Escenaris i Usos de Big Data
Codi: 104749 Crèdits: 6| Titulació | Tipus | Curs | Semestre |
|---|---|---|---|
| 2503873 Comunicació Interactiva | OB | 4 | 1 |
Professor/a de contacte
- Nom:
- Laura Cervi
- Correu electrònic:
- laura.cervi@uab.cat
Utilització d'idiomes a l'assignatura
- Llengua vehicular majoritària:
- català (cat)
- Grup íntegre en anglès:
- No
- Grup íntegre en català:
- Sí
- Grup íntegre en espanyol:
- No
Equip docent
- Marta Portales Oliva
Prerequisits
1. Haber cursant l'assignatura "Introducció al Big Data"
2. L'alumnat ha de tenir un domini suficient del català i del castellà, llengües en les quals són impartides les classes i tenir almenys domini de l'anglès a nivell de lectura (llengua en la qual estan la majoria dels materials docents).
Objectius
L'objectiu de l'assignatura és l'estudi i la pràctica de les arquitectures Big Data (Entorn Hadoop/MapReduce- Spark). Solucions en el cloud i escenaris d'ús de Big data (intel·ligència geogràfica, analítica social, paradigma de dades obertes)
Competències
- Actuar amb responsabilitat ètica i amb respecte pels drets i deures fonamentals, la diversitat i els valors democràtics.
- Actuar en l'àmbit de coneixement propi avaluant les desigualtats per raó de sexe/gènere.
- Actuar en l'àmbit de coneixement propi valorant l'impacte social, econòmic i mediambiental.
- Cercar, seleccionar i jerarquitzar qualsevol tipus de font i document útil per a l'elaboració de missatges, treballs acadèmics, exposicions, etc.
- Gestionar el temps de manera adequada i ser capaç de planificar tasques a curt, mitjà i llarg terminis.
- Introduir canvis en els mètodes i els processos de l'àmbit de coneixement per donar respostes innovadores a les necessitats i demandes de la societat.
- Promocionar i llançar nous productes i serveis a partir de l'extracció i l'anàlisi de dades massives dels mitjans de comunicació.
- Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
- Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
- Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
- Reconèixer i planificar la infraestructura tecnològica necessària per a la creació, l'emmagatzematge, l'anàlisi i la distribució de productes multimèdia interactius i de l'internet social.
Resultats d'aprenentatge
- Analitzar críticament els principis, valors i procediments que regeixen l'exercici de la professió.
- Analitzar una situació i identificar-ne els punts de millora.
- Compartir les experiències en grup com a forma d'aprenentatge per treballar posteriorment en grups multidisciplinaris.
- Comunicar fent un ús no sexista ni discriminatori del llenguatge.
- Contrastar i verificar la veracitat de les informacions aplicant criteris de valoració.
- Descriure la infraestructura necessària per a l'emmagatzemament del big data.
- Diferenciar allò substancial d'allò rellevant en tots els tipus de documents de l'assignatura.
- Diferenciar les varietats de tipus d'arquitectures existents per treballar amb big data.
- Explicar el codi deontològic, explícit o implícit, de l'àmbit de coneixement propi.
- Explicar la infraestructura necessària per al tractament del big data.
- Explicar les característiques de la infraestructura necessària per a la recuperació del big data.
- Extreure grans masses de dades, sobretot de les xarxes socials i dels nous mitjans digitals.
- Identificar les implicacions socials, econòmiques i mediambientals de les activitats academicoprofessionals de l'àmbit de coneixement propi.
- Identificar situacions que necessiten un canvi o millora.
- Planificar i executar projectes acadèmics en l'àmbit del big data.
- Ponderar els riscos i les oportunitats de les propostes de millora tant pròpies com alienes.
- Presentar els treballs de l'assignatura en els terminis previstos i mostrar-ne la planificació individual o grupal aplicada.
- Proposar nous mètodes o solucions alternatives fonamentades.
- 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.
- Proposar projectes i accions que incorporin la perspectiva de gènere.
