Competencias del título |
Código
|
Competencias / Resultados del título
|
A16 |
CE1 - Conocer, identificar, modelar, estudiar y resolver problemas complejos de estadística e investigación operativa, en un contexto científico, tecnológico o profesional, surgidos en aplicaciones reales |
A17 |
CE2 - Desarrollar autonomía para la resolución práctica de problemas complejos surgidos en aplicaciones reales y para la interpretación de los resultados de cara a la ayuda en la toma de decisiones. |
A18 |
CE3 - Adquirir conocimientos avanzados de los fundamentos teóricos subyacentes a las distintas metodologías de la estadística y la investigación operativa, que permitan su desarrollo profesional especializado. |
A21 |
CE6 - Adquirir conocimientos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas específicamente a la ayuda en la toma de decisiones, y desarrollar la capacidad de reflexión para evaluar y decidir entre distintas perspectivas en contextos complejos. |
A23 |
CE8 - Adquirir conocimientos teórico-prácticos avanzados de las técnicas destinadas a la realización de inferencias y contrastes relativos a variables y parámetros de un modelo estadístico, y saber aplicarlos con autonomía suficiente un contexto científico, tecnológico o profesional. |
A24 |
CE9 - Conocer y saber aplicar con autonomía en contextos científicos, tecnológicos o profesionales, técnicas de aprendizaje automático y técnicas de análisis de datos de alta dimensión (big data). |
A25 |
CE10 - Adquirir conocimientos avanzados sobre metodologías para la obtención y el tratamiento de datos desde distintas fuentes, como encuestas, internet, o entornos “en la nube". |
B1 |
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
B2 |
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B3 |
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
B4 |
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades |
B5 |
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. |
B17 |
CG1 - Conocer, comprender y saber aplicar los principios, metodologías y nuevas tecnologías en la estadística y la investigación operativa en contextos científico/académicos, tecnológicos o profesionales especializados y multidisciplinares, así como adquirir las destrezas y competencias descritas en los objetivos generales del título. |
B18 |
CG2 - Desarrollar autonomía para identificar, modelar y resolver problemas complejos de la estadística y la investigación operativa en contextos científico/académicos, tecnológicos o profesionales especializados y multidisciplinares. |
B19 |
CG3 - Desarrollar la capacidad para realizar estudios y tareas de investigación y transmitir los resultados a públicos especializados, académicos y generalistas. |
B20 |
CG4 - Integrar conocimientos avanzados y enfrentarse a la toma de decisiones a partir de información científica y técnica. |
B21 |
CG5 - Desarrollar la capacidad de aplicación de algoritmos y técnicas de resolución de problemas complejos en el ámbito de la estadística y la investigación operativa, manejando el software especializado adecuado. |
C11 |
CT1 - Desarrollar firmes capacidades de razonamiento, análisis crítico y autocrítico, así como de argumentación y de síntesis, contextos especializados y multidisciplinares. |
C12 |
CT2 - Desarrollar destrezas avanzadas en el manejo de Tecnologías de la Información y la Comunicación (TIC), tanto para la obtención de información como para la difusión del conocimiento, en un ámbito científico/académico, tecnológico o profesional especializado y multidisciplinar. |
C13 |
CT3 - Ser capaz de resolver problemas complejos en entornos nuevos mediante la aplicación integrada de los conocimientos. |
C14 |
CT4 - Desarrollar una sólida capacidad de organización y planificación del estudio, asumiendo la responsabilidad de su propio desarrollo profesional, para la realización de trabajos en equipo y de forma autónoma. |
C15 |
CT5 - Desarrollar capacidades para el aprendizaje y la integración en el trabajo en equipos multidisciplinares, en los ámbitos científico/académico, tecnológico y profesional. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Manejar de forma autónoma y solvente el software necesario para acceder a conjuntos de datos en entornos profesionales y/o en la nube. |
AM16 AM17 AM23 AM24 AM25
|
BP5 BP17 BP19 BP20 BP21
|
CP12
|
Saber gestionar conjuntos de datos masivos en un entorno multidisciplinar que permita la participación en proyectos profesionales complejos que requieran el uso de técnicas estadísticas. |
AM18 AM21
|
BP1 BP2 BP3 BP4 BP18
|
CP11 CP13 CP14 CP15
|
Saber relacionar el software de diseño y gestión de bases de datos con el específicamente implementado para el análisis de datos. |
AM16 AM17 AM21 AM24 AM25
|
BP17 BP18 BP21
|
CP12 CP13
|
Contenidos |
Tema |
Subtema |
1. Introducción al lenguaje SQL |
1.1 Bases de datos relacionales
1.2 Sintaxis SQL
1.3 Conexión con bases de datos desde R |
2. Introducción a tecnologías NoSQL |
2.1 Conceptos y tipos de bases de datos NoSQL
(documental, columnar, clave/valor y de grafos)
2.2 Conexión de R a NoSQL |
3. Tecnologías para el tratamiento de datos masivos |
3.1 Tecnologías Big Data
