Guia en format PDF
Logo

Escenaris i Usos de Big Data

Codi: 104749
Crèdits: 6
2026/2027
Titulació Tipus Curs
Comunicació Interactiva OB 4

Professor/a de contacte

Nom :
Mireia Camacho Corrales
Correu electrònic :
mireia.camacho@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Es recomana haver cursat l'assignatura "Introducció al Big Data" per tal de desenvolupar millor les activitats pràctiques del curs.

Objectius

L'objectiu de l'assignatura és l'estudi i la pràctica del tractament de les grans bases de dades alhora que es complementen amb casos d’ús reals. Es treballaran diverses tècniques i funcions que permetran que l’alumnat pugui netejar i analitzar bases de dades independentment de la seva mida. L'assignatura també recull el paradigma de dades obertes com un sistema de treball amb múltiples possibilitats d'aplicació pràctica.

Resultats d'aprenentatge

  1. Diferenciar allò substancial d'allò rellevant en tots els tipus de documents de l'assignatura.
  2. Contrastar i verificar la veracitat de les informacions aplicant criteris de valoració.
  3. Presentar els treballs de l'assignatura en els terminis previstos i mostrar-ne la planificació individual o grupal aplicada.
  4. Identificar situacions que necessiten un canvi o millora.
  5. Proposar nous mètodes o solucions alternatives fonamentades.
  6. Identificar les implicacions socials, econòmiques i mediambientals de les activitats academicoprofessionals de l'àmbit de coneixement propi.
  7. Proposar projectes i accions viables que potenciïn els beneficis socials, econòmics i mediambientals.
  8. Proposar projectes i accions que estiguin d'acord amb els principis de responsabilitat ètica i de respecte pels drets humans i els drets fonamentals, la diversitat i els valors democràtics.
  9. Proposar projectes i accions que incorporin la perspectiva de gènere.
  10. Comunicar fent un ús no sexista ni discriminatori del llenguatge.
  11. Analitzar críticament els principis, valors i procediments que regeixen l'exercici de la professió.
  12. Explicar el codi deontològic, explícit o implícit, de l'àmbit de coneixement propi.
  13. Valorar l'impacte de les dificultats, els prejudicis i les discriminacions que poden incloure les accions o els projectes, a curt o mitjà terminis, en relació amb determinades persones o col·lectius.
  14. Analitzar una situació i identificar-ne els punts de millora.
  15. Ponderar els riscos i les oportunitats de les propostes de millora tant pròpies com alienes.
  16. Planificar i executar projectes acadèmics en l'àmbit del big data.
  17. Solucionar problemes bàsics del big data.
  18. Compartir les experiències en grup com a forma d'aprenentatge per treballar posteriorment en grups multidisciplinaris.
  19. Descriure la infraestructura necessària per a l'emmagatzemament del big data.
  20. Explicar les característiques de la infraestructura necessària per a la recuperació del big data.
  21. Explicar la infraestructura necessària per al tractament del big data.
  22. Diferenciar les varietats de tipus d'arquitectures existents per treballar amb big data.
  23. Extreure grans masses de dades, sobretot de les xarxes socials i dels nous mitjans digitals.

Continguts

Unitat 1. Introducció a R

Unitat 2. Fonaments de l’estadística descriptiva

Unitat 3. Tipus de bases de dades

Unitat 4. Obtenció de dades obertes i web scraping

Unitat 5. Neteja i adaptació de bases de dades

Unitat 6. Tractament de textos amb expressions regulars

Unitat 7. Visualització de dades

Unitat 8. Desenvolupament d’aplicacions web amb RShiny


El programa detallat s'informarà el primer dia de classe mitjançant la presentació del calendari de l'assignatura.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Classes teòriques 15 0,6 1, 10, 11, 13, 19, 20, 21
TUTORIES 8,5 0,34 3, 4, 5, 6, 7, 8, 9, 10, 13, 14, 15, 16, 17, 18
SEMINARIS 15 0,6 1, 2, 4, 13, 14, 19, 21, 22, 23
ALTRES ACTIVITATS (temps d'estudi; preparació de practiques; preparació de seminaris, lectures, etc.) 50 2 1, 2, 3, 4, 6, 8, 9, 10, 11, 12, 13, 14, 16, 17, 19, 20, 21, 22, 23
AVALUACIO 8,5 0,34 1, 2, 3, 8, 9, 10, 13, 16, 17, 18, 19, 23
PRACTIQUES DE LABORATORI 18 0,72 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23

