Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2503873 Comunicación Interactiva | OB | 3 | 2 |
La asignatura no tiene requisitos obligatorios, pero se recomienda la superación previa de las siguientes asignaturas del grado:
Sistemas de información
Almacenamiento y Recuperación de Información
Servicios Web Avanzados
El objetivo principal de la asignatura es introducir a los y las estudiantes en los conceptos básicos y en las prácticas principales del Big Data.
Asimismo, el curso tiene los siguientes objetivos específicos:
1. Desarrollar un conocimiento propedeútico para el desarrollo posterior de aplicaciones de Business Intelligence: el desarrollo de soluciones de big data para la inteligencia de negocio y su influencia en la toma de decisiones.
2. Introducir los conceptos de fuentes y tipos de datos (estructura, clasificación, integración y calidad).
3. Promove la exploración de las peticiones y el trabajo con fuentes de Open data.
4. Realizar las primeras aproximaciones al análisis de bases de datos en entornos de herramientas de trabajo con hojas de cálculo y otras herramientas prácticas.
Unidad 1. El Big Data: Introducción a la asignatura. Concepto del Big Data, sus procesos y sus características.
Unidad 2. Fuentes, captura y almacenamiento de datos: Presentación de fuentes de datos (principalmente fuentes abiertas), de los procesos de acceso y solicitudes de información pública y leyes de transparencia. Procesos de búsqueda, descarga y almacenamiento de diferentes tipos de datos (formatos).
Unidad 3. Procesamiento y análisis de datos: Manejo de herramientas y funciones de limpieza y análisis de datos para la toma de decisiones.
Unidad 4. Visualización de datos: Presentación de herramientas de visualización de datos para la presentación de informes orientados a la toma de decisión.
Unidad 5. Cartografía con datos: Presentación de diferentes herramientas y posibilidades de representación cartográfica de la información.
(*) El calendario detallado con el contenido de las diferentes sesiones se expondrá el día de presentación de la asignatura. Se colgará también en el Campus Virtual donde el alumnado podrá encontrar la descripción detallada de los ejercicios y prácticas, los diversos materiales docentes y cualquier información necesaria para el adecuado seguimiento de la asignatura. En caso de cambio de modalidad docente por razones sanitarias, el profesorado informará de los cambios que se producirán en la programación de la asignatura y en las metodologías docentes.
El contenido de esta asignatura será sensible a los aspectos relacionados con la perspectiva de género.
La estructura de la asignatura, en la que se realizan diferentes actividades prácticas, busca la interiorización de competencias relacionadas con el manejo del Big Data (búsqueda, extracción, análisis y publicación de datos para la toma de decisiones). Su metodología es completamente práctica. A través de las actividades de laboratorio, de talleres y de la realización del trabajo final de curso, se evalúa tanto el componente teórico de la asignatura, como la aplicación práctica de los contenidos estudiados.
La evaluación continua de la asignatura, en la que se realizan prácticas puntuales y continuas de corta duración, permite realizar un seguimiento preciso sobre el aprendizaje y la progresión del estudiante. Asimismo, se trabaja de forma progresiva sobre la adquisición de los conocimientos que, paso a paso, son involucrados en las prácticas siguientes.
La asignatura de Introducción al Big Data contempla tres tipos o categorías de actividades formativas evaluables:
Prácticas de laboratorio: trabajos individuales o en equipo en los que se realizan actividades prácticas con un entregable puntual con tiempo límite. Los estudiantes deben aplicar los conocimientos, distribuir el tiempo y preparar las entregas dentro del aula y en las horas destinadas a la práctica bajo la guía del profesor.
Seminarios: trabajos individuales o en equipo en los que se realizan actividades prácticas más extensas y con entregables abiertos a la creatividad de los estudiantes. No hay tiempos limitados al aula, pero sí fechas límites de entrega. Los estudiantes deben aplicar los conocimientos, distribuir el tiempo y preparar las entregas iniciando su trabajo dentro del aula, pero continuándolo bajo la modalidad de actividades supervisadas por el equipodocente.
