Escenaris i Usos de Big Data
Codi: 104749 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| 2503873 Comunicació Interactiva | OB | 4 |
Professor/a de contacte
- Nom:
- Michele Catanzaro
- Correu electrònic:
- michele.catanzaro@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 de les arquitectures Big Data, així com la presentació de solucions al cloud i a partir de la captació i el tractament de dades. Es treballarà igualment el desenvolupament d'aplicacions pràctiques del Big Data amb relació a la intel·ligència geogràfica i l'analítica social. L'assignatura també recull el paradigma de dades obertes com un sistema de treball amb múltiples possibilitats d'aplicació pràctica.
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 al Cloud i escenaris d'ús de Big Data.
3.1 Intel·ligència geogràfica
3.2 Analítica social
Unitat 4. Paradigma de dades obertes i sistemes d'informació pública.
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 |
|---|---|---|---|
| Tipus: Dirigides | |||
| Classes teòriques | 15 | 0,6 | 4, 1, 6, 7, 23, 11, 10 |
| PRACTIQUES DE LABORATORI | 18 | 0,72 | 2, 4, 1, 5, 6, 8, 7, 23, 11, 9, 10, 12, 14, 13, 15, 18, 19, 20, 21, 3, 22, 17, 16 |
| SEMINARIS | 15 | 0,6 | 2, 5, 6, 8, 7, 23, 10, 12, 14 |
| Tipus: Supervisades | |||
| AVALUACIO | 8,5 | 0,34 | 4, 5, 6, 7, 23, 12, 15, 19, 20, 3, 22, 17 |
| TUTORIES | 8,5 | 0,34 | 2, 4, 23, 14, 13, 15, 18, 19, 20, 21, 3, 22, 17, 16 |
| Tipus: Autònomes | |||
| ALTRES ACTIVITATS (temps d'estudi; preparació de practiques; preparació de seminaris, lectures, etc.) | 50 | 2 | 2, 4, 1, 5, 6, 8, 7, 23, 11, 9, 10, 12, 14, 13, 15, 19, 20, 22, 17 |
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.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| LLIURAMENT I PRESENTACIÓ TREBALL DE CURS | 50% | 12 | 0,48 | 2, 4, 6, 8, 23, 11, 10, 12, 14, 15, 18, 19, 20, 21, 3, 22, 17, 16 |
| PARTICIPACIÓ A CLASSE | 10% | 8 | 0,32 | 2, 4, 1, 5, 6, 8, 7, 23, 11, 9, 10, 12, 14, 13, 15, 18, 19, 20, 21, 3, 22, 17, 16 |
| PRACTIQUES DE LABORATORI | 40% | 15 | 0,6 | 2, 4, 1, 5, 6, 8, 7, 23, 11, 9, 10, 12, 14, 13, 15, 18, 19, 20, 21, 3, 22, 17, 16 |
Activitat A. Projecte de curs i presentació oral (grup). 50% de la nota final.
Activitat B: Pràctica de Laboratori. 40% 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.
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.
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'anàlisi de dades: Excel o similar
Programari de visualització de dades: Infogram - Datawrapper - Flourish
Programari d'edició multimèdia: Wordpress - Blogger - Wix
Com que l'assignatura realitzarà sessions pràctiques durant totes les seves activitats es recomana als estudiants (en cas de ser possible) portar sempre el seu ordinador portàtil a les sessions.
Llista d'idiomes
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (PLAB) Pràctiques de laboratori | 61 | Espanyol | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 62 | Espanyol | primer quadrimestre | tarda |
| (TE) Teoria | 6 | Espanyol | primer quadrimestre | tarda |