Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 76.5 Horas de Titorías: 4.5 Clase Expositiva: 13.5 Clase Interactiva: 18 Total: 112.5
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxectivo desta materia é que o alumno comprenda como se está utilizando a paradigma Big Data para soportar e realizar decisións óptimas en diferentes ámbitos de aplicación. Comezarase explicando o problema da toma de decisións e como a nova paradigma baseada na análise de datos masivos pode axudar a resolver as tarefas relacionadas co devandito problema. A continuación exporanse os fundamentos da Ciencia dos Datos, describiranse conceptualmente as técnicas de análises de datos, e como se están a aplicar en áreas como a análise do comportamento de consumidores/usuarios, a optimización de procesos empresariais, a análise de doentes en medicina, ou a predición en mercados financeiros. Por último, para entender como se aplica a paradigma de toma de decisións baseada en datos, presentaranse e discutiránse casos de uso en ámbitos de aplicación relevantes como a mercadotecnia, a xestión empresarial, a biomedicina ou as finanzas.
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
Contidos expositivos:
1. Introdución: Toma de decisións baseada en datos
2. Modelos de Toma de Decisións.
3. Sistemas predictivos
4. Ciencia dos Datos e Estratexia de Negocio
5. Casos empresariales: 5 casos de aplicacións prácticas da Ciencia dos Datos.
Contidos interactivos:
1. Laboratorio: Prácticas de toma de decisións
2. Laboratorio: Prácticas de sistemas predictivos
3. Proxecto ou Casos de empresas
Nota.- no caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
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
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
As principais competencias que adquirirá o alumno unha vez superada a materia son:
Entender os problemas e modelos de funcionamento de ámbitos de aplicación relevantes.
Coñecer e saber aplicar a paradigma de toma de decisións baseada en datos.
Coñecer e saber aplicar os fundamentos da ciencia dos datos para resolver os problemas relacionados coa toma de
decisións.
Presentar propostas de utilización de técnicas Big Data en ámbitos de aplicación.
Traballar en equipo.
Planificar e organizar o seu tempo e os seus recursos.
Levar a cabo unha aprendizaxe autónoma.
Manexar bibliografía e recursos web noutros idiomas.
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
Clases teóricas ou expositivas, nas que se expón o contido de cada tema. O profesor promoverá unha actitude activa, realizando preguntas que permitan aclarar aspectos concretos e deixando cuestións abertas para a reflexión do alumno.
Clases prácticas ou interactivas con uso de computador, que permiten ao alumno familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas.
1.- Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
1.1.- Clases teóricas: impartidas polo profesor e exposición de seminarios por parte de empresas que usan BigData
no seu quefacer habitual: CB9, CB10, T3,T4, G3, G5, E11, E12
1.2.- Clases prácticas de laboratorio, resolución en grupo de problemas e casos prácticos: CB7, CB10, T1, T5, G2,
G3, E11, E12
1.3.- Tutorías programadas: orientación para a realización dos traballos individuais ou en grupo, resolución de
dúbidas e actividades de avaliación continua: CB9, CB10, T3,T4, G3, CB7, T1, T5, G2, G3, E11, E12
1.40- Exame: CB7, CB9, T1, T3, G4, G5
2 Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
2.1 Traballo persoal do alumno: consulta de bibliografía, estudo autónomo, desenvolvemento de actividades
programadas, preparación de presentacións e traballos: CB7, CB10, T1, T5, G2, G3, E11, E12
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segundo a situación), ver o PLAN DE CONTINXENCIA no apartado OBSERVACIÓNS.
Para superar a materia o alumno terá que presentar o 50% do proxecto final da materia.
A nota final se compondrá como segue:
* Exame de teoría: 50%
* Realización de prácticas: 20%
* Realización do proxecto final da materia: 30%
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segundo a situación), ver o PLAN DE CONTINXENCIA no apartado OBSERVACIÓNS.
Clases expositivas: 8 h presenciais + 17 h traballo autónomo do alumno
Clases interactivas: 18 h presenciais + 38,5 h traballo autónomo do alumno
Tutorías e Actividades de avaliación: 6 h presenciais + 13 h traballo autónomo do alumno
Conferencias: 4 horas presenciais + 8 h traballo autónomo do alumno
Total: 112,5 h
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
Recoméndase a asistencia rutinaria, tanto a clases interactivas como ás expositivas, así como o estrito cumprimento dos prazos de entrega.
Nota.- No caso de ter que aplicar Escenarios 2 e/ou 3 (segúndo a situación), non se preveen cambios.
PLAN DE CONTINXENCIA ante un posible cambio de escenario
1) Obxectivos: sen cambios
2) Contidos: sen cambios
3) Material bibliográfico: sen cambios
4) Competencias: sen cambios
5) Metodoloxía:
Escenario 2
Clases Expositivas:
As clases expositivas serán telemáticas, mantendo o horario oficial de clases, e síncronas (de forma excepcional por causas de forza maior, poderían ser asíncronas, pero comunicaríase ao alumnado con anticipación).
Clases Interactivas:
Se as medidas adoptadas polas autoridades sanitarias permíteno, as clases interactivas realizaranse de modo presencial, respectando o horario oficial de clases aprobado polo centro.
Se a limitación de capacidade ditada polas autoridades de saúde non permite que todo o alumnado asista a clases interactivas de forma presencial, transmitirase a clase por streaming ao resto de alumnos. Os estudantes se turnarán para asistir a clases presenciais. O número de estudantes por quenda estará condicionado polas regras vixentes en cada momento dado.
Tutorías:
As tutorias serán preferentemente telemáticas e requirirán cita previa.
Escenario 3
O ensino será telemática e as clases desenvolveranse sincrónicamente no horario oficial de clases. Pode ser que, por razóns de forza maior, algunhas das clases realícense de forma asincrónica, o que se comunicaría ao alumnado con anticipación.
As tutorias serán telemáticas e requirirán cita previa.
6) Sistema de avaliación
Escenarios 2 e 3
O exame realizarase de forma telemática, a través do campus virtual e co apoio da ferramenta Teams.
7) Tempo de estudo e de traballo persoal: sen cambios
8) Recomendacións para o estudo da materia: sen cambios
Eduardo Manuel Sánchez Vila
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816466
- Correo electrónico
- eduardo.sanchez.vila [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
| Luns | |||
|---|---|---|---|
| 18:30-19:45 | Grupo /CLE_01 | Castelán | PROXECTOS |
| 02.06.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 02.06.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |
| 26.06.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 26.06.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |