Máster Universitario Online en Big Data para los Negocios

Objetivos

El objetivo de la asignatura es dotar al estudiante de conocimientos avanzados que le permitan diseñar algoritmos de búsqueda y ordenación de datos, metodologías para la adquisición, preparación, procesamiento, Transformación e Integración de los datos. Igualmente, el estudiante que supere la asignatura podrá desarrollar aplicaciones avanzadas para Big Data con Bases de datos NoSQL.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CB6

Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7

Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8

Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9

Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10

Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG1 Definir la hoja de ruta de adopción en una organización de las tecnologías de procesamiento de grandes volúmenes de datos para facilitar su acceso, compartirlos y administrar su contenido.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG5 Conocer en profundidad los retos actuales en áreas como la adquisición y el procesamiento de datos, la gestión de datos, el procesamiento distribuido y la alta disponibilidad para el diseño de soluciones avanzadas de análisis de datos masivos que puedan resolverlos en entornos profesionales altamente especializados.

CG6 Conocer los componentes tecnológicos de las plataformas de procesamiento extremo a extremo de grandes volúmenes de datos para definir soluciones que mejoren la gestión, la integración, el procesamiento y las tareas analíticas de los datos.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CE1 Ejecutar extracciones y manipulaciones complejas de grandes volúmenes de datos no estructurados para transformarlos y convertirlos en un formato compatible con soluciones de almacenamiento y visualización de datos.

CE2 Diseñar algoritmos avanzados de resolución de problemas relacionados con el tratamiento de grandes volúmenes de datos mediante el uso de lenguajes de programación específicos para la ciencia de datos con el fin de la ejecutar soluciones digitales en una plataforma de Big Data.

CE3 Diseñar modelos de datos flexibles y con trazabilidad para almacenar las entidades y los atributos de la información gestionada por soluciones digitales avanzadas para el tratamiento de grandes volúmenes de datos.

Resultados de aprendizaje

RA-1. Conoce la aplicación específica de metodologías ágiles para dirigir proyectos de procesamiento e interpretación de datos.

RA-2. Diseña arquitecturas avanzadas de información basadas en tecnologías específicas para el manejo de grandes volúmenes de datos.

RA-3. Construye procesos de preparación y transformación de datos aplicando algoritmos para crear modelos escalables y fiables de descubrimiento de conocimiento

RA-4. Configura bases de datos NoSQL para adaptarlas a diferentes escenarios de ejecución con procesamiento de grandes volúmenes de datos.

Descripción de los contenidos

• Diseño y eficiencia de algoritmos de búsqueda y ordenación de datos

• Metodologías de Adquisición y preparación de los datos

• Metodologías de Procesamiento, Transformación e Integración de los datos

• Características de las Bases de datos NoSQL y sus tipos principales.

• Desarrollo de aplicaciones avanzadas para Big Data con Bases de datos NoSQL.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV10.- Resolución de problemas

AV11.- Elaboración de proyectos

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 40% de la nota

SE2.- Pruebas finales de conocimiento: 60% de la nota

Bibliografía

Básica:

1.- Alan Beaulieau

Learning SQL: Generate, Manipulate, and Retrieve Data (3ª ed.)

O’ Reilly. 2020.

ISBN: 9781492057611

2.- Alex Gorelik

The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science

O’ Reilly. 2019.

ISBN: 9781491931554

3.- Alex Petrov

Database Internals: A Deep-Dive Into How Distributed Data Systems Work

O’ Reilly. 2019.

ISBN: 9781492040347

4.- Ralph Kimball, Margy Ross

The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling 3e

Wiley. 2013.

ISBN: 9788126544271

5.- Wes Mckinney

Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3ª ed.)

3 ed.. O’ Reilly. 2022.

ISBN: 9781098104030

Objetivos

El objetivo de la asignatura es dotar al estudiante de conocimientos avanzados sobre los modelos lineales y los métodos de optimización estocástica cruciales para el entrenamiento de los sistemas de aprendizaje automático, lo que le permitirá definir arquitecturas de aprendizaje automático con las librerías especializadas de código abierto TensorFlow y Keras. Además, podrá analizar e interpretar los datos para detectar y resolver problemas relacionados con los datos, como las incoherencias, los altos niveles de ruido, los errores y otros problemas como las fugas, dominando la metodologías de aprendizaje automático para obtener soluciones.

