se realiza y supera el proyecto final

Se requiere una nota mínima de 5.0 en el proyecto final para superar la asignatura. De la misma, en caso de realizar la evaluación final se requerirá una calificación mínima de 5.0 en el examen para superar la asignatura.

CONVOCATORIA EXTRAORDINARIA:

Los estudiantes que no superen la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria para su superación:

1. Si el estudiante siguió la evaluación continua: la calificación será la establecida en el programa de la asignatura para la convocatoria ordinaria. No obstante, se tendrá derecho a ser calificado únicamente con la nota obtenida en el examen final si esta fuera más favorable.

2. Si el estudiante no siguió la evaluación continua: la calificación será la obtenida en el examen final. No obstante, el docente podrá autorizar la entrega de los ejercicios de la evaluación continua en la convocatoria extraordinaria, evaluándose en tal caso del mismo modo que en la convocatoria ordinaria.

Convocatoria extraordinaria: normativa

Bibliografía básica

A. Osterwalder, Y. Pigneur, and T. Clark. Business model generation: a handbook for visionaries, game changers, and challengers. Wiley. 2010
C. Huyen. AI Engineering. O'Reilly Media, Inc.. 2024
J. Alammar, M. Grootendorst. Hands-On Large Language Models. O'Reilly Media, Inc.. 2024
J. Reis and M. Housley. Fundamentals of data engineering: plan and build robust data systems. O¿Reilly. 2022
M. Harrison. Machine learning pocket reference: working with structured data in Python. O¿Reilly. 2019
M. Kleppmann. Designing data-intensive applications: the big ideas behind reliable, scalable, and maintainable systems. O¿Reilly Media. 2017
N. Dasg. Practical big data analytics: hands-on techniques to implement enterprise analytics and machine learning using Hadoop, Spark, NoSQL and R. Packt . 2018
NIST. NIST Big Data interoperability Framework (NBDIF) - Version 3.0 Final. NIST. 2019
S. M. F. Akhtar. Big data architect¿s handbook: a guide to building proficiency in tools and systems used by leading big data experts. Packt. 2018
V. Ankam. Big data analytics: a handy reference guide for data analysts and data scientists to help obtain value from big data analytics using Spark on Hadoop clusters. Packt. 2016

Recursos Electrónicos *

Jose María Alvarez Rodríguez · Data O'Reilly playlist : https://learning.oreilly.com/playlists/6bbe74e6-a204-4d2c-a55c-7876730400f1/
Jose María Alvarez Rodríguez · Language AI (NLP) O'Reilly playlist : https://learning.oreilly.com/playlists/28275ec3-090f-47c8-b7b4-31703a08735c/

(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.