Última actualización: 21/05/2019


Curso Académico: 2019/2020

Big Data. Técnicas de análisis de datos
(17302)
Titulación: Máster Universitario en Bibliotecas, Archivos y Continuidad Digital (335)
Escuela de Humanidades y Comunicación


Coordinador/a: ROBLEDANO ARILLO, JESUS

Departamento asignado a la asignatura: Departamento de Biblioteconomía y Documentación

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
- Bases de Datos (340-17452). - Análisis Estadístico Avanzado (340-17467). - Visualización de Datos (340-17468). - Técnicas Métricas de Información (340-17461). - Ciencia de Datos (340-17477). - Visualización de información (335-17283).
Competencias que adquiere el estudiante y resultados del aprendizaje.
COMPETENCIAS BÁSICAS DE LA MATERIA CB8 Aprender a diseñar estrategias para el análisis y explotación de grandes volúmenes de datos. CB9 Realizar propuestas de gestión de datos adaptadas a distintos contextos y organizaciones. COMPETENCIAS GENERALES DE LA MATERIA CG2 Aprender a identificar posibles líneas de trabajo e investigación relacionadas con el análisis, depuración y explotación de datos. CG6 Conocer los distintos modelos de negocio relacionados con el Big data. CG8 Aprender a identificar el valor y uso potencial de los datos. CG9 Aprender a adaptar y desarrollar los métodos y técnicas de la documentación a los nuevos conocimientos y aptitudes que requiere la gestión y análisis de datos. RESULTADOS DEL APRENDIZAJE - El alumno adquirirá conocimientos sobre las técnicas y métodos necesarios para diseñar y evaluar estrategias para la gestión de datos. El estudiante tras la superación de la materia deberá: - Aplicar técnicas para elaborar estudios e informes que permitan analizar y evaluar la gestión de datos en organizaciones. - Conocer y comprender conceptos y términos relacionados con big data. - Diseñar, planificar e implementar procesos de depuración y análisis de datos. - Aprender a identificar los datos con valor estratégico y de alto impacto para la organización. - Conocer los distintos métodos y técnicas de extracción, depuración y enlazado de datos. - Adquirir un dominio suficiente de distintas herramientas tecnológicas para realizar procesos de depuración, extracción y enlazado de datos. El estudiante, tras la superación de la asignatura, deberá: - Conocer las limitaciones y capacidades técnicas requeridas en Big Data. - Conocer y comprender el valor de los datos procedentes de distintas fuentes. - Conocer herramientas que permitan diseñar, preparar, analizar y manejar grandes volúmenes de información, estructurada o no estructurada. - Usar técnicas de análisis de datos que permitan obtener conclusiones válidas para la toma de decisiones. - Normalizar, relacionar y enriquecer la información procedente de distintos conjuntos de datos. - Utilizar distintas técnicas y herramientas para el análisis, depuración y enlazado de datos.
Descripción de contenidos: Programa
Tema 1. Fundamentos de Big Data. 1.1. Introducción al Big Data. 1.2. Definición de Big Data. 1.3. Gestión eficiente de datos. 1.4. Relación con otras disciplinas. Tema 2. Extracción de Datos. 2.1. Introducción a la extracción de datos. 2.2. Extracción y preprocesamiento de datos. Tema 3. Almacenamiento de Datos. 3.1. Introducción al almacenamiento de datos. 3.2. Almacenes de datos. 3.3. Arquitectura de los almacenes de datos. 3.4. Carga y mantenimiento del almacén de datos. 3.5. Almacenes de datos en minería de datos. Tema 4. Preparación de Datos. 4.1. Introducción a la limpieza de datos. 4.2. Integración de datos. 4.3. Transformación de atributos. Tema 5. Selección de Datos. 5.1. Introducción a la selección de datos. 5.2. Reconocimiento del dominio y de los usuarios. 5.3. Exploración mediante visualizaciones. 5.4. Resumen, generalización, descripción y pivotamiento. 5.5. Selección de datos. Tema 6. Análisis de Datos. 6.1. Introducción al análisis de datos. 6.2. Métodos y técnicas de análisis. 6.3. Minería de datos. 6.4. Modelos de datos. 6.5. Interpretación y validación de resultados. Tema 7. Retos del Big Data. 7.1. Introducción. 7.2. Cuestiones éticas y legales. 7.3. Tendencias futuras.
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS DEL PLAN DE ESTUDIOS REFERIDAS A MATERIAS AF1 Trabajo individual para el estudio de materiales teóricos y prácticos. AF2 Ejercicios para la resolución de casos prácticos. AF3 Clases presenciales teórico-prácticas. AF4 Tutorías. AF5 Trabajo final. AF6 Participación activa en los foros de la asignatura. METODOLOGÍA DOCENTE MD1 Exposiciones orales que describen los conceptos principales de la materia. MD2 Lectura crítica de textos recomendados. MD3 Resolución de casos prácticos y problemas individualmente o en grupo MD4 Exposición y discusión en clase de temas relacionados con el contenido de la materia, así como de casos prácticos. MD5 Elaboración de trabajos e informes de manera individual o en grupo MD6 Lectura de materiales docentes teóricos y prácticos RÉGIMEN DE TUTORÍAS Los horarios de las tutorías se podrán consultar en Aula Global. Además de las tutorías oficiales, los alumnos pueden solicitar y concertar con el profesor tutorías adicionales fuera de esos horarios.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Bibliografía básica
  • GÓMEZ GARCÍA, José Luis. Introducción al big data. Barcelona: UOC. 2015
  • JOYANES AGUILAR, Luis. Big data: análisis de grandes volúmenes de datos en organizaciones. Barcelona: Marcombo. 2013
  • LARA TORRALBO, Juan Alfonso. Minería de datos. Madrid: CEF. 2014
  • MAYER-SCHÖNBERGER, Viktor. Big data: la revolución de los datos masivos. Madrid: Turner. 2013
  • NETTLETON, David F. Data mining: fundamentos y metodologías. Barcelona: UOC. 2007
  • SCHMARZO, Bill. Big data: el poder de los datos. Madrid: Anaya Multimedia. 2014
  • SIEGEL, Eric. Analítica predictiva: predecir el futuro utilizando Big Data. Madrid: Anaya Multimedia. 2013

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