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
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. |
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. |
Actividad formativa | Metodología | Competencias relacionadas (para títulos anteriores a RD 822/2021) | 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)
Sistema de evaluación | Evaluacion continua | Evaluación no continua * | Descripción |
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 |
Prueba final | 40.00% | 100.00% | |
Total: | 100.00% | 100.00% |
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] | 8 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | .5 |
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] | 8 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | .5 |
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] | 8 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | .5 |
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] | 8 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | .5 |
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] | 8 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | .5 |
Elaboración de informes o trabajos [AUTÓNOMA][Combinación de métodos] | 12 |
Actividad global | |
---|---|
Actividades formativas | Suma horas |
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/ |