Identifying Data 2019/20
Subject (*) Data Warehousing Code 614G01043
Study programme
Grao en Enxeñaría Informática
Descriptors Cycle Period Year Type Credits
Graduate 2nd four-month period
 Third Optional 6
Language
Spanish
Galician
Teaching method Face-to-face
Prerequisites
Department Ciencias da Computación e Tecnoloxías da Información
Computación
Coordinador
Ladra González, Susana
 E-mail
susana.ladra@udc.es
Lecturers
Gonzalez Ares, Luis Andres
Ladra González, Susana
 E-mail
luis.ares@udc.es
susana.ladra@udc.es
Web http://moodle.udc.es
General description Como "Almacéns de Datos" ou "Data Warehouse" enténdese todo o relacionado coas base de datos da contorna analítica, ou sexa, as utilizadas no proceso de toma de decisións. Unha parte importante da explotación de datos no ámbito analítico é a aplicación de ferramentas de minería de datos para descubrir coñecemento oculto.

Study programme competencies
Code Study programme competences
A46 Capacidade de integrar solucións de tecnoloxías da información e as comunicacións e procesos empresariais para satisfacer as necesidades de información das organizacións, permitíndolles alcanzar os seus obxectivos de forma efectiva e eficiente, e dándolles así vantaxes competitivas.
B3 Capacidade de análise e síntese
B5 Habilidades de xestión da información
C3 Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
C7 Asumir como profesional e cidadán a importancia da aprendizaxe ao longo da vida.
C8 Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.

Learning aims
Learning outcomes Study programme competences
Coñecer os conceptos de bases de datos necesarios para afrontar o proceso ETL, entender o proceso analítico e diferencialo do operacional, coñecer a arquitectura dun almacén de datos e saber efectuar o deseño e a explotación do mesmo, coa orientación á toma de decisións e incluíndo a utilización de ferramentas de minería de datos. A46
 B3
B5
 C3
C7
C8

Contents
Topic Sub-topic
Conceptos de Bases de Datos
Introduction to Data Warehouse
Design of Data Warehouse
Data Mining

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Laboratory practice A46 B3 B5 C3 C7 C8 14 21 35
Problem solving A46 B3 B5 C3 C7 C8 7 14 21
Workbook A46 B3 B5 C7 C8 0 14 14
Mixed objective/subjective test A46 B3 B5 C3 C7 C8 3 0 3
Supervised projects A46 B3 B5 C3 C7 C8 0 14 14
Guest lecture / keynote speech A46 B3 B5 C7 C8 21 42 63
 
Personalized attention 0 0
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Laboratory practice Son clases nas que se desenvolven as competencias procedimentais relacionadas cos contidos da asignatura.
Nelas realizaranse probas e exercicios cuxo obxetivo é madurar os conceptos das clases teóricas, e introduciranse novos conceptos de carácter práctico que acompañaranse de exercicios.
Problem solving Clases nas que se discutirán as estrategias de solución de diversos problemas propostos.
Workbook Se propondrá a lectura de diversos traballos que complementen e axuden a entender os conceptos plantexados.
Mixed objective/subjective test Examen da asignatura que combina conceptos teóricos, prácticos e problemas.
Supervised projects Trabajos realizados baixo a orientación do profesorado, cuxo obxetivos é que os estudintes asuman a responsabilidade do seu propio aprendizaxe e que aprenden "cómo hacer".
Guest lecture / keynote speech Clases teóricas nas que se expoñen os contidos fundamentais da materia, que poden acompañarse da propuesta e a resolución de exemplos.

Personalized attention
Methodologies
Laboratory practice
Problem solving
Description
Tanto nas prácticas de laboratorio como na solución de problemas o profesor aportará solucións e/ou atenderá as dúbidas e as preguntas que se orixinen. Unha atención máis personalizada desenvólvese nas titorías.

Assessment
Methodologies Competencies Description Qualification
Laboratory practice A46 B3 B5 C3 C7 C8 The maximum grade of the essays, tests and exercises will be of 4 points out of the total 10 points of the course.The asessment will be a continuous asessment so the grade of the tests of this section counts as much for the first as for the second opportunity. In the second opportunity the student will have the chance of repeating 2 points as a maximum for this part.
 30
Mixed objective/subjective test A46 B3 B5 C3 C7 C8 The maximum grade will be of 4 points out of the total 10 points of the course. The test consists of an examination that will include theoretical concepts and the practical assimilation of the course.
The student will have the chance of repeating this test in the second opportunity. 		45
Supervised projects A46 B3 B5 C3 C7 C8 The results of the essays, which will have a fixed deadline published with enough time in advance, will be assessed. These essays will not be repeated in the second opportunity. 25
 
Assessment comments

NON PRESENTADO:

Na primeira oportunidade terá calificación de NON PRESENTADO o estudante que non realice a proba mixta.

Na segunda oportunidade pódese recuperar só a proba mixta, só os traballos tutelados ou ambas as dúas partes, de maneira que as notas desta oportunidade sustitúen sempre as da primeira. Terá calificación de NON PRESENTADO o estudante que non recupere nin a proba mixta nin os traballos tutelados.

DISPENSA ACADÉMICA:

Aqueles estudantes con matrícula a tempo parcial e dispensa académica que lles exima da asistencia ás clases deberán contactar cos docentes para buscar unha alternativa á avaliación das prácticas de laboratorio.

OPORTUNIDADE ADIANTADA:

A avaliación na oportunidade adiantada consistirá unicamente nunha proba escrita que computará o 100% da cualificación.


Sources of information
Basic Inmon, W. H. (2002). Building the Data Warehouse, 3nd edition. Wiley
Sharda, R. Delen, D.; Turban, E. (2014). Business Intelligence: A managerial perspective on analytics. Prentice Hall
Williams, G. (2011). Data Mining with Rattle and R. Springer
Tan, P.; Steinbach, M.; Kumar, V. (2006). Introduction to Data Mining . Addison-Wesley
Kimball, R.; Ross, M.; Thornthwaite, W.; Mundy, J.; Becker, B. (2008). The Data Warehouse Lifecycle Toolkit, 2nd edition. John Wiley and Sons
Kimball, R.; Ross, M (2013). The Data Warehouse Toolkit, 3rd edition. Wiley

Complementary Golfarelli, M.; Rizzi, S. (2009). Data Warehouse Design: Modern Principles and Methodologies . McGraw-Hill
García-Molina, H.; Ullman, J.; Widom, J. (2009). Database System. The complete book.. Prentice Hall
Mazón López, N.; Pardillo Vela, J.; Trujillo Mondejar. J. C. (2011). Diseño y explotación de almacenes de datos . Editorial Club Universitario
Elmasri, R.; Navathe, S. (2011). Fundamentals of Database Systems. Addison-Wesley
Inmon, W. H.; Strauss, D.; Neushloss, G. (2008). The Architecture for the Next Generation of Data Warehousing . Morgan Kaufman


Recommendations
Subjects that it is recommended to have taken before
Databases/614G01013

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.