Requisitos previos

No existen requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG1 Definir la hoja de ruta de adopción en una organización de las tecnologías de procesamiento de grandes volúmenes de datos para facilitar su acceso, compartirlos y administrar su contenido.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CG6 Conocer los componentes tecnológicos de las plataformas de procesamiento extremo a extremo de grandes volúmenes de datos para definir soluciones que mejoren la gestión, la integración, el procesamiento y las tareas analíticas de los datos.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT5 Liderazgo ético: Ser capaz de motivar, influir y dirigir a otras personas fomentando su desarrollo, para que colaboren de forma eficaz y alcancen objetivos comunes en un marco de valores. 

CE9 Conocer técnicas y conceptos estadísticos avanzados (regresión, propiedades de las distribuciones, pruebas estadísticas y su uso adecuado, etc.) para agilizar tareas complejas de procesamiento datos y proporcionar análisis predictivos escalables que evaluen grandes volúmenes de datos.

CE12 Trabajar en el backend y la infraestructura en la nube para construir y desplegar modelos de aprendizaje automático sobre grandes volúmenes de datos.

CE13 Analizar grandes cantidades de datos utilizando el aprendizaje automático y el análisis predictivo para predecir tendencias, actividad y comportamiento futuros a partir de los datos.

Resultados de aprendizaje

• RA-1. Conoce los modelos lineales y los métodos de optimización estocástica cruciales para el entrenamiento de los sistemas de aprendizaje automático.

• RA-2. Define arquitecturas de aprendizaje automático con las librerías especializadas de código abierto TensorFlow y Keras.

• RA-3. Entiende cómo resolver competencias de modelado predictivo de manera eficiente y aprender cuáles de las habilidades obtenidas pueden ser aplicables a las tareas del mundo real.

• RA-4. Adquiere experiencia en el análisis y la interpretación de los datos para detectar y resolver problemas relacionados con los datos, como las incoherencias, los altos niveles de ruido, los errores y otros problemas como las fugas

• RA-5. Domina las metodologías para combinar diferentes modelos de aprendizaje automático.

• RA-6. Obtiene soluciones de altas prestaciones, centrándose en el uso práctico de los métodos de aprendizaje automático.

Descripción de los contenidos

• Estado del arte en el aprendizaje automático

• Entornos y herramientas de programación para aprendizaje automático.

• Técnicas avanzadas de reconocimiento de patrones

• Aprendizaje automático para imágenes.

• Aprendizaje automático para texto.

• Aprendizaje automático para contenidos de videos y audio.

• Casos de uso y últimas tendencias en las organizaciones.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV12.- Resolución de retos

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota.

SE2.- Pruebas finales de conocimiento: 60 de la nota.

SE3.- Cuaderno de prácticas de laboratorio: 10 de la nota.

Bibliografía

Básica:

1.- A. Géron

Hands-On Machine Learning with Scikit-Learn, Keras & Tensorflow

O'Reilly Media. 2019.

ISBN: 9781492032649

2.- A.C. Müller, S. Guido

Introduction to Machine Learning with Python: A Guide for Data Scientists (1ª ed.)

O'Reilly Media. 2017.

ISBN: 9789352134571

Complementaria:

3.- B.V. Vishwas, A. Patel

Hands-on Time Series Analysis with Python

Springer. 2020.

ISBN: 9781484259924

4.- M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte, M. Miyazaki, L Heidmann

Introducing MLOps

O’Reilly Media. 2020.

ISBN: 9781492083290

5.- R. Banik

Hands-On Recommendation Systems with Python

Packt. 2018.

ISBN: 9781788993753

Objetivos

El objetivo de la asignatura es dotar al estudiante de conocimientos acerca de la evolución histórica del Big Data y de cómo incluir el Big Data en la estrategia de una empresa, identificando su impacto en la innovación y la productividad. Además, el estudiante adquirirá una base práctica de Big Data para lograr la transformación de las empresas y que estas basen su funcionamiento en el dato.

Al mismo tiempo, el estudiante que supere la asignatura conocerá la legislación nacional e internacional que aborda las cuestiones éticas en la inteligencia artificial, aplicando la legislación en materia de protección de datos personales y privacidad.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CE4 Establecer estrategias de seguridad específicas de los sistemas de procesamiento masivo de datos que impidan accesos fraudulentos y cumplan la legislación vigente, como el Reglamento General de Protección de Datos (RGPD).

CE5 Aplicar conocimientos científicos en la construcción de soluciones digitales especializadas en el procesamiento de datos masivos para evitar el sesgo algorítmico y dotar de transparencia.

Resultados de aprendizaje

• RA-1. Comprende la evolución histórica del Big Data

• RA-2. Conoce cómo incluir el Big Data en una estrategia empresarial.

• RA-3. Identifica las implicaciones organizativas de integrar en los negocios el Big Data y su impacto en la innovación y productividad.

• RA-4 Adquiere una base práctica en el Big Data y sus aplicaciones empresariales para transformar las organizaciones en empresas gobernadas por datos.

• RA-5. Conoce la legislación nacional e internacional que aborda las cuestiones éticas en la inteligencia artificial.

• RA-6. Conoce y aplica la legislación en materia de protección de datos personales y privacidad.

Descripción de los contenidos

• Evolución histórica de la ciencia de datos y el Big Data.

• Introducción al procesamiento de grandes volúmenes de datos (Big Data).

• Big Data y la Inteligencia Artificial

• Estrategia para implantar Big Data en una organización.

• Casos de éxito.

• El futuro del Big Data.

• Marco legal sobre protección de datos personales.

• Responsabilidad de los sistemas de Big Data e inteligencia Artificial.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV3.- Análisis de casos

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV15.- Debates

AV11.- Elaboración de proyectos

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 40% de la nota

SE2.- Pruebas finales de conocimiento: 60% de la nota.

Bibliografía

Básica:

1.- Bernard Marr

BIG DATA en la práctica: Cómo 45 empresas exitosas han utilizado análisis de big data para ofrecer resultados extraordinarios

TEELL EDITORIAL, S.L.. 2016.

ISBN: 8416511160

2.- Bernard Marr

Big Data in Practice: How 45 Successful Companies Used Big Data Analytics to Deliver Extraordinary Results

WILEY. 2016.

ISBN: 1119231388

3.- Isaac Gonzalez Diaz

Big Data para CEOs y Directores de Marketing: Cómo dominar Big Data Analytics en 5 semanas para directivos

Publicación independiente. 2017.

ISBN: 1549960393

4.- Kenneth Cukier y Viktor Mayer-Schönberger

Big data: La revolución de los datos masivos

Turner. 2016.

ISBN: 8415832109

5.- Larissa T. Moss Y Shaku Atre Addison

Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications

Wesley Professional. 2003.

ISBN: 0201784203

6.- Rafael Caballero y Enrique Martín

Las bases de Big Data

Los Libros de la Catarata. 2015.

ISBN: 8490970866

Objetivos

El objetivo de la asignatura es dotar al estudiante de conocimientos avanzados para comprende los conceptos avanzados de computación en la nube y los sistemas en que se basa, utilizando la arquitectura y lo modelos de programación utilizados para el análisis de datos masivos. Además, podrá desarrollar aplicaciones de Big Data utilizando los servicios de las plataformas de trabajo en la nube, plica las técnicas de tratamiento avanzadas en la explotación de grandes volúmenes de datos

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CG5 Conocer en profundidad los retos actuales en áreas como la adquisición y el procesamiento de datos, la gestión de datos, el procesamiento distribuido y la alta disponibilidad para el diseño de soluciones avanzadas de análisis de datos masivos que puedan resolverlos en entornos profesionales altamente especializados.

CB6

Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CG5 Conocer en profundidad los retos actuales en áreas como la adquisición y el procesamiento de datos, la gestión de datos, el procesamiento distribuido y la alta disponibilidad para el diseño de soluciones avanzadas de análisis de datos masivos que puedan resolverlos en entornos profesionales altamente especializados.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CE1 Ejecutar extracciones y manipulaciones complejas de grandes volúmenes de datos no estructurados para transformarlos y convertirlos en un formato compatible con soluciones de almacenamiento y visualización de datos.

CE6 Desarrollar arquitecturas informáticas avanzadas y escalables para construir soluciones digitales de procesamiento de grandes volúmenes de datos integradas con los principales componentes y plataformas de Big Data.

CE7 Analizar problemas reales relacionados con las ciencias de datos y la inteligencia artificial aplicando métodos de análisis de información y procesamiento de grandes volúmenes de datos para encontrar la solución ideal de manera eficiente y oportuna.

CE13 Analizar grandes cantidades de datos utilizando el aprendizaje automático y el análisis predictivo para predecir tendencias, actividad y comportamiento futuros a partir de los datos.

Resultados de aprendizaje

• RA-1. Conoce las tendencias de vanguardia en Big Data y casos de uso representativos en el entorno profesional.

• RA-2. Comprende los conceptos avanzados de computación en la nube y los sistemas en que se basa.

• RA-3. Conoce la arquitectura y los modelos de programación utilizados para el análisis de datos masivos.

• RA-4. Desarrolla aplicaciones de Big Data utilizando los servicios de las plataformas de trabajo en la nube

• RA-5. Aplica las técnicas de tratamiento avanzadas en la explotación de grandes volúmenes de datos.

Descripción de los contenidos

• Arquitecturas de Aplicaciones en la nube para el Big Data

• Gestión del ciclo de vida de las aplicaciones en la nube

• Servicios en la nube: procesamiento, almacenamiento, redes y bases de datos

• Modelado de datos para aplicaciones de Big Data

• Servicios de virtualización

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV10.- Resolución de problemas

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota.

SE2.- Pruebas finales de conocimiento: 60% de la nota

SE3.- Cuaderno de prácticas de laboratorio: 10% de la nota.

Bibliografía

Básica:

1.- Adi Wijaya

Data Engineering with Google Cloud Platform, A practical guide to operationalizing scalable data analytics systems on GCP

PACKT. 2022.

ISBN: 9781800561328

2.- Christopher Berg, Gil Benghiat y Eran Strod

The DataOps CookBook, Methodolgies and tools that reduce the Analytics Cycle Time while improving quality

DataKitchen. 2019.

ISBN: 9781788839259

3.- Nathan Marz y James Warren

Big-Data. Principles and best practices of scalable real-time data systems

Manning. 2015.

ISBN: 9781617290343

4.- William Inmon y Daniel Linstedt

Data Architecture, A prime for the Data Scientist

Morgan Kaufmann. 2015.

ISBN: 9780128020449

Objetivos

El objetivo de la asignatura es que el estudiante comprenda los detalles específicos de la programación para la ciencia de datos, aplicando el lenguaje R a la resolución de problemas especializados en el manejo de grandes volúmenes de datos. Además, dominará los entornos de desarrollo más comunes para crear programas en R: RStudio y Jupyter Notebook y programará aplicaciones con lenguaje Python utilizando las librerías y herramientas específicas para almacenar y manipular datos.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG1 Definir la hoja de ruta de adopción en una organización de las tecnologías de procesamiento de grandes volúmenes de datos para facilitar su acceso, compartirlos y administrar su contenido.

CG6 Conocer los componentes tecnológicos de las plataformas de procesamiento extremo a extremo de grandes volúmenes de datos para definir soluciones que mejoren la gestión, la integración, el procesamiento y las tareas analíticas de los datos.

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CT5 Liderazgo ético: Ser capaz de motivar, influir y dirigir a otras personas fomentando su desarrollo, para que colaboren de forma eficaz y alcancen objetivos comunes en un marco de valores. 

CE2 Diseñar algoritmos avanzados de resolución de problemas relacionados con el tratamiento de grandes volúmenes de datos mediante el uso de lenguajes de programación específicos para la ciencia de datos con el fin de la ejecutar soluciones digitales en una plataforma de Big Data.

CE5 Aplicar conocimientos científicos en la construcción de soluciones digitales especializadas en el procesamiento de datos masivos para evitar el sesgo algorítmico y dotar de transparencia.

CE8 Aplicar metodologías innovadoras en la programación de aplicaciones de explotación de grandes volúmenes de datos para proporcionar un conocimiento a la organización cambiando la visión en la toma de decisiones.

Resultados de aprendizaje

• RA-1. Comprende los detalles específicos de la programación para la ciencia de datos.

• RA-2. Aplica el lenguaje R a la resolución de problemas especializados en el manejo de grandes volúmenes de datos.

• RA-3. Domina los entornos de desarrollo más comunes para crear programas en R: RStudio y Jupyter Notebook.

• RA-4. Programa aplicaciones con lenguaje Python utilizando las librerías y herramientas específicas para almacenar y manipular datos.

• RA-5. Obtiene una base sólida para el aprendizaje más avanzado en la ciencia de datos, y desarrollar habilidades para avanzar en su carrera de científico de datos especializado en Big Data.

Descripción de los contenidos

• Introducción a la programación en R.

• Estructuras de datos en R.

• Programación en R para procesamiento de grandes volúmenes de datos.

• Introducción a Python y sus estructuras de datos.

• Librerías para visualización avanzada de datos en Python.

• Programación en Python para procesamiento de grandes volúmenes de datos.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV10.- Resolución de problemas

AV11.- Elaboración de proyectos

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota.

SE2.- Pruebas finales de conocimiento: 60% de la nota.

SE4.- Porfolio: 10% de la nota.

Bibliografía

Básica:

1.- Dr. Severance, Charles R.

Python for Everybody: Exploring Data Using Python 3

CreateSpace. 2023.

ISBN: 9781530051120

Objetivos

El objetivo de la asignatura es que el estudiante pueda construir y entrenar redes neuronales profundas totalmente conectadas, aplicando algoritmos de refuerzo de aprendizaje. Además, reconocerá las tareas de Procesamiento del Lenguaje Natural en los procesos de las organizaciones, al tiempo que aprende las mejores prácticas para entrenar y desarrollar conjuntos de pruebas.

.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG1 Definir la hoja de ruta de adopción en una organización de las tecnologías de procesamiento de grandes volúmenes de datos para facilitar su acceso, compartirlos y administrar su contenido.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CT5 Liderazgo ético: Ser capaz de motivar, influir y dirigir a otras personas fomentando su desarrollo, para que colaboren de forma eficaz y alcancen objetivos comunes en un marco de valores. 

CE7 Analizar problemas reales relacionados con las ciencias de datos y la inteligencia artificial aplicando métodos de análisis de información y procesamiento de grandes volúmenes de datos para encontrar la solución ideal de manera eficiente y oportuna.

CE8 Aplicar metodologías innovadoras en la programación de aplicaciones de explotación de grandes volúmenes de datos para proporcionar un conocimiento a la organización cambiando la visión en la toma de decisiones.

CE9 Conocer técnicas y conceptos estadísticos avanzados (regresión, propiedades de las distribuciones, pruebas estadísticas y su uso adecuado, etc.) para agilizar tareas complejas de procesamiento datos y proporcionar análisis predictivos escalables que evalúen grandes volúmenes de datos.

CE10 Entrenar mediante la investigación científica y tecnológica, redes neuronales que analicen grandes volúmenes de datos para aprovecharlos en la optimización de procesos en las organizaciones.

Resultados de aprendizaje

• RA-1. Construye y entrena redes neuronales profundas totalmente conectadas.

• RA-2. Aplica algoritmos de refuerzo de aprendizaje para construir y entrenar redes neuronales.

• RA-3. Reconoce las tareas de Procesamiento del Lenguaje Natural en los procesos de las organizaciones

• RA-4 Aprende las mejores prácticas para entrenar y desarrollar conjuntos de pruebas.

• RA-5. Analiza el sesgo y la varianza para construir aplicaciones de aprendizaje profundo.

Descripción de los contenidos

• Aspectos prácticos y avanzados del aprendizaje profundo y las redes neuronales.

• Algoritmos de aprendizaje por refuerzo.

• Aprendizaje profundo para el Procesamiento de Lenguaje Natural.

• Programación de aplicaciones que implementan Redes Neuronales.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV11.- Elaboración de proyectos

AV12.- Resolución de retos

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota.

SE2.- Pruebas finales de conocimiento : 60% de la nota.

SE3.- Cuaderno de prácticas de laboratorio: 10% de la nota.

Objetivos

El objetivo de la asignatura es que el estudiante desarrolle la capacidad de implementar el despliegue continuo de aplicaciones en una organización, diagnostique el pipeline de entrega de un equipo y presentar recomendaciones priorizadas para mejorarlo, explicando los conjuntos de habilidades y roles implicados en DevOps y cómo contribuyen a una capacidad de entrega continua, revisado y entregando pruebas de automatización en toda la pila de desarrollo. Todo ello, aplicando la metodologías Agile.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CG5 Conocer en profundidad los retos actuales en áreas como la adquisición y el procesamiento de datos, la gestión de datos, el procesamiento distribuido y la alta disponibilidad para el diseño de soluciones avanzadas de análisis de datos masivos que puedan resolverlos en entornos profesionales altamente especializados.

