|
||||||||
Consulta de los datos generales Descripción La asignatura en el conjunto del plan de estudios Campos profesionales en que se proyecta Conocimientos previos Objetivos y competencias Contenidos Consulta de los recursos de aprendizaje de la UOC para la asignatura Información adicional sobre los recursos de aprendizaje y herramientas de apoyo Información adicional sobre la bibliografía y fuentes de información Metodología Información sobre la evaluación en la UOC Consulta del modelo de evaluación Evaluación Contínua Evaluación final Feedback | ||||||||
Este es el plan docente de la asignatura para el primer semestre del curso 2024-2025. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios. | ||||||||
La inteligencia de negocio y el análisis de datos, bajo diferentes nombres (Business Intelligence, Business Analytics, Data Science, Big Data), es actualmente la mayor área de demanda de profesionales cualificados, la mayor fuente de inversión de las empresas en sistemas de información y la mayor causa de creación de negocios de productos y servicios en todo el mundo. El data science surge en un escenario en el que convergen tres circunstancias que caracterizan enormemente nuestro tiempo:
En definitiva, hay que entender data science como un camino, una forma de hacer y de trabajar, y no como un objetivo en sí mismo. Es un componente más de la cultura organizativa que debe involucrar tanto a niveles estratégicos como a niveles operativos de la misma. Por todo esto, una organización que explote data science requerirá incorporar perfiles con conocimientos en ámbitos como algoritmos, metodologías de trabajo, estándares del sector y por supuesto, también conocimientos de negocio. Es generalmente aceptada la idea de asociar habilidades sintéticas y analíticas a las actividades más o menos científicas como data science; sin embargo, es igualmente importante cultivar habilidades creativas para, sistemáticamente buscar y a veces encontrar, patrones nuevos que nos permitan convertir datos en conocimiento. A través del estudio de los distintos algoritmos, el estudiante observará la aportación creativa de distintos científicos que han contribuido muchas veces, con soluciones sencillas, brillantes y efectivas a problemas realmente complejos a priori. La asignatura presenta los conceptos y tipología de análisis de diferentes tipos de datos, los modelos y algoritmos de uso más frecuente de clasificación y agrupación y las metodologías y estándares profesionales y científicos que se usan en analítica de negocio. En esta asignatura el estudiante trabaja principalmente con R. Para ello cuenta con un laboratorio asociado que da soporte a los aspectos más prácticos relacionados con el uso de R. |
||||||||
El Máster en Inteligencia de Negocio y Big Data Analytics (MIBA) y los programas especializados de la UOC en este ámbito, ofrecen desde hace más de diez años una formación práctica y profesionalizadora basada en casos de negocio y en el uso de herramientas de mercado, impartida por profesionales de BI del mundo de la empresa y profesores especialistas en ciencias empresariales, matemáticas e ingeniería informática. Esta asignatura pertenece a la especialidad ESP1 "Analítica de datos". Más concretamente, dicha especialidad incluye otras asignaturas relacionadas:
La especialidad de analítica de datos está dirigida a proporcionar al profesional de perfil empresarial y tecnológico las capacidades prácticas de análisis de datos y de manejo de herramientas, dentro del marco científico de Data Science aplicado a los negocios y las organizaciones. En paralelo a esta asignatura, dentro de dicha especialidad los estudiantes desarrollarán los conceptos básicos de minería de datos, de forma que dispondrán de una base sólida para comprender todo el proceso que se inicia con la recogida de datos hasta la publicación de los resultados obtenidos. Esta asignatura, pues, presenta una visión transversal, dotando a los estudiantes de las competencias para manejar los modelos y algoritmos para extraer conocimiento de los datos. De esta forma, usando los conocimientos que se irán adquiriendo en las otras asignaturas de la misma especialidad, el estudiante será capaz de capturar datos, procesarlos y exponer el conocimiento derivado de los mismos. |
||||||||
El objetivo del máster de Inteligencia de Negocio y Big Data Analytics (MIBA) de la UOC ha sido tradicionalmente la formación de profesionales todo-terreno con una formación en análisis y solución de problemas de negocio, estadística avanzada y minería de datos y diseño y construcción de sistemas de información de Business Intelligence, que podían trabajar en diferentes departamentos de la empresa o en un centro de competencias transversal. Así pues, dicho máster está dirigido a dos perfiles profesionales diferenciados: Por un lado, un perfil funcional y empresarial interesado en adquirir o completar su formación en métodos, técnicas y herramientas de análisis y minería de datos y en la utilización de tecnologías de inteligencia de negocio, a nivel de usuario avanzado. Y por otro, un perfil técnico interesado en adquirir o completar su formación en el diseño, construcción, explotación y uso de los sistemas y tecnologías de la información, de la inteligencia de negocio y el análisis de datos. A medida que esta especialidad ha crecido y las empresas reconocen la necesidad de esta clase de perfiles, también lo han hecho las diferentes salidas profesionales:
