Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Trabajo del Alumno/a ECTS: 76.5 Horas de Tutorías: 4.5 Clase Expositiva: 13.5 Clase Interactiva: 18 Total: 112.5
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
El objetivo de esta materia es que el alumno comprenda como se está utilizando el paradigma Big Data para soportar y realizar decisiones óptimas en diferentes ámbitos de aplicación. Se comenzará explicando el problema de la toma de decisiones y cómo el nuevo paradigma basado en análisis de datos masivos puede ayudar a resolver las tareas relacionadas con dicho problema. A continuación se expondrán los fundamentos de la Ciencia de los Datos, se describirán conceptualmente las técnicas de análisis de datos, y cómo se están aplicando en áreas cómo el análisis del comportamiento de consumidores/usuarios, la optimización de procesos empresariales, el análisis de pacientes en medicina, o la predicción en mercados financieros. Por último, para entender cómo se aplica el paradigma de toma de decisiones basada en datos, se presentarán y discutirán casos de uso en ámbitos de aplicación relevantes como el marketing, la gestión empresarial, la biomedicina o las finanzas.
Contenidos expositivos:
1. Introducción: Toma de decisiones basada en datos
2. Modelos de Toma de Decisiones.
3. Sistemas predictivos
4. Ciencia de los Datos y Estrategia de Negocio
5. Casos empresariales: 5 casos de aplicaciones prácticas de la Ciencia de los Datos.
Contenidos interactivos:
1. Laboratorio: Prácticas de toma de decisiones
2. Laboratorio: Prácticas de sistemas predictivos
3. Proyecto o Casos de empresas
Bibliografía básica:
1. Foster Provost and Tom Fawcett. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (1st ed.). O'Reilly Media, Inc.
Bibliografía complementaria:
2. Stuart J. Russell and Peter Norvig. 2003. Artificial Intelligence: A Modern Approach (2 ed.). Pearson Education.
3. Dietmar Jannach, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. 2010. Recommender Systems: An Introduction (1st ed.). Cambridge University Press, New York, NY, USA
Las principales competencias que adquirirá el alumno una vez superada la materia son:
• Entender los problemas y modelos de funcionamiento de ámbitos de aplicación relevantes.
• Conocer y saber aplicar el paradigma de toma de decisiones basada en datos.
• Conocer y saber aplicar los fundamentos de la ciencia de los datos para resolver los problemas relacionados con la toma de decisiones.
• Presentar propuestas de utilización de técnicas Big Data en ámbitos de aplicación.
• Trabajar en equipo.
• Planificar y organizar su tiempo y sus recursos.
• Llevar a cabo un aprendizaje autónomo.
• Manejar bibliografía y recursos web en otros idiomas.
Clases teóricas o expositivas, en las que se expone el contenido de cada tema. El profesor promoverá una actitud activa, realizando preguntas que permitan aclarar aspectos concretos y dejando cuestiones abiertas para la reflexión del alumno.
Clases prácticas o interactivas con uso de ordenador, que permiten al alumno familiarizarse desde un punto de vista práctico con las cuestiones expuestas en las clases teóricas.
• Actividades formativas de carácter presencial y su relación con las competencias de la titulación:
o Clases teóricas: impartidas por el profesor y exposición de seminarios por parte de empresas que usan BigData en su
quehacer habitual: CB9, CB10, T3,T4, G3, G5, E11, E12
o Clases prácticas de laboratorio, resolución en grupo de problemas y casos prácticos: CB7, CB10, T1, T5, G2, G3, E11, E12
o Tutorías programadas: orientación para la realización de los trabajos individuales o en grupo, resolución de dudas y
actividades de evaluación continua: CB9, CB10, T3,T4, G3, CB7, T1, T5, G2, G3, E11, E12
o Examen: CB7, CB9, T1, T3, G4, G5
• Actividades formativas de carácter no presencial y su relación con las competencias de la titulación:
o Trabajo personal del alumno: consulta de bibliografía, estudio autónomo, desarrollo de actividades programadas,
preparación de presentaciones y trabajos: CB7, CB10, T1, T5, G2, G3, E11, E12
Para superar la materia el alumno tendrá que haber presentado el 50% del proyecto final de la materia.
La nota final se compondrá como sigue:
* Examen de teoría: 50%
* Realización de proyecto final de la materia: 50%
Otras consideraciones:
- La asistencia a clase no tendrá ninguna valoración.
- Para los casos de realización fraudulenta de ejercicios o pruebas, se aplicarán las disposiciones recogidas en la Normativa de evaluación del rendimiento académico de los estudiantes y de la revisión de calificaciones.
.
Clases expositivas: 8 h presenciales + 17 h trabajo autónomo del alumno
Clases interactivas: 18 h presenciales + 38,5 h trabajo autónomo del alumno
Tutorías y Actividades de evaluación: 6 h presenciales + 13 h trabajo autónomo del alumno
Conferencias: 4 horas presenciales + 8 h trabajo autónomo del alumno
Total: 112,5 h
Se recomienda la asistencia rutinaria, tanto a clases interactivas como a las expositivas, así como el estricto cumplimiento de los plazos de entrega.
Eduardo Manuel Sánchez Vila
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816466
- Correo electrónico
- eduardo.sanchez.vila [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
| Lunes | |||
|---|---|---|---|
| 18:30-19:45 | Grupo /CLE_01 | Castellano | Aula de proyectos |
| 01.06.2026 16:00-19:45 | Grupo /CLE_01 | Aula de proyectos |
| 01.06.2026 16:00-19:45 | Grupo /CLIL_01 | Aula de proyectos |
| 24.06.2026 16:00-19:45 | Grupo /CLIL_01 | Aula de proyectos |
| 24.06.2026 16:00-19:45 | Grupo /CLE_01 | Aula de proyectos |