CG6 Conocer los componentes tecnológicos de las plataformas de procesamiento extremo a extremo de grandes volúmenes de datos para definir soluciones que mejoren la gestión, la integración, el procesamiento y las tareas analíticas de los datos.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CT5 Liderazgo ético: Ser capaz de motivar, influir y dirigir a otras personas fomentando su desarrollo, para que colaboren de forma eficaz y alcancen objetivos comunes en un marco de valores. 

CE2 Diseñar algoritmos avanzados de resolución de problemas relacionados con el tratamiento de grandes volúmenes de datos mediante el uso de lenguajes de programación específicos para la ciencia de datos con el fin de la ejecutar soluciones digitales en una plataforma de Big Data.

CE6 Desarrollar arquitecturas informáticas avanzadas y escalables para construir soluciones digitales de procesamiento de grandes volúmenes de datos integradas con los principales componentes y plataformas de Big Data.

Resultados de aprendizaje

• RA-1. Desarrolla la capacidad de implementar el despliegue continuo de aplicaciones en una organización.

• RA-2. Diagnostica el pipeline de entrega de un equipo y presentar recomendaciones priorizadas para mejorarlo.

• RA-3. Explica los conjuntos de habilidades y roles implicados en DevOps y cómo contribuyen a una capacidad de entrega continua.

• RA-4. Revisa y entrega pruebas de automatización en toda la pila de desarrollo

• RA-5. Aplica las metodologías ágiles en el desarrollo y en la automatización de las pruebas para adoptar los principios de la integración y la entrega continuas.

Descripción de los contenidos

• Aspectos avanzados de DevOps e integración continua.

• Integración continua y desarrollo continuo.

• Automatización de las baterías de pruebas de aplicaciones en la nube.

• Entornos de integración y operación en plataformas de integración continua en la nube.

• Roles y funciones dentro una plataforma de integración continua.

• Desarrollo de aplicaciones y organización avanzada de contenedores.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV11.- Elaboración de proyectos

AV12.- Resolución de retos

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota.

SE2.- Pruebas finales de conocimiento: 60% de la nota

SE4.- Portfolio: 10% de la nota.

Bibliografía

Básica:

1.- Betsy Beyer, Chris Jones, Jennifer Petoff, Niall Richard Murphy

Site Reliability Engineering: How Google Runs Production Systems

O'Reilly Media, Inc.. 2016.

ISBN: 9781491951170

2.- Betsy Beyer, Niall Richard Murphy, David K. Rensin, Kent Kawahara, Stephen Thorne

The Site Reliability Workbook

O'Reilly Media, Inc.. 2018.

ISBN: 9781492029502

3.- Martyn Coupland

DevOps Adoption Strategies: Principles, Processes, Tools, and Trends

Packt. 2021.

ISBN: 9781801078788

4.- Mikael Krief

Learning DevOps

Pakt. 2019.

ISBN: 9781838642730

5.- Sandeep Madamanchi

Google Cloud for DevOps Engineers

Pakt. 2021.

ISBN: 9781839218019

Objetivos

El objetivo de la asignatura es que el estudiante se acerque al mundo laboral, a través de las prácticas en una empresa o institución, guiado por un tutor de prácticas en la empresa. El desarrollo de las prácticas estará vinculado al contenido del Máster.

Requisitos previos

Tendrán carácter presencial y se desarrollarán en el centro de trabajo designado por la empresa colaboradora.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CT5 Liderazgo ético: Ser capaz de motivar, influir y dirigir a otras personas fomentando su desarrollo, para que colaboren de forma eficaz y alcancen objetivos comunes en un marco de valores. 

CE15 Aplicar los conocimientos adquiridos en un entorno laboral, para la gestión de sus tareas con sentido de la responsabilidad y trabajar en equipo con iniciativa y motivación.

Resultados de aprendizaje

• RA-1. Aplica en un contexto de investigación científica y tecnológica o altamente especializado, los conocimientos y habilidades adquiridas en el máster.

• RA-2 Selecciona las tecnologías y las metodologías adecuadas para proponer soluciones a retos relacionados con el análisis de datos masivos en entornos profesionales altamente especializados.

• RA-3 Aplica los conocimientos y habilidades adquiridas en el máster para enunciar en términos claros diagnósticos y propuestas de acción ante problemas y retos descritos a partir de información incompleta o limitada.

• RA-4. Analiza y reflexiona sobre la responsabilidad social o ética ligada a la solución que se proponga en los casos de uso del análisis de datos masivos en un entorno profesional altamente especializado.

