Competencias do título |
Código
|
Competencias / Resultados do título
|
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Manexar de forma autónoma e solvente o software necesario para acceder a conxuntos de datos en contornas profesionais e/ou na nube. |
AM16 AM17 AM23 AM24 AM25
|
BP5 BP17 BP19 BP20 BP21
|
CP12
|
Saber xestionar conxuntos de datos masivos nunha contorna multidisciplinar que permita a participación en proxectos profesionais complexos que requieran o uso de técnicas estatísticas. |
AM18 AM21
|
BP1 BP2 BP3 BP4 BP18
|
CP11 CP13 CP14 CP15
|
Saber relacionar o software de deseño e xestión de bases de datos con específicamente implementado para a análise de datos. |
AM16 AM17 AM21 AM24 AM25
|
BP17 BP18 BP21
|
CP12 CP13
|
Contidos |
Temas |
Subtemas |
1. Introducción a linguaxe SQL |
1.1 Bases de datos relacionais
1.2 Sintaxe SQL
1.3 Conexión con bases de datos dende R |
2. Introducción a tecnoloxías NoSQL |
2.1 Conceptos e tipos de bases de datos NoSQL (documental, columnar, clave/valor e de grafos)
2.2 Conexión de R a NoSQL |
3. Tecnoloxías para o tratamiento de datos masivos |
3.1 Tecnoloxías Big Data
3.2 Visualización e xeración de cadros de mando
3.3 Introducción a análise de datos masivos |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Sesión maxistral |
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 |
Proba 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 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Sesión maxistral |
Sesións expositivas nas que presentarán conceptos e/ou procedementos, proporcionando información básica necesaria para comprender unha perspectiva teórica ou un procedemento práctico, promovendo a participación dos alumnos. |
Prácticas de laboratorio |
Sesións interactivas de prácticas de laboratorio (laboratorio de informática) ou resolución de problemas, onde os profesores apoiarán e supervisarán a posta en práctica dos coñecementos adquiridos polos estudantes. |
Solución de problemas |
Traballo persoal dos alumnos na realización de exercicios prácticos e resolución de problemas a partir das clases expositivas e das prácticas de laboratorio. |
Seminario |
Técnica de traballo en grupo que ten como finalidade o estudo intensivo dun tema. Caracterízase pola discusión, a participación, a elaboración de documentos e as conclusións ás que teñen que chegar todos os compoñentes do grupo. |
Proba mixta |
Proba que integra preguntas tipo de probas de ensaio e preguntas tipo de probas obxectivas.
En canto a preguntas de ensaio, recolle preguntas abertas de desenvolvemento. Ademais, en canto preguntas obxectivas, pode combinar preguntas de resposta múltiple, de ordenación, de resposta breve, de discriminación, de completar e/ou de asociación. |
Atención personalizada |
Metodoloxías
|
Prácticas de laboratorio |
Seminario |
Solución de problemas |
|
Descrición |
Atención persoalizada (ou en pequeno grupo / grupo moi reducido) nestas metodoloxías, tanto na aula como nas horas de titoría, para resolver as dúbidas que poidan xurdir no desenvolvemento do proceso de ensino/aprendizaxe e que non foron resoltas de forma eficaz previamente. |
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Prácticas de laboratorio |
A16 A18 A24 A25 B2 B3 B5 B20 C11 C12 C13 C14 |
Avaliación das prácticas de laboratorio levadas a cabo polos estudantes. |
40 |
Proba mixta |
A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 |
O exame da materia avaliará os seguintes aspectos:
Conceptos da materia: Dominio dos coñecementos teóricos e operativos da materia.
Asimilación práctica de materia: Asimilación e comprensión dos coñecementos teóricos e operativos da materia.
|
60 |
|
Observacións avaliación |
- Para poder aprobar a materia na primeira oportunidade será necesario obter como mínimo o 30 % da nota máxima da suma das prácticas de laboratorio, e, igualmente, o 30 % da nota máxima final da Proba Mixta (exame), e ter unha nota total (prácticas de laboratorio + proba mixta) igual ou superior ao 50 % da nota máxima.
- Na segunda oportunidade soamente se poderá recuperar a nota da proba mixta. A nota de prácticas será a obtida durante o curso. Para os alumnos que utilicen a oportunidade adiantada de decembro utilizaranse as notas de prácticas e problemas que obtiveran no seu último curso. Nesta oportunidade só será necesario para aprobar obter unha nota total igual ou superior ao 50 % da nota máxima.
- Unha vez que un estudante é avaliado nunha práctica de laboratorio implica que será calificado. Por tanto, a calificación "Non Presentado" non é posible unha vez que unha práctica ten sido avaliada.
A realización fraudulenta das probas ou actividades de avaliación, unha vez comprobada, implicará directamente a cualificación de suspenso na convocatoria en que se cometa: o/aestudante será cualificado con “suspenso” (nota numérica 0) na convocatoria correspondente do curso académico, tanto se a comisión da falta se produce na primeira oportunidade como na segunda. Para isto, procederase a modificar a súa cualificación na acta de primeira oportunidade, se fose necesario.
|
Fontes de información |
Bibliografía 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 |
|
Bibliografía complementaria
|
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/ |
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
|
Materias que se recomenda cursar simultaneamente |
|
Materias que continúan o temario |
|
Observacións |
Recomendacións para o estudo da materia Debido ao forte compoñente práctico é recomendable ir facendo as actividades prácticas de forma regular ao longo do cuadrimestre. As ferramentas software utilizadas nesta materia son xeralmente open-source ou teñen licencia gratuita para estudantes. Perspectiva
de xénero -Segundo
se recolle nas distintas normativas de aplicación para a docencia universitaria
incorporase a perspectiva de xénero nesta materia (usarase linguaxe non
sexista, utilizarase bibliografía de autores/as de ambos sexos, propiciarase a
intervención en clase de alumnos e alumnas...) -Traballarase
para identificar e modificar prexuízos e actitudes sexistas e influirase na
contorna para modificalos e fomentar valores de respecto e igualdade. -Deberanse
detectar situacións de discriminación por razón de xénero e proporanse accións
e medidas para corrixilas. |
|