- Proposar projectes i accions viables que potenciïn els beneficis socials, econòmics i mediambientals.
- Solucionar problemes bàsics del big data.
- 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.
Continguts
Unitat 1. Introducció als escenaris i usos del Big Data
Unitat 2: Estudi i pràctica de les arquitectures Big Data (Entorn Hadoop/MapReduce- Spark).
Unitat 3. Solucions en el Cloud i escenaris d'ús de Big Data
3.1 Intel·ligència geogràfica
3.2 Analític social
3.3 Paradigma de dades obertes.
El programa detallat es proporcionarà el primer dia de classe
Metodologia
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Activitats formatives
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Classes teòriques | 15 | 0,6 | 1, 4, 6, 7, 10, 11, 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 |
| SEMINARIS | 15 | 0,6 | 2, 5, 6, 7, 8, 10, 12, 14, 23 |
| Tipus: Supervisades | |||
| AVALUACIO | 8,5 | 0,34 | 3, 4, 5, 6, 7, 12, 15, 17, 19, 20, 22, 23 |
| TUTORIES | 8,5 | 0,34 | 2, 3, 4, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 |
| Tipus: Autònomes | |||
| ALTRES ACTIVITATS (temps d'estudi; preparació de practiques; preparació de seminaris, lectures, etc.) | 50 | 2 | 1, 2, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 17, 19, 20, 22, 23 |
Avaluació
Activitat A. Examen sobre els continguts (individual). Val el 20% de la nota final.
Activitat B. Treball de curs (grupal). Val el 25% de la nota final.
Activitat C: Presentació oral del treball (grupal). Val el 10% de la nota final
Activitat D. Practiques de laboratoris. Val el 35% de la nota final.
Activitat E. Carpeta de l'estudiant. Val el 10% de la nota final.
Per a aprovar l'assignatura, és necessari obtenir una nota mínima aprovatòria (5,0) en cadascuna de les activitats.
RECUPERACIÓ:
En les tres últimes setmanes del curs els estudiants que no hagin superat l'assignatura podran presentar-se a una prova de síntesi de reavaluació que consistirà en un test teòric i en un exercici pràctic. La condició obligatòria per a poder optar a la recuperació de l'assignatura és haver fet, com a mínim, 2/3 del total de les pràctiques del curs (activitats A i D) i haver obtingut una nota mitjana igual o superior a 3,5 (i menor que 5) en totes les activitats d'avaluació.
D'acord amb els criteris assenyalats anteriorment, si un estudiant no realitza, almenys, el 66% de les pràctiques de les activitats d'avaluació es considerarà com no avaluable d'aquesta assignatura.
PLAGI:
En cas que l’estudiant realitzi qualsevol irregularitat que pugui conduir a una variació significativa de la qualificació d’un acte d’avaluació, es qualificarà amb 0 aquest acte d’avaluació, amb independència del procés disciplinari que s’hi pugui instruir. En cas que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura serà 0.
Activitats d'avaluació
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| CARPETA DE L'ESTUDIANT | 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 |
| EXAMEN DE CONTIGUT | 20 | 2 | 0,08 | 1, 4, 6, 7, 8, 9, 10, 11, 12, 13, 23 |
| PRACTIQUES DE LABORATORI | 35 | 13 | 0,52 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 |
| PRESENTACIO ORAL | 10 | 2 | 0,08 | 2, 3, 4, 6, 8, 10, 11, 12, 14, 15, 17, 18, 19, 20, 21, 22, 23 |
| TREBALL DE CURS | 25 | 10 | 0,4 | 2, 3, 4, 12, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 |
Bibliografia
Bibliografia bàsica
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
En tractar-se d'una assignatura principalment pràctica el programari requerit és l'habitual per a la realització de les tasques de captura, tractament i anàlisi d'informació en diferents formats.
En concret, es requereixen de les següents eines:
Programari d'edició de textos: Word o similar
Programari d'anàlisi de dades: Illustrator, Flourish, Tableau, Infogram, Datawrapper