Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
TECNOLOGÍAS PARA EL ANÁLISIS DE DATOS MASIVOS
Código:
311092
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
2364 - MÁSTER UNIVERSITARIO EN MODELIZACIÓN Y ANÁLISIS DE DATOS ECONÓMICOS
Curso académico:
2020-21
Centro:
403 - FACULTAD DERECHO Y CIENCIAS SOCIALES (CR)
Grupo(s):
20 
Curso:
1
Duración:
Primer cuatrimestre
Lengua principal de impartición:
Español
Segunda lengua:
Uso docente de otras lenguas:
English Friendly:
N
Página web:
Bilingüe:
N
Profesor: LUIS JIMENEZ LINARES - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
Fermín Caballero / 3.16
TECNOLOGÍAS Y SISTEMAS DE INFORMACIÓN
3704
luis.jimenez@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

Profesor: FRANCISCO PASCUAL ROMERO CHICHARRO - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
Fermin Caballero / 3.17
TECNOLOGÍAS Y SISTEMAS DE INFORMACIÓN
5748
franciscop.romero@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

2. REQUISITOS PREVIOS
No se han establecido
3. JUSTIFICACIÓN EN EL PLAN DE ESTUDIOS, RELACIÓN CON OTRAS ASIGNATURAS Y CON LA PROFESIÓN

La inclusión en el plan de estudios de esta asignatura viene motivada por la necesidad de gestionar y analizar los datos, en especial cuando su volumen es elevado y, en particular, son de tipo económico. En esta asignatura se presentan las principales tendencias actuales en el área de sistemas de bases de datos con el objetivo de determinar qué tipo de base de datos es más adecuada para cada caso real. Posteriormente se explican las tecnologías más actuales relacionadas con el Big Data para el almacenamiento y procesamiento de grandes volúmenes de información. Se finaliza explicando aquellas técnicas computacionales de Machine Learning que permiten construir modelos que generen conocimiento como resultado de un análisis basado en tecnología Big Data, bien sea en entornos de incertidumbre (Lógica Difusa y Métodos Bayesianos), o bien mediante técnicas de alto poder predictivo como las vinculadas a las Redes Neuronales y al Deep Learning. A su vez se presentan aquellos contenidos relacionados con la legislación vigente en cuanto a acceso y tratamiento de los datos. En todo caso, de acuerdo con la filosofía de aprendizaje que subyace al Máster, todas las metodologías y técnicas de análisis serán tratadas de modo eminentemente empírico mediante software especializado como el lenguaje de programación Python


4. COMPETENCIAS DE LA TITULACIÓN QUE LA ASIGNATURA CONTRIBUYE A ALCANZAR
Competencias propias de la asignatura
Código Descripción
CB06 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
CB07 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
CB08 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
CB09 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
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.
CE07 Conocer las principales arquitecturas avanzadas de bases de datos, así como los entornos para su consulta, gestión y aprovechamiento.
CE08 Conocer los conceptos específicos asociados a los entornos Big Data, las herramientas más actuales para la gestión de datos en entornos Big Data, y ser capaz de aplicar al ámbito económico y empresarial modelos avanzados basados en la tecnología Big Data mediante software especializado.
CE09 Conocer la normativa legal relacionada con el tratamiento de datos y su anonimidad, y ser capaz de actuar en el tratamiento de datos conforme a dicha normativa y a los principios éticos que conlleva.
CG01 Saber trabajar en equipos multidisciplinares y gestionar el tiempo de trabajo, obteniendo resultados relevantes en el ámbito de la decisión empresarial o de la investigación avanzada de los fenómenos económicos.
CG02 Ser capaz de generar y desarrollar de forma independiente propuestas innovadoras y competitivas en la investigación y en la actividad profesional en el ámbito del análisis de datos económicos.
CG03 Ser capaz de identificar problemas y evaluar la aplicabilidad de las técnicas de análisis y modelización más adecuadas para su resolución, utilizando para ello software estadístico y econométrico especializado.
CG04 Ser capaz de presentar públicamente los resultados de una investigación o un informe técnico, por medio de software y aplicaciones tecnológicas y digitales en cualquier medio económico especializado (publicación científica) o ante cualquier foro profesional (académico o empresarial), a todos los niveles de especialización.
CT01 Fomentar el espíritu innovador, creativo y emprendedor.
CT02 Desarrollar el razonamiento crítico y la capacidad de crítica y autocrítica.
CT03 Ser capaz de realizar un proceso de aprendizaje autónomo y responsable.
5. OBJETIVOS O RESULTADOS DE APRENDIZAJE ESPERADOS
Resultados de aprendizaje propios de la asignatura
Descripción
Conocer las principales arquitecturas avanzadas de bases de datos, así como los entornos para su consulta, gestión y aprovechamiento.
Conocer los conceptos específicos asociados a los entornos Big Data. Conocer las herramientas más actuales para la gestión de datos en entornos Big Data.
Construir modelos que generen conocimiento como resultado de un análisis basado en tecnología Big Data de grandes volúmenes de datos procedentes de entornos económico-financieros con incertidumbre: mercados financieros, mercado energético, medioambiente, etc.
Conocer y aplicar técnicas computacionales de Machine Learning avanzando como Redes Neuronales y Deep Learning a datos masivos en el ámbito económico-empresarial mediante el lenguaje de programación Python.
Conocer la legislación vigente asociada al acceso, gestión y análisis de los datos.
Resultados adicionales
No se han establecido.
6. TEMARIO
  • Tema 1: Bases de Datos Avanzadas. Lenguajes de Consultas sobre Bases de Datos.
  • Tema 2: Big Data. Procesos avanzados de gestión de datos en Big Data.
  • Tema 3: Técnicas para el análisis de datos socioeconómicos con incertidumbre. Lógica Difusa y Métodos Bayesianos
  • Tema 4: Machine Learning avanzado con Python. Redes Neuronales y Deep Learning.
  • Tema 5: Aspectos legales del análisis de datos.
7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA

Todas las actividades formativas serán recuperables, es decir, debe existir una prueba de evaluación alternativa que permita valorar de nuevo la adquisición de las mismas competencias en la convocatoria ordinaria, extraordinaria y especial de finalización. Si excepcionalmente, la evaluación de alguna de las actividades formativas no pudiera ser recuperable, deberá especificarse en la descripción.

Actividad formativa Metodología Competencias relacionadas ECTS Horas Ev Ob Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Combinación de métodos CB06 CB07 CB08 CB10 CE07 CE08 CE09 CG02 CG03 CT01 CT02 CT03 0.4 10 N N Método expositivo/Lección magistral Lectura y análisis de artículos y recensiones
Prácticas en aulas de ordenadores [PRESENCIAL] Combinación de métodos CB06 CB07 CB08 CB09 CE07 CE08 CG01 CG03 CT02 CT03 0.8 20 S N Estudio de casos Resolución de problemas y/o casos Prácticas Talleres y Seminarios
Presentación de trabajos o temas [PRESENCIAL] Otra metodología CB09 CE07 CE09 CG01 CG04 CT01 CT02 0.2 5 S N Metodología empleada: Presentación de memorias, informes o trabajos; de modo individual y/o colectivo
Otra actividad presencial [PRESENCIAL] Trabajo dirigido o tutorizado CB06 CB07 CB08 CB09 CB10 CE07 CE08 CE09 CG01 CG02 CG03 CG04 CT01 CT02 0.5 12.5 N N Esta actividad incluye: tutorías tanto individuales como grupales.
Prueba final [PRESENCIAL] Pruebas de evaluación CB06 CB07 CB08 CB09 CB10 CE07 CE08 CE09 CG01 CG02 CG03 CG04 CT01 CT02 CT03 0.1 2.5 S N
Estudio o preparación de pruebas [AUTÓNOMA] Trabajo autónomo CB06 CB07 CB08 CB10 CE07 CE08 CE09 CG02 CG03 CT02 CT03 1.6 40 N N
Elaboración de informes o trabajos [AUTÓNOMA] Combinación de métodos CB06 CB07 CB08 CB09 CB10 CE07 CE08 CE09 CG01 CG02 CG03 CG04 CT01 CT02 CT03 2.4 60 S N Metodologías empleadas: Trabajo dirigido o tutorizado; trabajo autónomo; trabajo en grupo.
Total: 6 150
Créditos totales de trabajo presencial: 2 Horas totales de trabajo presencial: 50
Créditos totales de trabajo autónomo: 4 Horas totales de trabajo autónomo: 100

Ev: Actividad formativa evaluable
Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)

8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
Sistema de evaluación Evaluacion continua Evaluación no continua * Descripción
Prueba final 40.00% 100.00%
Trabajo 40.00% 0.00% Presentación de trabajos o temas
Elaboración de informes o trabajos.Se evaluarán los informes y trabajos que han sido propuestos a lo largo del curso
Realización de actividades en aulas de ordenadores 20.00% 0.00% Se evaluarán actividades realizadas en el aula tales como la
presentación de trabajos y temas, resolución de ejercicios y
problemas en clase, o el aprovechamiento de las clases
Total: 100.00% 100.00%  
* En Evaluación no continua se deben definir los porcentajes de evaluación según lo dispuesto en el art. 6 del Reglamento de Evaluación del Estudiante de la UCLM, que establece que debe facilitarse a los estudiantes que no puedan asistir regularmente a las actividades formativas presenciales la superación de la asignatura, teniendo derecho (art. 13.2) a ser calificado globalmente, en 2 convocatorias anuales por asignatura, una ordinaria y otra extraordinaria (evaluándose el 100% de las competencias).