• RA-5. Transmite de un modo claro y riguroso a un público especializado los resultados procedentes de una investigación científica y tecnológica del ámbito del análisis de datos masivos, argumentando con fundamento su postura y estableciendo diálogos constructivos con sus interlocutores.

• RA-6. Identifica las áreas de desarrollo profesional y de especialización en el ámbito del análisis de datos masivos que serán prioritarios en los próximos pasos de su carrera profesional.

Descripción de los contenidos

El contenido de las prácticas externas a realizar por el estudiante estará basado en el desarrollo laboral en un centro que previamente esté vinculado a la Universidad mediante un Convenio en el que figuren expresamente las actividades de prácticas externas en dicho centro. El tema elegido quedará concretado antes de iniciarse la estancia del estudiante y podrá estar relacionado con diferentes aspectos de carácter profesional.

Actividades formativas

AV1 Clase virtual

AV4 Trabajo autónomo

AV5 Tutoría virtual

AV7 Prácticas externas

Sistema y criterios de evaluación

SE7 Informe del tutor de prácticas externas: 40% de la nota

SE8 Informe del tutor académico de las prácticas externas: 40% de la nota

SE9 Memoria de prácticas externas: 20% de la nota.

Objetivos

El objetivo de la asignatura es que el estudiante adquiera autonomía en el desarrollo de un proyecto de trabajo o investigación, demuestre capacidad para realizar una revisión rigurosa de la literatura en un tema específico y alcance un dominio adecuado de la redacción científica. Asimismo, se busca que sea capaz de aplicar e implementar de forma competente las técnicas estadísticas vistas a lo largo del máster, así como de desarrollar e introducir nuevas metodologías para el análisis de datos. Con ello, el alumno alcanzará un nivel de conocimientos equivalente al estado del arte en un ámbito concreto y, potencialmente, podrá realizar contribuciones originales en dicho campo.

Requisitos previos

Se debe haber superado la totalidad de asignatura del título, incluidas las 'Practicas en empresa', para poder optar a la defensa del TFM.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CE14 Elaborar, exponer y defender un trabajo original en el ámbito del análisis y procesamiento de grandes volúmenes de datos y su impacto en las organizaciones y los negocios.

Resultados de aprendizaje

RA-1. Que el estudiante realice individualmente, presente y defienda ante un tribunal universitario un proyecto en el ámbito de Análisis de Datos Masivos para los Negocios de naturaleza profesional en el que se sinteticen e integren las competencias requeridas en las enseñanzas

Descripción de los contenidos

El Trabajo de fin de Máster deberá verificar la adquisición por el estudiante de las competencias generales y específicas de la titulación en el que se sinteticen las competencias adquiridas en las enseñanzas, o en un trabajo de carácter innovador en el ámbito del análisis de datos masivos, de suficiente complejidad, en un entorno lo más próximo posible a la realidad. El estudiante deberá desarrollar un trabajo coherente, con una duración realista en cuanto a los objetivos que se pretendan. Se tratará de ofrecer un trabajo original, mediante la búsqueda de fuentes y aportación personal del estudiante.

Actividades formativas

AV2 Seminario virtual

AV5 Tutoría virtual

AV7 Elaboración del TFM

AV8 Defensa Oral pública del TFM

Sistema y criterios de evaluación

SE 5 Memoria del TFM: 60% de la nota.

SE 6 Defensa y presentación del TFM ante el Tribunal Evaluador: 40% de la nota.

La defensa se realizará de manera online ante el tribunal evaluador.

Objetivos

El objetivo de la asignatura es que el estudiante aplique las técnicas sofisticadas de visualización basadas en los fundamentos del análisis de datos tienen en cuenta la estructura y el origen de dichos datos, eligiendo para ello la técnica de visualización más adecuada a cada caso de uso teniendo en cuenta el tipo y composición de los datos, organizando la información y detectar patrones, identificando los puntos vitales para la toma de decisiones, para lo cual domina las herramientas más avanzadas que permiten generar visualizaciones de datos.

Requisitos previos

No se han establecido requisitos previos.

Competencias

CB6 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

CB7 Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio

CB8 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades

CB10 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

CG1 Definir la hoja de ruta de adopción en una organización de las tecnologías de procesamiento de grandes volúmenes de datos para facilitar su acceso, compartirlos y administrar su contenido.

