| Fonaments d'intel·ligència de negoci | Codi: B0.475 Crèdits: 6 |
- Una memòria, que documenta el treball realitzat.
- Un producte, que variarà segons el tipus de treball (aplicació, disseny, estudi, etc.).
- Una presentació, que resumeix els resultats obtinguts i el desenvolupament de la feina.
- Un informe d'autoavaluació.
- Analistes i / o programadors de sistemes que requereixin l'ús de dades massius
- Científics de dades que hagin de treballar en entorns de dades massius
- Càrrecs de direcció i / o consultoria de projectes basats en sistemes Big Data
- Coneixements avançats d'anàlisi estadística. En aquest cas, cal haver cursat i superat l'assignatura "Estadística avançada".
- Coneixements avançats d'algoritmes de mineria de dades i machine learning. És a dir, haver cursat i superat l'assignatura "Models avançats de mineria de dades".
- Coneixements d'algoritmes d'aprenentatge automàtic en entorns de dades massius. En aquest cas, es demana haver cursat i superat l'assignatura "Anàlisi de dades en entorns Big Data".
- CB1- Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i / o aplicació d'idees, sovint en un context d'investigació.
- CB2- Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.
- CB3- Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.
- CB4- Que els estudiants sàpiguen comunicar les seves conclusions -i els coneixements i raons últimes que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
- CB5- Que els estudiants posseeixin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran manera autodirigida o autònoma.
- CG1- Capacitat per extreure, interpretar i analitzar dades de diferents entorns.
- CG2- Capacitat per aplicar coneixements de ciència de dades amb l'objectiu de resoldre problemes relacionats amb la presa de decisions en diferents entorns, tant coneguts com a nous.
- CG3- Capacitat per presentar els resultats obtinguts de l'anàlisi de les dades de forma eficient i atractiva.
- CG4- Capacitat de recerca, gestió i ús d'informació i recursos en l'àmbit de la ciència de dades.
- CT1- Capacitat d'iniciativa, d'automotivació i de treballar de forma independent.
- CT2- Capacitat per a la comunicació oral i escrita per a la vida acadèmica i professional.
- CT3- Capacitat per proposar solucions innovadores i prendre decisions.
- CT5- Capacitat per a la comprensió, l'anàlisi, la síntesi i l'exposició de resultats.
- CE13- Capacitat d'analitzar un problema de ciència de dades i ser capaç d'identificar i definir els requeriments apropiats per resoldre-ho.
- CE14- Capacitat de presentar i defensar un treball en l'àmbit de la ciència de les dades davant un públic expert.
En el Treball Final de Màster es posaran en pràctica i s'aprofundirà en les competències generals del màster mitjançant l'elaboració d'un treball escrit. Així mateix, durant l'elaboració d'aquest treball s'intentarà fomentar el desenvolupament de competències similars a les de la pràctica professional. De la mateixa manera, cal ressaltar que es farà especial èmfasi en els aspectes relacionats amb la planificació, seguiment, recerca d'informació, habilitats comunicatives, el seu impacte en el món real, anàlisi econòmica, etc. Finalment, és important destacar que en funció de la temàtica del Treball Final de Màster, l'estudiant aprofundirà els seus coneixements en les competències relacionades amb aquesta temàtica.
En l'àrea de "Big Data Analytics" es proposen treballs relacionats amb l'anàlisi i explotació de dades massius, generalment per construir models predictius a partir de conjunts de dades de qualsevol àmbit de coneixement. En aquest sentit, les temàtiques o problemes tractats en aquesta àrea no estan restringits a un conjunt de dominis concrets, i poden abastar qualsevol domini existent.
A tall d'exemple, indiquem algunes línies que hem desenvolupat en el passat en aquesta àrea de TFM:
- Desenvolupament d'un model predictiu sobre reclamacions d'una companyia d'assegurances: El treball consisteix en el desenvolupament d'un model predictiu sobre les reclamacions d'una companyia d'assegurances, emprant les dades la plataforma Kaggle "Porto Seguro's Safe Driver Prediction", que tracta de predir si els clients de la companyia d'assegurances van a realitzar una reclamació en el futur. La finalitat del treball consisteix a resoldre un problema de predicció real amb un volum de dades considerable i aplicar les tècniques predictives que més èxits estan recollint en les competicions de Machine Learning. A més, es pretén realitzar una anàlisi exhaustiva de les variables, així com aplicar diferents mètodes de pre-processament i reducció de la dimensionalitat per preparar les dades de forma òptima per al seu posterior ús en els algoritmes predictius.
