Análisis y Visualización de Big Data
Código: 104750Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Comunicación Interactiva | OP | 4 |
Profesor/a de contacto
- Nombre :
- Carles Llorens Maluquer
- Correo electrónico :
- carles.llorens@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
- Conocimientos básicos de Microsoft Excel u OpenOffice Calc.
- Conocimientos de Python adquiridos en asignaturas previas.
- Una clara voluntad e interés en aprender Python orientado al trabajo con datos.
Objetivos
El objetivo principal de la asignatura es dotar al alumnado de las habilidades y competéncias básicas para poder gestionar, analizar y visualizar grandes volúmenes de información estructurada. Para ello se realizará una introducción al lenguaje de programación Python orientado exclusivamente al trabajo con datasets. Se hará especial émfasis en los métodos de minado de datos, limpieza y transformación de la información para su posterior análisis. Para ello nos centraremos en librerías como Pandas y Numpy. Para el apartado de análisis y visualización se realizará una inmersión en el Software "Tableau Desktop".
Resultados de aprendizaje
- Diferenciar lo sustancial de lo relevante en todos los tipos de documentos de la asignatura.
- Contrastar y verificar la veracidad de las informaciones aplicando criterios de valoración.
- Presentar los trabajos de la asignatura en los plazos previstos y mostrando la planificación individual y/o grupal aplicada.
- Identificar situaciones que necesitan un cambio o mejora.
- Proponer nuevos métodos o soluciones alternativas fundamentadas.
- Identificar las implicaciones sociales, económicas y medioambientales de las actividades académico-profesionales del ámbito de conocimiento propio.
- Proponer proyectos y acciones viables que potencien los beneficios sociales, económicos y medioambientales.
- Proponer proyectos y acciones que estén de acuerdo con los principios de responsabilidad ética y de respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Proponer proyectos y acciones que incorporen la perspectiva de género.
- Comunicar haciendo un uso no sexista ni discriminatorio del lenguaje.
- Analizar críticamente los principios, valores y procedimientos que rigen el ejercicio de la profesión.
- Explicar el código deontológico, explícito o implícito, del ámbito de conocimiento propio.
- Valorar el impacto de las dificultades, los prejuicios y las discriminaciones que pueden incluir las acciones o proyectos, a corto o medio plazo, en relación con determinadas personas o colectivos.
- Analizar una situación e identificar sus puntos de mejora.
- Ponderar los riesgos y las oportunidades de las propuestas de mejora tanto propias como ajenas.
- Planificar y ejecutar proyectos académicos en el ámbito deL Big data.
- Solucionar problemas básicos en big data.
- Compartir las experiencias en grupo como forma de aprendizaje para trabajar posteriormente en grupos multidisciplinares.
- Describir la infraestructura necesaria para el almacenamiento del big data.
- Explicar las características de la infraestructura necesaria para la recuperación del big data.
- Explicar la infraestructura necesaria para el tratamiento del big data.
- Diferenciar las variedades de tipos de arquitecturas existentes para trabajar con big data.
- Extraer grandes masas de datos sobre todo de las redes sociales y los nuevos medios digitales.
Contenidos
Bloque 1: Análisis de Big Data:
-
- Introducción al Big Data y análisis de datos con Python.
-
- Infraestructura básica de manipulación de datos con Python.
-
- Análisis de datos con librería Pandas.
-
- Fuentes de datos (APIs, web scraping...)
-
Bloque 2: Visualización de Big Data:
-
- Principios de visualización de datos.
-
- Formatos de presentación de Big Data.
-
- Herramientas de visualización de Big Data.
-
El calendario detallado con el contenido de las diferentes sesiones se expondrá el día de presentación de la asignatura y estará también disponible en el Campus Virtual de la asignatura, donde el alumnado podrá encontrar los diversos materiales docentes que el profesorado estime convenientes y toda la información necesaria para el adecuado seguimiento de la asignatura. En caso de cambio de modalidad docente por motivos de fuerza mayor según las autoridades competentes, el profesorado informará de los cambios que se producirán en la programación de la asignatura y en las metodologías docentes.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Horas de estudio | 27 | 1,08 | 16, 17 |
| Proyecto Final Grupal | 50 | 2 | 1, 2, 3, 4, 5, 7, 8, 9, 10, 11, 13, 14, 16, 17, 22, 23 |
| Sesiones de laboratorio | 33 | 1,32 | 7, 16, 17, 18, 19, 20, 21, 22, 23 |
| Preparación de prácticas de laboratorio | 25 | 1 | 4, 7, 14, 17, 18, 22, 23 |
| Teoría y aprendizaje práctico guiado | 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 |
Sesiones teoricas y prácticas.
Nota: El contenido de la asignatura será sensible a los aspectos relacionados con la perspectiva de género y con el uso del lenguaje inclusivo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Trabajo práctico 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 |
| Asistencia y Participación | 10% | 0 | 0 | 16, 17, 18 |
| Ejercicios en el Aula | 35% | 0 | 0 | 1, 2, 4, 16, 19, 20, 21, 22 |
| Presentaciones orales de trabajos | 5% | 0 | 0 | 1, 3, 6, 10, 14 |
Las competencias de esta asignatura se evalúan mediante las siguientes actividades:
- Asistencia y participación (10% de la nota final).
- Ejercicios en el aula (35% de la nota final).
- Trabajo práctico en grupo (50% de la nota final).
- Presentaciones orales de los trabajos (5% de la nota final).
La nota final será la suma de la puntuación obtenida en cada una de estas partes.
Es imprescindible realizar y aprobar tanto los ejercicios en el aula como el trabajo práctico en grupo para superar la asignatura.
Aquellos estudiantes que NO superen la evaluación continua tendrán la opción de presentarse a un examen final, que se celebrará el último día de clase. Este examen será teórico y práctico. Para poder presentarse al examen final, es obligatorio haber entregado el trabajo en grupo.
Esta asignatura ofrece la posibilidad de evaluación única. Las condiciones para acogerse a esta modalidad se explicarán el primer día de clase.
En esta asignatura, no se permite el uso de tecnologías de Inteligencia Artificial (IA) en ninguna de sus fases. Cualquier trabajo que incluya fragmentos generados con IA será considerado una falta de honestidad académica y puede comportar una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos de gravedad.
A cualquier estudiante sospechoso de presentar tareas que hayan sido generadas por IA, elaboradas por otras personas o copiadas; que incluyan contenido generado por IA sin referenciar, o que no se encuentren dentro de los supuestos permitidos, se le podrá solicitar el trabajo previo u otros materiales que puedan demostrar que se trata de un trabajo inédito y fruto de su autoría original. También se le podrá solicitar que explique o justifique por separado su trabajo. El profesorado también podrá utilizar sistemas de identificación de uso de la IA o llevar a cabo las tareas de comprobación que considere convenientes. Si tras la revisión se detecta que se han cometido irregularidades, el trabajo podrá calificarse con un cero y el estudiante podrá estar sujeto a más medidas disciplinarias.
Bibliografía
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.
Software
- Tableau
- Gephi
- Pycharm
- Microsoft Excel / OpenOffice Calc
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 6 | Catalán | segundo cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 61 | Catalán | segundo cuatrimestre | tarde |