Análisis y Visualización de Big Data
Código: 104750 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| Comunicación Interactiva | OT | 4 |
Contacto
- Nombre:
- Gemma Gómez Bernal
- Correo electrónico:
- gemma.gomez.bernal@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
- Conocimientos básicos de Microsoft Excel u OpenOffice Calc.
- Conocimientos de Python adquiridos en asignaturas previas.
- Una clara voluntad e interés en aprender Python orientado al trabajo con datos.
Objetivos y contextualización
El objetivo principal de la asignatura es dotar al alumnado de las habilidades y competéncias básicas para poder gestionar, analizar y visualizar grandes volúmenes de información estructurada. Para ello se realizará una introducción al lenguaje de programación Python orientado exclusivamente al trabajo con datasets. Se hará especial émfasis en los métodos de minado de datos, limpieza y transformación de la información para su posterior análisis. Para ello nos centraremos en librerías como Pandas y Numpy. Para el apartado de análisis y visualización se realizará una inmersión en el Software "Tableau Desktop".
Competencias
- Actuar con responsabilidad ética y con respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Actuar en el ámbito de conocimiento propio evaluando las desigualdades por razón de sexo/género.
- Actuar en el ámbito de conocimiento propio valorando el impacto social, económico y medioambiental.
- Buscar, seleccionar y jerarquizar cualquier tipo de fuente y documento útil para la elaboración de mensajes, trabajos académicos, exposiciones, etc.
- Gestionar el tiempo de forma adecuada y ser capaz de planificar tareas a corto, medio y largo plazos.
- Introducir cambios en los métodos y los procesos del ámbito de conocimiento para dar respuestas innovadoras a las necesidades y demandas de la sociedad.
- Promocionar y lanzar nuevos productos y servicios a partir de la extracción y el análisis de datos masivos de los medios de comunicación.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Reconocer y planificar la infraestructura tecnológica necesaria para la creación, el almacenamiento, el análisis y la distribución de productos multimedia interactivos y del internet social.
Resultados de aprendizaje
- Analizar críticamente los principios, valores y procedimientos que rigen el ejercicio de la profesión.
- Analizar una situación e identificar sus puntos de mejora.
- Compartir las experiencias en grupo como forma de aprendizaje para trabajar posteriormente en grupos multidisciplinares.
- Comunicar haciendo un uso no sexista ni discriminatorio del lenguaje.
- Contrastar y verificar la veracidad de las informaciones aplicando criterios de valoración.
- Describir la infraestructura necesaria para el almacenamiento del big data.
- Diferenciar las variedades de tipos de arquitecturas existentes para trabajar con big data.
- Diferenciar lo sustancial de lo relevante en todos los tipos de documentos de la asignatura.
- Explicar las características de la infraestructura necesaria para la recuperación del big data.
- Explicar el código deontológico, explícito o implícito, del ámbito de conocimiento propio.
- Explicar la infraestructura necesaria para el tratamiento del big data.
- Extraer grandes masas de datos sobre todo de las redes sociales y los nuevos medios digitales.
- Identificar las implicaciones sociales, económicas y medioambientales de las actividades académico-profesionales del ámbito de conocimiento propio.
- Identificar situaciones que necesitan un cambio o mejora.
- Planificar y ejecutar proyectos académicos en el ámbito deL Big data.
- Ponderar los riesgos y las oportunidades de las propuestas de mejora tanto propias como ajenas.
- Presentar los trabajos de la asignatura en los plazos previstos y mostrando la planificación individual y/o grupal aplicada.
- Proponer nuevos métodos o soluciones alternativas fundamentadas.
- Proponer proyectos y acciones que estén de acuerdo con los principios de responsabilidad ética y de respeto por los derechos y deberes fundamentales, la diversidad y los valores democráticos.
- Proponer proyectos y acciones que incorporen la perspectiva de género.
- Proponer proyectos y acciones viables que potencien los beneficios sociales, económicos y medioambientales.