Criterios de evaluación de la convocatoria ordinaria:
  • Evaluación continua:
    No se ha introducido ningún criterio de evaluación
  • Evaluación no continua:
    El alumno será evaluado de todas las competencias asociadas a las distintas actividades formativas de la asignatura mediante la realización de una prueba final cuya estructura y composición será comunicada con la antelación suficiente por el profesor. Esta prueba podría ser diferente a aquella de la evaluación continua para poder evalaur el 100% de las competencias.

Particularidades de la convocatoria extraordinaria:
En la convocatoria extraordinaria el alumno será evaluado de todas las competencias asociadas a las distintas actividades formativas de la asignatura mediante la realización de una prueba final cuya estructura y composición será comunicada con la antelación suficiente por el profesor
Particularidades de la convocatoria especial de finalización:
La evaluación en esta convocatoria se realizará por medio de una prueba final de carácter teórico-práctico
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
No asignables a temas
Horas Suma horas

Tema 1 (de 5): Bases de Datos Avanzadas. Lenguajes de Consultas sobre Bases de Datos.
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] 2
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] 4
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] 1
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] 2.5
Prueba final [PRESENCIAL][Pruebas de evaluación] .5
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 8
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] 12

Tema 2 (de 5): Big Data. Procesos avanzados de gestión de datos en Big Data.
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] 2
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] 4
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] 1
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] 2.5
Prueba final [PRESENCIAL][Pruebas de evaluación] .5
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 8
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] 12

Tema 3 (de 5): Técnicas para el análisis de datos socioeconómicos con incertidumbre. Lógica Difusa y Métodos Bayesianos
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] 2
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] 4
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] 1
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] 2.5
Prueba final [PRESENCIAL][Pruebas de evaluación] .5
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 8
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] 12

Tema 4 (de 5): Machine Learning avanzado con Python. Redes Neuronales y Deep Learning.
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] 2
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] 4
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] 1
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] 2.5
Prueba final [PRESENCIAL][Pruebas de evaluación] .5
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 8
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] 12

Tema 5 (de 5): Aspectos legales del análisis de datos.
Actividades formativas Horas
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] 2
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] 4
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] 1
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] 2.5
Prueba final [PRESENCIAL][Pruebas de evaluación] .5
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] 8
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] 12

Actividad global
Actividades formativas Suma horas
10. BIBLIOGRAFÍA, RECURSOS
Autor/es Título Libro/Revista Población Editorial ISBN Año Descripción Enlace Web Catálogo biblioteca
Dr. Avishek Pal, Dr. PKS Prakash Practical Time Series Analysis Libro Packt Publishing 9781788290227 2017 Introducción general al análisis de series temporales. Con un capítulo "Deep Learning for Time Series Forecasting" https://learning.oreilly.com/library/view/practical-time-series/9781788290227/  
Francois Chollet Deep Learning with Python Libro Manning Publications 9781617294433 2017 Libro del creador de la librería Keras para la implementación en python de los modelos "Deep Laerning" https://learning.oreilly.com/library/view/deep-learning-with/9781617294433/  
James Ma Weiming Mastering Python for Finance - Second Edition Libro Packt Publishing 9781789346466 2019 Libro avanzado en el uso de librerías para el análisis de datos financieros con el lenguaje python https://learning.oreilly.com/library/view/mastering-python-for/9781789346466/  
K Sundareswaran A Learner¿s Guide to Fuzzy Logic Systems CRC Press 9780429287831 Este libro presenta una introducción a la lógica borrosa incluyendo los principios básicos desde una perspectiva interdisciplinar  
Nataraj Dasgupta Practical Big Data Analytics Packt Publishing 9781783554393 2018 Introducción práctica a las tecnologías de almacenamiento y gestión de datos en entornos Big Data https://www.packtpub.com/big-data-and-business-intelligence/practical-big-data-analytics  
Upom Malik, Matt Goldwasser, Et al SQL for Data Analytics Packt Publishing 9781789807356 2019 El libro cubre todo lo que se necesita para progresar, desde el simple conocimiento del SQL básico hasta el análisis avanzado de datos. https://www.packtpub.com/big-data-and-business-intelligence/sql-data-analysis  
Yves Hilpisch Python for Finance, 2nd Edition Libro O'Reilly Media, Inc. 9781492024330 2018 Introducción del lenguaje python para el análisis financiero https://learning.oreilly.com/library/view/python-for-finance/9781492024323/  



Web mantenido y actualizado por el Servicio de informática