Logo UAB

Escenaris i Usos de Big Data

Codi: 104749 Crèdits: 6
2024/2025
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

  1. Analitzar críticament els principis, valors i procediments que regeixen l'exercici de la professió.
  2. Analitzar una situació i identificar-ne els punts de millora.
  3. Compartir les experiències en grup com a forma d'aprenentatge per treballar posteriorment en grups multidisciplinaris.
  4. Comunicar fent un ús no sexista ni discriminatori del llenguatge.
  5. Contrastar i verificar la veracitat de les informacions aplicant criteris de valoració.
  6. Descriure la infraestructura necessària per a l'emmagatzemament del big data.
  7. Diferenciar allò substancial d'allò rellevant en tots els tipus de documents de l'assignatura.
  8. Diferenciar les varietats de tipus d'arquitectures existents per treballar amb big data.
  9. Explicar el codi deontològic, explícit o implícit, de l'àmbit de coneixement propi.
  10. Explicar la infraestructura necessària per al tractament del big data.
  11. Explicar les característiques de la infraestructura necessària per a la recuperació del big data.
  12. Extreure grans masses de dades, sobretot de les xarxes socials i dels nous mitjans digitals.
  13. Identificar les implicacions socials, econòmiques i mediambientals de les activitats academicoprofessionals de l'àmbit de coneixement propi.
  14. Identificar situacions que necessiten un canvi o millora.
  15. Planificar i executar projectes acadèmics en l'àmbit del big data.
  16. Ponderar els riscos i les oportunitats de les propostes de millora tant pròpies com alienes.
  17. Presentar els treballs de l'assignatura en els terminis previstos i mostrar-ne la planificació individual o grupal aplicada.
  18. Proposar nous mètodes o solucions alternatives fonamentades.
  19. 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.
  20. Proposar projectes i accions que incorporin la perspectiva de gènere.
  21. Proposar projectes i accions viables que potenciïn els beneficis socials, econòmics i mediambientals.
  22. Solucionar problemes bàsics del big data.
  23. 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

La metodologia de l'assignatura preveu les següents activitats:
Classes teòriques: sessions teòriques d'introducció als conceptes
Pràctiques de laboratori: treballs individuals o en equip en els quals es duguen a terme activitats pràctiques amb un lliurable puntual amb temps límit. Els estudiants han d'aplicar els coneixements, distribuir el temps i preparar els lliuraments dins de l'aula i en les hores destinades a la pràctica sota la guia del professor.
Seminaris: treballs individuals o en equip en els quals es duguen a terme activitats pràctiques més extenses i amb lliurables oberts a la creativitat dels estudiants. No hi ha temps limitats a l'aula, però sí que dates límits de lliurament. Els estudiants han d'aplicar els coneixements, distribuir el temps i preparar els lliuraments iniciant el seu treball dins de l'aula, però continuant-lo sota la modalitat d'activitats supervisades per l'equip docent.
Desenvolupament del treball final de curs: exercici pràctic d'avaluació grupal en el qual els estudiants han de resoldre, durant el desenvolupament del curs, un problema d'aplicació pràctica vinculat als objectius de l'assignatura. Els estudiants han de plantejar el problema i realitzar els quatre processos per a brindar una proposta de solució basada en grans quantitats de dades: cerca, extracció, anàlisi i publicació d'informe de dades que inclogui una proposta de decisió basada en la informació recol·lectada i analitzada.

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