- Solucionar problemas básicos en big data.
- Valorar el impacto de las dificultades, los prejuicios y las discriminaciones que pueden incluir las acciones o proyectos, a corto o medio plazo, en relación con determinadas personas o colectivos.
Contenido
Bloque 1: Análisis de Big Data:
- Introducción al Big Data y análisis de datos con Python.
- Infraestructura básica de manipulación de datos con Python.
- Análisis de datos con librería Pandas.
- Fuentes de datos (APIs, web scraping...)
Bloque 2: Visualización de Big Data:
- Principios de visualización de datos.
- Formatos de presentación de Big Data.
- Herramientas de visualización de Big Data.
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.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Sesiones de laboratorio | 33 | 1,32 | 3, 6, 7, 11, 9, 12, 15, 21, 22 |
| Teoría y aprendizaje práctico guiado | 15 | 0,6 | 1, 2, 3, 4, 5, 6, 8, 7, 10, 11, 9, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 |
| Tipo: Supervisadas | |||
| Proyecto Final Grupal | 50 | 2 | 1, 2, 4, 5, 8, 7, 12, 14, 15, 17, 18, 19, 20, 21, 22, 23 |
| Tipo: Autónomas | |||
| Horas de estudio | 27 | 1,08 | 15, 22 |
| Preparación de prácticas de laboratorio | 25 | 1 | 2, 3, 7, 12, 14, 21, 22 |
Sesiones teoricas y prácticas.
Nota: El contenido de la asignatura será sensible a los aspectos relacionados con la perspectiva de género y con el uso del lenguaje inclusivo.
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.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Asistencia y Participación | 10% | 0 | 0 | 3, 15, 22 |
| Ejercicios en el Aula | 35% | 0 | 0 | 5, 6, 8, 7, 11, 9, 14, 15 |
| Presentaciones orales de trabajos | 5% | 0 | 0 | 2, 4, 8, 13, 17 |
| Trabajo práctico Grupal | 50% | 0 | 0 | 1, 2, 3, 4, 5, 6, 8, 7, 10, 11, 9, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 |
Las competencias de esta asignatura se evalúan mediante las siguientes actividades:
-
Asistencia y participación (10% de la nota final).
-
Ejercicios en el aula (35% de la nota final).
-
Trabajo práctico en grupo (50% de la nota final).
-
Presentaciones orales de los trabajos (5% de la nota final).
La nota final será la suma de la puntuación obtenida en cada una de estas partes.
Es imprescindible realizar y aprobar tanto los ejercicios en el aula como el trabajo práctico en grupo para superar la asignatura.
Aquellos estudiantes que NO superen la evaluación continua tendrán la opción de presentarse a un examen final, que se celebrará el último día de clase. Este examen será teórico y práctico. Para poder presentarse al examen final, es obligatorio haber entregado el trabajo en grupo.
Esta asignatura ofrece la posibilidad de evaluación única. Las condiciones para acogerse a esta modalidad se explicarán el primer día de clase.
En caso de que el estudiante cometa cualquier irregularidad que pueda suponer una variación significativa en un acto de evaluación, dicho acto se calificará con un 0, independientemente del procedimiento disciplinario que pudiera iniciarse. Si se detectan varias irregularidades en los actos de evaluación de una misma asignatura,la calificación final de esta será un 0.
En esta asignatura, no se permite el uso de tecnologías de Inteligencia Artificial (IA) en ninguna de sus fases. Cualquier trabajo que incluya fragmentos generados con IA será considerado una falta de honestidad académica y puede comportar una penalización parcial o total en la nota de la actividad, o sanciones mayores en casos de gravedad.
Bibliografía
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.
Software
- Tableau
- Gephi
- Pycharm
- Microsoft Excel / OpenOffice Calc
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (PLAB) Prácticas de laboratorio | 61 | Catalán | segundo cuatrimestre | tarde |
| (TE) Teoría | 6 | Catalán | segundo cuatrimestre | tarde |