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.

Resultados de aprendizaxe	Competencias / Resultados do título
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

Temas	Subtemas
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.

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Prácticas a través de TIC	A1 A6 A7 A8 A13 A20 A21 A22	13	0	13
Estudo de casos	A1 A6 A7 A8 A13 A20 A21 A22	7	0	7
Traballos tutelados	A1 A6 A7 A8 A13 A20 A21 A22	0	101	101
Proba obxectiva	A1 A6 A7 A8 A13 A20 A21 A22	0	7	7
Sesión maxistral	A1 A6 A7 A8 A13 A20 A21 A22	21	0	21

Atención personalizada		1	0	1

*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías	Descrición
Prácticas a través de TIC	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.
Estudo de casos	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.
Traballos tutelados	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.
Proba obxectiva	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.
Sesión maxistral	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.

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Proba obxectiva	A1 A6 A7 A8 A13 A20 A21 A22	Proba individual sobre contido teórico-práctico	40
Traballos tutelados	A1 A6 A7 A8 A13 A20 A21 A22	Avaliarase a calidade dos traballos realizados	60

Observacións avaliación
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.

Bibliografía básica	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.
Bibliografía complementaria