| Competencias del título |
| Código | Competencias 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 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 | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Sesión magistral | A16 A18 A21 A23 | 20 | 28 | 48 |
| Prácticas de laboratorio | A16 A18 A24 A25 B2 B3 C12 C13 | 7 | 10.5 | 17.5 |
| Solución de problemas | A16 A17 B2 C13 | 0 | 28 | 28 |
| Seminario | A17 A24 A25 B1 B17 B19 B21 C15 | 7 | 10.5 | 17.5 |
| Trabajos tutelados | A16 A17 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 | 1 | 9.5 | 10.5 |
| Prueba mixta | A16 A18 A21 A23 A24 A25 B1 B2 B3 B4 B17 B18 C13 | 3 | 0 | 3 |
| 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. |
| Trabajos tutelados | Actividades de aprendizaje autónomo, en las que los docentes guiarán la realización de trabajos individuales o en pequeños grupos por parte del alumnado. |
| 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 |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Prácticas de laboratorio | A16 A18 A24 A25 B2 B3 C12 C13 | Evaluación de las prácticas de laboratorio desarrolladas por los estudiantes. | 30 |
| 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 |
| Trabajos tutelados | A16 A17 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 | Evaluación de los trabajos tutelados desarrollados por los estudiantes. | 10 |
| Observaciones evaluación | |||
|
|||
| 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. (2020). 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 y trabajos académicamente dirigidos 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. |