La metodologia de l'assignatura preveu les següents activitats:
Classes teòriques: sessions teòriques d'introducció als conceptes
Pràctiques de laboratori: treballs individuals o en equip en els quals es duguen a terme activitats pràctiques amb un lliurable puntual amb temps límit. Els estudiants han d'aplicar els coneixements, distribuir el temps i preparar els lliuraments dins de l'aula i en les hores destinades a la pràctica sota la guia del professor.
Seminaris: treballs individuals o en equip en els quals es duguen a terme activitats pràctiques més extenses i amb lliurables oberts a la creativitat dels estudiants. No hi ha temps limitats a l'aula, però sí que dates límits de lliurament. Els estudiants han d'aplicar els coneixements, distribuir el temps i preparar els lliuraments iniciant el seu treball dins de l'aula, però continuant-lo sota la modalitat d'activitats supervisades per l'equip docent.
Desenvolupament del treball final de curs: exercici pràctic d'avaluació grupal en el qual els estudiants han de resoldre, durant el desenvolupament del curs, un problema d'aplicació pràctica vinculat als objectius de l'assignatura. Els estudiants han de plantejar el problema i realitzar els quatre processos per a brindar una proposta de solució basada en grans quantitats de dades: cerca, extracció, anàlisi i publicació d'informe de dades que inclogui una proposta de decisió basada en la informació recol·lectada i analitzada.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
PRACTIQUES DE LABORATORI 50% 15 0,6 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23
PARTICIPACIÓ A CLASSE 10% 8 0,32 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23
LLIURAMENT I PRESENTACIÓ TREBALL DE CURS 40% 12 0,48 3, 4, 5, 7, 8, 9, 10, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23

Activitat A. Projecte de curs i presentació oral (grup). 40% de la nota final.

Activitat B: Pràctica de Laboratori. 50% de la nota final.

Activitat C. Participació dels alumnes. 10% de la nota final.

Per aprovar l'assignatura cal obtenir una nota mínima d'aprovació (5,0) a les activitats A i B.


AVALUACIÓ ÚNICA:

Aquesta assignatura no preveu el sistema d’avaluació única.


REAVALUACIÓ:

Les dues darreres setmanes de curs, els alumnes que no hagin superat l'assignatura podran participar en un procés de reavaluació consistent en una prova teòrica i un exercici pràctic. L'alumne haurà d'haver realitzat almenys 2/3 del total de pràctiques de l'assignatura (corresponents a l'activitat B) i haver obtingut una nota mitjana igual o superior a 3,5 (i inferior a 5) a la mitjana ponderada de les activitats d'avaluació.


PLAGI:

En cas que l'estudiant faci qualsevol irregularitat que pugui conduir a una variació significativa de la qualificació d'un acte d'avaluació, aquest acte d'avaluació es qualificarà amb 0, amb independència del procés disciplinari que es pugui instruir. En cas que es produeixin diverses irregularitats als actes d'avaluació de l'assignatura, la qualificació final d'aquesta assignatura serà 0.


ÚS DE LA IA:

L’alumnat té permès utilitzar la IA tot i que el material penjat al CV de l’assignatura ja conté el coneixement necessari per a poder desenvolupar les tasques demanades sense haver de buscar fonts externes. Tot i això, si es detecten frases similars a “Aquí tens el text que has demanat” o altres expressions que indiquin que s’ha copiat i enganxat el text directament de la IA i, per tant, que no s’ha revisat la feina abans d’entregar-la, la pràctica o treball es qualificarà amb 0.

Bibliografia


Bibliografia bàsica


Fernández-Avilés, Gema; Montero, José-María; et al. (2024) Fundamentos de ciencia de datos con R. Editorial McGraw-Hill. Disponible a: https://cdr-book.github.io/index.html

Casas Roma, Jordi (2019) Big data: análisis de datos en entornos masivos. Barcelona: Editorial UOC.

Duran, Xavier (2019). El imperio de los datos: el big data, la privacidad y la sociedad del futuro. PUV Publicacions, Universitat de València: Càtedra de Divulgació de la Ciència, UCC+i, Unitat de Cultura Científica i de la Innovació, Universitat de València.

Dur Lahoz-Beltrá, Rafael (2019). En las entrañas del big data: una aproximación a la estadística. Emse Edapp, S.L.

Fuller A. (2012). The White Book of Big Data. The definitive guide to the revolution in business analytics. Fujitsu. https://www.fujitsu.com/rs/Images/WhiteBookofBigData.pdf



Bibliografia complementària

Tascón, Mario. \"Introducción: Big data. Pasado, presente y futuro\" Telos: Cuadernos de comunicación e innovación 95 (2013): 47-50. https://telos.fundaciontelefonica.com/archivo/numero095/#contenido

Mohamed, Azlinah, et al. \"The state of the art and taxonomy of big data analytics: view from new big data framework\" Artificial Intelligence Review 53.2 (2020): 989-1037.

Gandomi, Amir, and Murtaza Haider. \"Beyond the hype: Big data concepts, methods, and analytics\" International journal of information management 35.2 (2015): 137-144.

Aldana Montes, José Francisco (2018). Introducción al trabajo con datos. Madrid: García-Maroto Editores

Lucivero, Federica. \"Big data, big waste? A reflection on the environmental sustainability of big data initiatives.\" Science and engineering ethics 26.2 (2020): 1009-1030.

Programari

Durant tota l’assignatura s’utilitzarà el llenguatge de programació R.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Tipus de docència Grup Idioma Semestre Torn
(TE) Teoria 6 Espanyol primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 61 Català primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 62 Espanyol primer quadrimestre tarda