Study programme competencies |
Code
|
Study programme competences / results
|
A1 |
CE1 - Know and understand the theoretical and methodological principles of information and documentation management to apply them in their professional activity |
A6 |
CE6 - Search and retrieve information in various media to respond to the demand of information users |
A7 |
CE7 - Plan and design an information management system, including information flows, both in an institutional and business context |
A8 |
CE8 - Master the different methods of representation of data, information and knowledge that ensure efficient recovery |
A13 |
CE13 - Know and master the techniques and regulations for the creation and authentication, meeting, selection, organization, representation, preservation, recovery, access, dissemination and exchange, and evaluation of resources and information services |
A20 |
CE20 - Master the bases to develop research activities using multidisciplinary methods and principles |
A21 |
CE21 - Possess knowledge of statistics and quantitative analysis of information |
A22 |
CE22 - Acquire computational skills and management of new ICT |
Learning aims |
Learning outcomes |
Study programme competences / results |
Identifica e analiza as situacións nas que se pode aplicar a tecnoloxía Big Data. |
A1 A6 A7 A8 A13
|
|
|
Adquirir habilidades para establecer conexións con bases de datos relacionais a partir de software de referencia na análise de datos. |
A1 A7 A8 A13 A22
|
|
|
Comprender os conceptos e coñecer os tipos de bases de datos NoSQL (documentais, columnares, clave/valor, gráfica) |
A1 A7 A8 A13 A22
|
|
|
Adquirir habilidades para establecer conexións con NoSQL a partir de software de referencia na análise de datos.
|
A1 A7 A8 A22
|
|
|
Coñece as principais tecnoloxías de Big Data como Hadoop, Spark, Hive, Rspark e Sparklyr, entre outras.
|
A1 A6 A7 A8 A13
|
|
|
Capacidades para a visualización e xeración de paneis (por exemplo con brillante)
|
A1 A7 A8 A22
|
|
|
Ser capaz de aplicar técnicas de análise estatística a datos masivos.
|
A1 A7 A8 A21
|
|
|
Desenvolver coñecementos de análise de datos computacionais, incluíndo programas como R.
|
A1 A7 A8 A21
|
|
|
Capacidade de análise e síntese aplicada á xestión e organización da información.
|
A1 A7 A8 A20 A21
|
|
|
Adquisición de habilidades para a toma de decisións a partir da análise estatística de bases de datos complexas. |
A20 A21
|
|
|
Contents |
Topic |
Sub-topic |
NoSQL e Big Data |
Introdución ás tecnoloxías NoSQL.
Tecnoloxías de Big Data.
Visualización e xeración de paneis. |
Análise estatística e modelos |
Introdución á análise estatística de datos masivos.
Xeración de informes estatísticos dinámicos e cadros de mando con R para a xestión de datos.
Modelos de regresión para datos de alta dimensión.
Modelos de clasificación para datos de alta dimensión.
|
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
ICT practicals |
A1 A6 A7 A8 A13 A20 A21 A22 |
13 |
0 |
13 |
Case study |
A1 A6 A7 A8 A13 A20 A21 A22 |
7 |
0 |
7 |
Supervised projects |
A1 A6 A7 A8 A13 A20 A21 A22 |
0 |
101 |
101 |
Objective test |
A1 A6 A7 A8 A13 A20 A21 A22 |
0 |
7 |
7 |
Guest lecture / keynote speech |
A1 A6 A7 A8 A13 A20 A21 A22 |
21 |
0 |
21 |
|
Personalized attention |
|
1 |
0 |
1 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
ICT practicals |
Metodoloxía que permite ao alumnado aprender de forma efectiva, a través de actividades de carácter práctico (demostracións, simulacións, etc.) a teoría dun ámbito de coñecemento, mediante a utilización das tecnoloxías da información e as comunicacións. As TIC supoñen un excelente soporte e canal para o tratamento da información e aplicación práctica de coñecementos, facilitando a aprendizaxe e o desenvolvemento de habilidades por parte do alumnado. |
Case study |
Metodoloxía onde o suxeito se enfronta ante a descrición dunha situación específica que suscita un problema que ten que ser comprendido, valorado e resolto por un grupo de persoas, a través dun proceso de discusión. O alumno sitúase ante un problema concreto (caso), que lle describe unha situación real da vida profesional, e debe ser capaz de analizar unha serie de feitos, referentes a un campo particular do coñecemento ou da acción, para chegar a unha decisión razoada a través dun proceso de discusión en pequenos grupos de traballo. |
Supervised projects |
Metodoloxía deseñada para promover a aprendizaxe autónoma dos estudantes, baixo a tutela do profesor e en escenarios variados (académicos e profesionais). Está referida prioritariamente ao aprendizaxe do “cómo facer as cousas”. Constitúe unha opción baseada na asunción polos estudantes da responsabilidade pola súa propia aprendizaxe.
