Anàlisi i Visualització de Big Data
Codi: 104750 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Comunicació Interactiva | OT | 4 |
Professor/a de contacte
- Nom:
- Gemma Gómez Bernal
- Correu electrònic:
- gemma.gomez.bernal@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
- Coneixements bàsics de Microsoft Excel o OpenOffice Calc.
- Coneixments de Python adquirits en assignatures prèvies.
- Una clara voluntat d'aprendre Python orientat al treball amb dades.
Objectius
L'objectiu principal de l'assignatura és que l'alumnat obtingui les habilitats i les competències bàsiques per poder gestionar, analitzar i visualitzar grans volums d'informació estructurada. Per això es farà una introducció al llenguatge de programació Python orientat exclusivament al treball amb datasets. Es farà un èmfasi en els mètodes de minat de dades, neteja i transformació de la informació per a la posterior anàlisi. Per això ens centrarem en llibreries com Pandas i Numpy. Per a l'apartat d'anàlisi i visualització es realitzarà una immersió al programari "Tableau Desktop".
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
Bloc 1: Anàlisi de Big Data:
- Introducció al Big Data i anàlisi de dades amb Python.
- Infraestructura bàsica de manipulació de dades amb Python.
- Anàlisi de dades amb llibreria Pandas.
- Fonts de dades (APIs, web scraping...)
Bloc 2: Visualització de Big Data:
- Principis de visualització de dades.
- Formats de presentació de Big Data.
- Eines de visualització de Big Data.
El calendari detallat amb el contingut de les diferents sessions s’exposarà el dia de presentació de l’assignatura. Es penjarà també al Campus Virtual on l’alumnat podrà trobar la descripció detallada dels exercicis i pràctiques, els diversos materials docents i qualsevol informació necessària per a l’adequat seguiment de l’assignatura.
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Sessions de laboratori | 33 | 1,32 | 3, 6, 8, 10, 11, 12, 15, 21, 22 |
| Teoria i aprenentatge pràctic guiat | 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 |
| Tipus: Supervisades | |||
| Projecte Final Grupal | 50 | 2 | 1, 2, 4, 5, 7, 8, 12, 14, 15, 17, 18, 19, 20, 21, 22, 23 |
| Tipus: Autònomes | |||
| Hores d'estudi | 27 | 1,08 | 15, 22 |
| Preparació de pràctiques de laboratori | 25 | 1 | 2, 3, 8, 12, 14, 21, 22 |
Sessions teòriques i pràctiques.
Nota: El contingut de l’assignatura serà sensible als aspectes relacionats amb la perspectiva de gènere i amb l’ús del llenguatge inclusiu.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Assistència i Participació | 10% | 0 | 0 | 3, 15, 22 |
| Exercicis a l'aula | 35% | 0 | 0 | 5, 6, 7, 8, 10, 11, 14, 15 |
| Presentació oral de treballs | 5% | 0 | 0 | 2, 4, 7, 13, 17 |
| Treball pràctic 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 |
Les competències d’aquesta assignatura s’avaluen amb les següents activitats:
-
Assistència i participació (10% de la nota final).
-
Exercicis a l’aula (35% de la nota final).
-
Treball pràctic en grup (50% de la nota final).
-
Presentacions orals dels treballs (5% de la nota final).
La nota final serà la suma de la puntuació obtinguda en cadascuna d’aquestes parts.
És imprescindible realitzar i aprovar els exercicis a l’aula i el treball pràctic en grup per superar l’assignatura.
Aquells estudiants que NO superin l’avaluació tenen l’opció de presentar-se a l’examen final, que tindrà lloc l’últim dia de classe. Aquest examen serà teòric i pràctic. Per presentar-se a l’examen final és obligatori haver lliurat el treball en grup.
Aquesta assignatura ofereix la possibilitat d’avaluació única. Les condicions per ser avaluats amb aquesta modalitat s’explicaran el primer dia de classe.
En el cas que l’estudiant realitzi qualsevol irregularitat que pugui conduir a una variació significativa d’un acte d’avaluació, aquest acte es qualificarà amb un 0, amb independència del procediment disciplinari que es pugui iniciar. En cas que es produeixin diverses irregularitatsen els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura serà un 0.
En aquesta assignatura, no es permet l'ús de tecnologies d'Inteŀligència Artificial (IA) en cap de les seves fases. Qualsevol treball que inclogui fragments generats amb IA serà considerat una falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.
Bibliografia
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.
Programari
- Tableau
- Gephi
- Pycharm
- Microsoft Excel / OpenOffice Calc
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (PLAB) Pràctiques de laboratori | 61 | Català | segon quadrimestre | tarda |
| (TE) Teoria | 6 | Català | segon quadrimestre | tarda |