Desarrollo del trabajo final de curso: ejercicio práctico de evaluación grupal en el que los estudiantes deben resolver, durante el desarrollo del curso, un problema de aplicación práctica vinculado al Big Data. Los estudiantes deben plantear el problema y realizar los cuatro procesos para brindar una propuesta de solución basada en grandes cantidades de datos: búsqueda, extracción, análisis y publicación de informe de datos que incluya una propuesta de decisión basada en la información recolectada y analizada.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases teóricas | 15 | 0,6 | 1, 2, 5, 4 |
Prácticas de laboratorio | 33 | 1,32 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Tipo: Supervisadas | |||
Seminarios | 10 | 0,4 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Tutorías | 10 | 0,4 | |
Tipo: Autónomas | |||
Trabajo autónomo: Lecturas, preparación de trabajos y prácticas y estudio personal. | 60 | 2,4 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Las actividades de Evaluación son:
Actividad A: Prácticas de laboratorio, que tienen un peso del 40% sobre la calificación final
Actividad B: Prácticas de aula, que tienen un peso del 30% sobre la calificación final
Actividad C: Entrega de trabajos, que tiene un peso del 30% sobre la calificación final
Para aprobar la asignatura, es necesario obtener una nota mínima aprobatoria (5,0) en cada una de las actividades.
RECUPERACIÓN:
En las tres últimas semanas del curso los estudiantes que no hayan superado la asignatura podrán presentarse a una prueba de síntesis de reevaluación que consistirá en un test teórico y en un ejercicio práctico. La condición obligatoria para poder optar a la recuperación de la asignatura es haber hecho, como mínimo, 2/3 del total de las prácticas del curso (actividades A, B y C) y haber obtenido una nota media igual o superior a 3,5 (y menor que 5) en todas las actividades de evaluación.
De acuerdo con los criterios señalados anteriormente, si un estudiante no realiza, al menos, el 66% de las prácticas de las actividades de evaluación se considerará como no evaluable de esta asignatura.
PLAGIO:
El estudiante que realice cualquier irregularidad (copia, plagio, suplantación de identidad...) se calificará con 0 este acto de evaluación. En caso de que se produzcan varias irregularidades, la calificación final de la asignatura será 0.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Entrega de trabajos | 30% | 6 | 0,24 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Prácticas de aula | 30% | 8 | 0,32 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Prácticas de laboratorio | 40% | 8 | 0,32 | 1, 2, 3, 5, 4, 7, 6, 8, 9, 10 |
Alcalde, Ignasi. (2015). Visualización de la información. De los datos al conocimiento. Editorial UOC.
Bounegru, Liliana; Gary, Jonathan (Eds.). (2020). The Data Journalism Handbook II. Towards a Critical Data Practice. European Journalism Centre and Google News Initiative. https://datajournalism.com/read/handbook/two
Bounegru, Liliana; Chambers, Lucy; Gary, Jonathan (Eds.) (2012). The Data Journalism Handbook: How Journalists Can Use Data to Improve the News, O’Reilly Media. https://datajournalism.com/read/handbook/one
Bradshaw, Paul. (2017). Scraping for Journalists. How to grab information from hundreds of sources, put it in data you can interrogate - and still hit deadlines (2nd edition). Leanpub
Bradshaw, Paul. (2019). Finding Stories in Spreadsheets. Recipes for interviewing data - and getting answers. Leanpub
Bradshaw, Paul., Maseda, Bárbara. (2015). Periodismo de datos: Un golpe rápido. Cómo entrar, obtener los datos, escabullirse con la noticia… ¡Y asegurarse de que nadie salga herido! Leanpub.
Cairo, Alberto. (2011). El arte funcional: Infografía y visualización de información. Alamut.