Este sistema de ensino baséase en dous elementos básicos: a aprendizaxe independente dos estudantes e o seguimento desa aprendizaxe polo profesor-titor. |
Objective test |
Proba escrita utilizada para a avaliación da aprendizaxe, cuxo trazo distintivo é a posibilidade de determinar se as respostas dadas son ou non correctas. Constitúe un instrumento de medida, elaborado rigorosamente, que permite avaliar coñecementos, capacidades, destrezas, rendemento, aptitudes, actitudes, intelixencia, etc. É de aplicación tanto para a avaliación diagnóstica, formativa como sumativa.
A Proba obxectiva pode combinar distintos tipos de preguntas: preguntas de resposta múltiple, de ordenación, de resposta breve, de discriminación, de completar e/ou de asociación. Tamén se pode construír con un só tipo dalgunha destas preguntas. |
Guest lecture / keynote speech |
Exposición oral complementada co uso de medios audiovisuais e a introdución de algunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe.
A clase maxistral é tamén coñecida como “conferencia”, “método expositivo” ou “lección maxistral”. Esta última modalidade sóese reservar a un tipo especial de lección impartida por un profesor en ocasións especiais, cun contido que supón unha elaboración orixinal e baseada no uso case exclusivo da palabra como vía de transmisión da información á audiencia. |
Personalized attention |
Methodologies
|
Supervised projects |
|
Description |
Estímase que entre o alumnado haberá diferenzas notables tanto no que se refire á súa familiaridade cos conceptos e termos informáticos, como no que se refire ás habilidades para o manexo de ferramentas informáticas. Por este motivo, está previsto desenvolver unha atención personalizada para os traballos tutelados. A atención personalizada desenvolverase de forma individualizada durante as clases ou nas horas de titoría. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Objective test |
A1 A6 A7 A8 A13 A20 A21 A22 |
Proba individual sobre contido teórico-práctico |
40 |
Supervised projects |
A1 A6 A7 A8 A13 A20 A21 A22 |
Avaliarase a calidade dos traballos realizados |
60 |
|
Assessment comments |
PRIMEIRA OPORTUNIDADE
Para aprobar a materia é obrigatorio: - UNHA NOTA MÍNIMA de 3 (sobre 6) en traballos tutelados.
- UNHA NOTA MÍNIMA de 2 (sobre 4) na proba obxectiva.
Se non se obtén a nota mínima nos traballos tutelados ou na proba obxectiva, a nota máxima global da materia non será superior a 4,5.
Calquera alumno que non se presente á proba obxectiva terá a cualificación de NON PRESENTADO.
SEGUNDA OPORTUNIDADE
Só poderán optar á segunda oportunidade aqueles alumnos que non superen a materia na primeira oportunidade. As condicións son as mesmas que na primeira oportunidade, incluíndo a nota mínima en ambas as partes. Se un alumno/a decide non facer algunha das partes, manterá a cualificación obtida a primeira vez nesa parte.
Calquera alumno que non opte pola recuperación de dúas partes algunha terá a cualificación de NON PRESENTADO.
RENUNCIA ACADÉMICA
Dado que a asistencia ás clases presenciais non é obrigatoria, terán as mesmas condicións que o resto do alumnado aquel alumnado con matrícula a tempo parcial e con dispensa académica que o exima da asistencia ás clases.
OPORTUNIDADE AVANZADA
Utilizaranse os mesmos criterios que nas oportunidades normais.
FRAUDE ACADÉMICO A comisión de fraude académico será penalizada de acordo co establecido nas "NORMAS DE AVALIACIÓN, REVISIÓN E RECLAMACIÓN DAS CUALIFICACIÓNS DOS ESTUDOS DE GRAO E MESTRADO UNIVERSITARIO" e no "REGULAMENTO DISCIPLINAR DO ESTUDANTADO" da UDC.
|
Sources of information |
Basic
|
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer
Campbell, M. (2019). Learn RStudio IDE (pp. 39-48). |
Dado o caracter esencialmente práctico desta asignatura, a bibliografía estará principalmente composta polos manuais das ferramentas informáticas descritas. |
Complementary
|
|
|
Recommendations |
Subjects that it is recommended to have taken before |
Programming, Analysis and Query Languages for Information Management/710G04029 | Information Systems for Document Management/710G04025 | Information Technology for the Treatment and Management of Information/710G04024 |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
|
Other comments |
Gender perspective: According to the different regulations applicable to university teaching, a gender perspective should be incorporated in this subject (e.g. use of non-sexist language, etc.). We will try to identify and modify any prejudices and sexist attitudes, and we will try to influence the context to modify and promote values of respect and equality. To sum up, we will try to detect situations of discrimination (including those related to gender discrimination) and to provide actions and measures to correct them. |
|