Guia en format PDF
Logo

Anàlisi i Visualització de Big Data

Codi: 104750
Crèdits: 6
2026/2027
Titulació Tipus Curs
Comunicació Interactiva OP 4

Professor/a de contacte

Nom :
Carles Llorens Maluquer
Correu electrònic :
carles.llorens@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

  • Coneixements bàsics de Microsoft Excel o OpenOffice Calc.
  • Coneixments de Python adquirits en assignatures prèvies.
  • Una clara voluntat d'aprendre Python orientat al treball amb dades.

Objectius

L'objectiu principal de l'assignatura és que l'alumnat obtingui les habilitats i les competències bàsiques per poder gestionar, analitzar i visualitzar grans volums d'informació estructurada. Per això es farà una introducció al llenguatge de programació Python orientat exclusivament al treball amb datasets. Es farà un èmfasi en els mètodes de minat de dades, neteja i transformació de la informació per a la posterior anàlisi. Per això ens centrarem en llibreries com Pandas i Numpy. Per a l'apartat d'anàlisi i visualització es realitzarà una immersió al programari "Tableau Desktop".

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

Bloc 1: Anàlisi de Big Data:



  • Introducció al Big Data i anàlisi de dades amb Python.

  • Infraestructura bàsica de manipulació de dades amb Python.

  • Anàlisi de dades amb llibreria Pandas.

  • Fonts de dades (APIs, web scraping...)


Bloc 2: Visualització de Big Data:



  • Principis de visualització de dades.

  • Formats de presentació de Big Data.

  • Eines de visualització de Big Data.


El calendari detallat amb el contingut de les diferents sessions s'exposarà el dia de presentació de l'assignatura i estarà també disponible al Campus Virtual de l'assignatura, on l'alumnat podrà trobar els diversos materials docents que el professorat estimi convenients i tota la informació necessària per l'adequat seguiment de l'assignatura. En cas de canvi de modalitat docent per motius de força major segons les autoritats competents, el professorat informarà dels canvis que es produiran en la programació de l'assignatura i en les metodologies docents.


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Hores d'estudi 27 1,08 16, 17
Projecte Final Grupal 50 2 1, 2, 3, 4, 5, 7, 8, 9, 10, 11, 13, 14, 16, 17, 22, 23
Sessions de laboratori 33 1,32 7, 16, 17, 18, 19, 20, 21, 22, 23
Preparació de pràctiques de laboratori 25 1 4, 7, 14, 17, 18, 22, 23
Teoria i aprenentatge pràctic guiat 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

Sessions teòriques i pràctiques.

Nota: El contingut de l’assignatura serà sensible als aspectes relacionats amb la perspectiva de gènere i amb l’ús del llenguatge inclusiu.

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
Treball pràctic grupal 50% 0 0 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23
Assistència i Participació 10% 0 0 16, 17, 18
Exercicis a l'aula 35% 0 0 1, 2, 4, 16, 19, 20, 21, 22
Presentació oral de treballs 5% 0 0 1, 3, 6, 10, 14

Les competències d’aquesta assignatura s’avaluen amb les següents activitats:

  • Assistència i participació (10% de la nota final).
  • Exercicis a l’aula (35% de la nota final).
  • Treball pràctic en grup (50% de la nota final).
  • Presentacions orals dels treballs (5% de la nota final).

La nota final serà la suma de la puntuació obtinguda en cadascuna d’aquestes parts.

És imprescindible realitzar i aprovar els exercicis a l’aula i el treball pràctic en grup per superar l’assignatura.

Aquells estudiants que NO superin l’avaluació tenen l’opció de presentar-se a l’examen final, que tindrà lloc l’últim dia de classe. Aquest examen serà teòric i pràctic. Per presentar-se a l’examen final és obligatori haver lliurat el treball en grup.

Aquesta assignatura ofereix la possibilitat d’avaluació única. Les condicions per ser avaluats amb aquesta modalitat s’explicaran el primer dia de classe.

En aquesta assignatura, no es permet l'ús de tecnologies d'Inteŀligència Artificial (IA) en cap de les seves fases. Qualsevol treball que inclogui fragments generats amb IA serà considerat una falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.

La realització de qualsevol irregularitat en un acte d'avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l'assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d'avaluació o que es produeixin diverses irregularitats en els actes d'avaluació d'una mateixa assignatura, la qualificació final d'aquesta assignatura és 0. Al marge d'això, es podrà instruir un procés disciplinari a l'estudiant que incorri en alguna d'aquestes irregularitats.

Qualsevol estudiant sospitós de presentar tasques que hagin estat generades per IA, elaborades per altres persones o copiades; incloguin contingut generat per IA sense referenciar, o que no es trobin dins els supòsits permesos, se li podrà demanar el treball previ o d'altres materials que puguin demostrar que es tracta d'un treball inèdit i fruit de la seva autoria original. També es podrà sol·licitar que expliqui o justifiqui per separat la seva feina. El professorat també podrà utilitzar sistemes d'identificació d'ús de la IA o portar a terme les tasques de comprovació que consideri convenients. Si després de la revisió es detecta que s'han comès irregularitats, el treball pot ser qualificat amb un zero i l'estudiant pot estar subjecte a més mesures disciplinàries.



Bibliografia

Ghani, Norjihan Abdul, et al. (2019). Social media big data analytics: A survey. Computers in Human behavior, 101, 417-428.

Kelleher, John D.; Namee, Brian Mac & D'arcy, Aoife (2020). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT press.

Knaflic, Cole Nussbaumer (2015). Storytelling with data: A data visualization guide for business professionals. John Wiley & Sons. 

Lomborg, Stine & Bechmann, Anja (2014). Using APIs for data collection on social media. The Information Society 30(4), 256-265.

Parks, Malcolm R. (2014). Big data in communication research: Its contents and discontents. Journal of communication 64(2), 355-360.

Tufekci, Zeynep (2014). Big questions for social media big data: Representativeness, validity and other methodological pitfalls. Proceedings of the international AAAI conference on web and social media, 8(1).

Van Atteveldt, Wouter; Trilling, Damian & Arcila, Carlos (2022). Computational analysis of communication. John Wiley & Sons.

Programari

  • Tableau
  • Gephi
  • Pycharm
  • Microsoft Excel / OpenOffice Calc

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 Català segon quadrimestre tarda
(PLAB) Pràctiques de laboratori 61 Català segon quadrimestre tarda