Cairo, Alberto. (2016). The Truthful Art: Data, charts, and maps for communication. New Riders.
Cairo, Alberto. (2017). ¿Visualización de datos: una imagen puede valer más que mil números, pero no siempre más que mil palabras. El profesional de la información, 26(6), 1025-1028.
Carlberg, Conrad. (2011). Análisis estadístico con Excel. Anaya.
CARTO (2018). The Top Trends in Data Visualization for 2018. Medium. https://medium.com/@carto/the-top-trends-in-data-visualization-for-2018-54911e875375
Charte Ojeda, Francisco (2016). Excel 2016. Anaya.
Ferrer-Sapena, Antonia; Sánchez-Pérez, Enrique. (2013). Open data, big data: ¿Hacia dónde nos dirigimos? Anuario ThinkEPI, 7, 150-156.
Fuchs, Christian. (2017). “Dallas Smythe Today – The Audience Commodity, the Digital Labour debate, Marxist Political Economy and Critical Theory. Prolegomena to a Digital Labour Theory of Value”. En: Fuchs, C., Mosco, V. (Eds.). Marx and the Political Economy of the Media. Haymarket Books. pp. 522-599.
Giraldo-Luque Santiago; Fernández-Rovira Cristina (2021) Economy of Attention: Definition and Challenges for the Twenty-First Century. En: Park S.H., Gonzalez-Perez M.A., Floriani D.E. (Eds.). The Palgrave Handbook of Corporate Sustainability in the Digital Era. Palgrave Macmillan. pp. 283-305.
Greene, Derek. (2014). Practical Social Network Analysis With Gephi. Practical Social Network Analysis With Gephi · Derek Greene
Greene, Derek; Cunningham, Pàdraig (2013). Producing a Unified Graph Representation from Multiple Social Network Views. Proc. ACM Web Science’13
Jauset, J.A. (2007). Estadística para periodistas, publicitarios y comunicadores (1 ed.). Catalunya: UOC.
Kauffmann, Erick; Peral, Jesús; Gil, David; Ferrández, Antonio; Sellers, Ricardo; Mora Higinio (2020). A framework for big data analytics in commercial social networks: A case study on sentiment analysis and fake review detection for marketing decision-making, Industrial Marketing Management, 90, 523-537.
Mayer-Schönberger, Viktor; Cukier, Kenneth (2013). Bigdata. La revolución de los datos masivos. Turner.
Moore, David.S. (2005). Estadística aplicada básica. Antoni Bosch.
O’Neil, Cathy. (2017). Armas de destrucción matemática. Cómo el Big Data aumenta la desigualdad y amenaza la democracia. Capitan Swing.
Patino, Bruno (2020). La civilización de la memoria de pez. Pequeño tratado sobre el mercado de la atención. Alianza.
Mierzejewski, Mikołaj; Lee, Maggie; Grün, Gianna-Carina; Bradshaw, Paul; Panuccio, Erika; Aldhous, Peter (2018). Data scraping for stories. Conversations with Data: #12. https://datajournalism.com/read/newsletters/data-scraping-for-stories
Tascón, Mario (2013). Introducción. Big Data. Pasado, presente, futuro. Telos: Cuadernos de comunicación e innovación, 95, 47-50.
Turing, Alan. (1974). ¿Puede pensar una máquina? Universidad de Valencia.
Al tratarse de una asignatura completamente práctica el software requerido es el habitual para la realización de las tareas de captura, tratamiento y análisis de información en diferentes formatos.
En concreto, se requieren de las siguientes herramientas:
Software de edición de textos: Word o similar
Software de análisis de datos: Excel o similar
Software de visualización de datos: Infogram - Datawrapper - CARTO - Gephi
Como la asignatura puede realizar algunas sesiones virtuales, los estudiantes deben tener acceso también a un ordenador con cámara y micrófono y conexión a Internet para poder participar de las sesiones on-line.