3.2 Visualización y generación de cuadros de mando
3.3 Introducción al análisis de datos masivos. |
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
Sesión magistral |
A16 A18 A21 A23 |
20 |
30 |
50 |
Prácticas de laboratorio |
A16 A18 A24 A25 B2 B3 B5 B20 C11 C12 C13 C14 |
13 |
26 |
39 |
Solución de problemas |
A16 A17 B2 C13 |
0 |
28 |
28 |
Seminario |
A17 A24 A25 B1 B17 B19 B21 C15 |
2 |
3 |
5 |
Prueba mixta |
A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 |
2.5 |
0 |
2.5 |
|
Atención personalizada |
|
0.5 |
0 |
0.5 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Sesiones expositivas, en las que los presentarán conceptos y/o procedimientos, aportando información básica necesaria para entender una perspectiva teórica o un procedimiento práctico, promoviendo la participación del estudiantado. |
Prácticas de laboratorio |
Sesiones interactivas de prácticas de laboratorio (informática) o de resolución de problemas, donde los docentes apoyarán y supervisarán la puesta en práctica de los conocimientos adquiridos por parte del alumnado. |
Solución de problemas |
Trabajo personal del alumnado en la realización de los ejercicios prácticos y resolución de problemas a partir de las sesiones magistrales y prácticas de laboratorio. |
Seminario |
Técnica de trabajo en grupo que tiene como finalidad el estudio intensivo de un tema. Se caracteriza por la discusión, la participación, la elaboración de documentos y las conclusiones a las que tienen que llegar todos los componentes del seminario. |
Prueba mixta |
Prueba que integra preguntas tipo de pruebas de ensayo y preguntas tipo de pruebas objetivas. En cuanto a preguntas de ensayo, recoge preguntas abiertas de desarrollo. Además, en cuanto preguntas objetivas, puede combinar preguntas de respuesta múltiple, de ordenación, de respuesta breve, de discriminación, de completar y/o de asociación. |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Seminario |
Solución de problemas |
|
Descripción |
Atención personalizada (o en grupo reducidos/muy reducidos) en estas metodologías, tanto en el aula como en horario de tutorías, para solventar las dudas que puedan surgir en el desarrollo de la docencia y que no hayan sido resueltas de forma eficaz previamente. |
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A16 A18 A24 A25 B2 B3 B5 B20 C11 C12 C13 C14 |
Evaluación de las prácticas de laboratorio desarrolladas por los estudiantes. |
40 |
Prueba mixta |
A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 |
El examen de la materia evaluará los siguientes aspectos:
Conceptos de la materia: Dominio de los conocimientos teóricos y operativos de la materia.
Asimilación práctica de materia: Asimilación y comprensión de los conocimientos teóricos y operativos de la materia. |
60 |
|
Observaciones evaluación |
- Para poder aprobar la asignatura en la primera oportunidad será necesario obtener como mínimo el 30% de la nota máxima de la suma de las prácticas de laboratorio e, igualmente, el 30% de la nota máxima final de la Prueba mixta (examen), y tener una nota total (prácticas más prueba mixta) igual o superior al 50% de la nota máxima.
- En la segunda oportunidad solamente se podrá recuperar la nota del examen. Las notas de prácticas serán las obtenidas durante el curso. Para los alumnos que utilicen la oportunidad adelantada de diciembre se utilizarán las notas de prácticas que obtuvieran en su último curso. En esta oportunidad solo será necesario para aprobar obtener una nota total igual o superior al 50% de la nota máxima.
- Una vez que un estudiante es evaluado en una práctica de laboratorio implica que será calificado. Por tanto, la calificación "No Presentado" no es posible una vez que una práctica ha sido evaluada.
|
Fuentes de información |
Básica
|
Silberschatz, A., Korth, H. y Sudarshan, S. (2014). Fundamentos de Bases de Datos. Mc Graw Hill
Daroczi, G. (2015). Mastering Data Analysis with R. Packt Publishing
López-Taboada, G. y Fernández-Casal, R. (2021). Prácticas de Tecnologías de Gestión y Manipulación de Datos. . https://gltaboada.github.io/tgdbook
Grolemund, G. y Wickham, H. (2016). R for Data Science. https://r4ds.had.co.nz/ & O'Reilly |
|
Complementária
|
Rubén Fernández Casal (2019). Ayuda y Recursos para el Aprendizaje de R. https://rubenfcasal.github.io/post/ayuda-y-recursos-para-el-aprendizaje-de-r/
Alex Holmes (2014). Hadoop in practice. Manning (2ª ed.)
Tom White (2015). Hadoop: The Definitive Guide. O'Reilly (4ª ed.)
Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly (2ª ed.)
Centro de Supercomputación de Galicia (2019). Servicio de Big Data del CESGA. https://bigdata.cesga.es/ |
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
|
Asignaturas que se recomienda cursar simultáneamente |
|
Asignaturas que continúan el temario |
|
Otros comentarios |
Recomendaciones para el estudio de la materia Debido al fuerte componente práctico es recomendable ir haciendo las actividades prácticas de forma regular a lo largo del cuatrimestre. Las herramientas software utilizadas en esta materia son generalmente open-source o tienen licencia gratuita para estudiantes. |
|