CG2 Comunicar sus planteamientos racionalmente con apoyo de elementos visuales para convencer a los responsables de la toma de decisiones empresariales de que sus resultados deben ser utilizados en la mejora de los procesos y el negocio de la organización.

CG3 Identificar los marcos de ética, de responsabilidad social, civil y profesional que deben aplicarse en el ámbito de grandes volúmenes de información para asegurar un comportamiento correcto en relación con los datos, en particular con los datos personales.

CG4 Desarrollar procesos de análisis de riesgos y planes de mitigación para asegurar que los sistemas tecnológicos en el ámbito del análisis de datos masivos cumplen con los requerimientos de la organización.

CT1 Comunicación efectiva: Ser capaz de transmitir y modular un mensaje desde la escucha activa para conectar con la audiencia utilizando los recursos necesarios para adaptarse a sus características y a las del contexto. 

CT2 Trabajo en equipo: Ser capaz de interactuar, escuchar empáticamente y ofrecer soluciones integrando los diferentes puntos de vista, para colaborar eficazmente con personas de diferentes ámbitos y disciplinas en la consecución de objetivos comunes. 

CT3 Pensamiento analítico: Ser capaz de analizar y evaluar información, descomponer problemas o situaciones complejas, detectando patrones para la propuesta de soluciones y la toma de decisiones. 

CT4 Creatividad: Ser capaz de generar ideas y soluciones innovadoras a problemas o situaciones complejas en entornos de colaboración y co-creación. 

CE3 Diseñar modelos de datos flexibles y con trazabilidad para almacenar las entidades y los atributos de la información gestionada por soluciones digitales avanzadas para el tratamiento de grandes volúmenes de datos.

CE8 Aplicar metodologías innovadoras en la programación de aplicaciones de explotación de grandes volúmenes de datos para proporcionar un conocimiento a la organización cambiando la visión en la toma de decisiones.

CE11 Procesar la información relacionada con los datos con técnicas avanzadas creando visualizaciones adecuadas a la audiencia para detectar y comprender las tendencias, los valores atípicos y los patrones en los datos.

Resultados de aprendizaje

• RA-1. Aplica las técnicas sofisticadas de visualización basadas en los fundamentos del análisis de datos tienen en cuenta la estructura y el origen de dichos datos.

• RA-2. Elige la técnica de visualización más adecuada a cada caso de uso teniendo en cuenta el tipo y composición de los datos, la información que se intenta transmitir a la audiencia y cómo procesan los espectadores la información visual.

• RA-3. organiza la información y detectar patrones, identificando los puntos vitales para la toma de decisiones.

• RA-4. Expone los análisis de datos y comunicarlos para que el receptor sea capaz de tomar decisiones en base a esta transmisión de conocimiento.

• RA-5. Domina las herramientas más avanzadas que permiten generar visualizaciones de datos.

• RA-6. Investiga formas alternativas para visualizar conjuntos de datos.

Descripción de los contenidos

• Filtrado avanzando de información y organización de jerarquías.

• Branding Visual.

• Narrativas de datos.

• Organización y Codificación visual de la información.

• Analítica y Visualización de datos Web.

• Técnicas avanzadas de presentación.

• Herramientas de visualización para datos dinámicos.

Actividades formativas

AV1.- Clases magistrales

AV2.- Seminarios virtuales

AV3.- Análisis de casos

AV4.- Estudio de contenidos y documentación complementaria (Trabajo autónomo)

AV5.- Tutoría virtual

AV6.- Pruebas de conocimiento

AV13.- Actividades de talleres y/o laboratorios

Sistema y criterios de evaluación

SE1.- Actividades prácticas (resolución de casos, problemas y retos, realización de proyectos, exposiciones orales, debates, etc.): 30% de la nota

SE2.- Pruebas finales de conocimiento: 60% de la nota

SE3.- Cuaderno de prácticas de laboratorio: 10% de la nota.

Bibliografía

Básica:

1.- Cairo, A

The Truthful Art: Data, Charts, and Maps for Communication

New Riders Publishing. 2016.

ISBN: 9780321934079

2.- Dykes, B.

Effective Data Storytelling: How to Drive Change with Data, Narrative and Visuals

Wiley. 2019.

ISBN: 9781119615712

3.- Ross, M.

Identifying Business Processes

. The Kimball Group. 2005.

ISBN: 9781119216315