Nota: les línies concretes s'exposaran abans de l'inici del semestre. Les línies poden canviar cada semestre. Per tant, aquestes línies són només a títol d'exemple. En cap cas hi ha el compromís de mantenir aquestes línies actives durant el semestre en curs.
| Material | Suport |
| Espacio de recursos de ciencia de datos | Web |
| Introducción a Power BI | Audiovisual |
| Empezando con Power BI | Audiovisual |
| Power Query I | Audiovisual |
| Power Query II | Audiovisual |
| Modelado dimensional | Audiovisual |
| DAX I: Introducción, funciones de agregación y tabla de fechas | Audiovisual |
| DAX II: Funciones de filtro II, lógicas y de tabla. Inteligencia de tiempo | Audiovisual |
| Presentación de datos en Power BI | Audiovisual |
| Técnicas de visualización de datos en Power BI | Audiovisual |
| Introducción a Power BI | Audiovisual |
El procés d'avaluació es fonamenta en el treball personal de l'estudiant i pressuposa l'autenticitat de l'autoria i l'originalitat dels exercicis realitzats.
La manca d'autenticitat en l'autoria o d'originalitat de les proves d'avaluació; la còpia o el plagi; l'intent fraudulent d'obtenir un resultat acadèmic millor; la col·laboració, l'encobriment o l'afavoriment de la còpia, o la utilització de material, programari o dispositius no autoritzats durant l'avaluació, entre altres, són conductes irregulars en l'avaluació que poden tenir conseqüències acadèmiques i disciplinàries greus.
Aquestes conductes irregulars poden comportar el suspens (D/0) en les activitats avaluables que es defineixin en el pla docent -incloses les proves finals- o en la qualificació final de l'assignatura, sigui perquè s'han utilitzat materials, programari o dispositius no autoritzats durant les proves, com ara xarxes socials o cercadors d'informació a internet, perquè s'han copiat fragments de text d'una font externa (internet, apunts, llibres, articles, treballs o proves d'altres estudiants, etc.) sense la citació corresponent, o perquè s'ha dut a terme qualsevol altra conducta irregular.
Així mateix, i d'acord amb la normativa acadèmica, les conductes irregulars en l'avaluació també poden donar lloc a la incoació d'un procediment disciplinari i a l'aplicació, si escau, de la sanció que correspongui, de conformitat amb l'establert a la normativa de convivència de la UOC.
En el marc del procés d'avaluació, la UOC es reserva la potestat de:
- Sol·licitar a l'estudiant que acrediti la seva identitat segons l'establert a la normativa acadèmica.
- Sol·licitar a l'estudiant que acrediti l'autoria del seu treball al llarg de tot el procés d'avaluació, tant avaluació contínua com avaluació final, per mitjà d'una prova oral o els mitjans síncrons o asíncrons que estableixi la Universitat. Aquests mitjans tindran per objecte verificar els coneixements i les competències que garanteixin l'autoria; en cap cas no implicaran una segona avaluació. Si no és possible garantir l'autoria de l'estudiant, la prova serà qualificada amb D, en el cas de l'avaluació contínua, o amb un Suspens, en el cas de l'avaluació final.
A aquests efectes, la UOC pot exigir a l'estudiant l'ús d'un micròfon, una càmera o altres eines durant l'avaluació; és responsabilitat de l'estudiant assegurar que aquests dispositius funcionen correctament.
|
L'assignatura només es pot aprovar amb el seguiment i la superació de l'avaluació contínua (AC). La qualificació final de l'assignatura és la nota obtinguda a l'AC. |
Nota final d'assignatura: AC
Model d'avaluació Aquesta assignatura només es pot superar a partir de l'avaluació contínua (AC). En cas de no superar l'AC, l'estudiant haurà de repetir l'assignatura. Per aprovar l'assignatura és un requisit imprescindible aprovar les PACs 3, 4 i 5 (nota igual o superior a C +). En el cas de no aprovar-les, no es podrà aprovar l'assignatura.
Instruments d'avaluació Els instruments per avaluar el treball de l'estudiant són les Proves d'Avaluació Continuada (PACs). Les PACs estan dissenyades perquè l'estudiant vagi fent el treball final de manera progressiva.
Criteris de qualificacióEls criteris d'avaluació inclouen les competències estipulades en el pla docent. L'estudiant ha de tenir especialment present que, per a la seva avaluació, es tindrà en compte el seu nivell de participació a l'aula i que el seguiment del seu procés de treball és clau en el context de l'AC.Serà el tutor de l'assignatura, amb suport de l'equip docent, el que realitzi l'avaluació contínua. El pes de cada PAC dins el AC és el següent:
- PAC 1: 5%
- PAC 2: 15%
- PAC 3: 20%
- PAC 4: 40%
- PAC 5: 20%
Una qualificació "N" (= No Presentat) en una PAC serà considerada a nivell numèric com un zero (= 0). La nota d'AC serà una N (= No Presentat) quan només s'hagin presentat, com a màxim, les dues primeres PACs (o cap d'elles), en cas contrari, la nota d'aC serà el resultat d'aplicar els pesos anteriorment citats. La nota d'AC també serà el resultat d'aplicar els pesos esmentats quan la nota de la PAC 3, 4 o 5 sigui inferior a C +.