|
||||||||
En principio, los estudiantes con ciertos conocimientos de estadística básica no deberían tener problemas para encarar esta asignatura. No obstante, si fuera necesario y el estudiante lo necesita, el profesor en el aula proporcionará más referencias respecto los conceptos introducidos. Como el resto de asignaturas de esta especialidad, lo que se pretende es asentar las bases para poder entender sin dificultades las asignaturas que componen la especialidad de Data Science. En cuanto a la capacidad de análisis del estudiante, tampoco debería ser un inconveniente. Si bien es cierto que tener nociones en el lenguaje de programación R puede ser de gran ayuda, existen ejemplos de scripts de todos los análisis realizados durante el curso que ayudarán al estudiante a poder hacer una aproximación sin problemas a dicho lenguaje y ser capaz de resolver los ejercicios propuestos durante el semestre. Se dispondrá de un Laboratorio de R para resolver dudas relacionadas con el uso de dicho lenguaje de programación. Además, como la metodología se basa en estudios de casos y la investigación autónoma de información, es aconsejable que el estudiante esté familiarizado con la búsqueda de fuentes de información, el análisis de la información cuantitativa y cualitativa, la capacidad de sintetizar y obtener conclusiones así como de poseer ciertas habilidades de comunicación escrita. Por último, es importante poner de manifiesto que para aprovechar al máximo este curso se requiere que el estudiante tenga la capacidad de leer y comprender el inglés puesto que algunos materiales de referencia, así como de otros recursos, están principalmente en dicho idioma. |
||||||||
Con esta asignatura se pretende que el estudiante adquiera conocimientos y habilidades en los siguientes campos:
|
||||||||
Esta asignatura está estructurada de acuerdo a dos grandes bloques. En el primero es donde se presentan todo un conjunto de metodologías y estándares y, por este motivo, se ha creído conveniente hacerlo común a las asignaturas de minería de datos y de business analytics. De esta forma el estudiante no se ve sobrecargado de trabajo y obtiene un material mucho más amplio que le servirá para poder entender mejor ambas asignaturas. El segundo bloque corresponde a los materiales específicos de la asignatura de fundamentos del data science. En concreto, en el bloque de metodologías y estándares se trabajan aspectos distintos englobados en seis módulos:
Como se acaba de comentar, el segundo bloque es el material propio de la asignatura y consta, a su vez, de tres módulos:
|
||||||||
|
||||||||
El material docente que se asocia a esta asignatura consta de dos grandes bloques:
|
||||||||
Cuando sea necesario, se proporcionara bibliografía adicional a través de los enunciados de las actividades o de los espacios de comunicación oportunos. Además, el laboratorio de R asociado también incluye bibliografía y enlaces de interés. |
||||||||
Durante la primera parte del curso se repasan las metodologías y estándares profesionales y científicos que se usan en analítica de negocio. Posteriormente, se presenta los conceptos y tipología de análisis de diferentes tipos de datos, los modelos y algoritmos de uso más frecuente de segmentación, clasificación y asociación. En esta asignatura el estudiante trabaja principalmente con R. Esta asignatura conlleva asociado un laboratorio de R (y también Python) donde podréis encontrar recursos relacionados con ambos lenguajes de programación, orientados a la realización de las actividades prácticas de la asignatura. En el laboratorio encontraréis soporte para la instalación de ambos entornos, ejemplos resueltos de diferentes ejercicios relacionados con el ciclo de vida de los datos, como por ejemplo leer ficheros en diferentes formatos, cómo preparar los datos, crear y evaluar modelos, etc. El laboratorio no es una asignatura al uso, no tiene actividades evaluables ni entregas, sino que es un recurso docente más que ponemos a vuestra disposición para avanzar en la resolución de las actividades prácticas propuestas en esta y otras asignaturas. El laboratorio dispone de un calendario que se usa como metáfora del ciclo de vida de los datos, no como un conjunto de actividades a realizar, el el cual podéis consultar cualquier aspecto relacionado con la captura, lectura, preprocesado, análisis y visualización de los datos en cualquier momento. Esperamos que este espacio sea enriquecedor para vuestra formación en este ámbito. Al inicio del semestre y cada vez que se cambie de tema, el profesor colaborador del aula recordará los objetivos y competencias a lograr para que el estudiante sepa qué se espera de él en todo momento. Además, se detallará el modelo de aprendizaje y de evaluación para cada parte y se propondrán algunos debates acerca de distintos ejemplos y lecturas complementarias que pueden estar o no integrados dentro de algunas de las actividades de evaluación continua de la asignatura. No obstante, la participación en la discusión de los debates planteados es obligatoria. También se recomienda el seguimiento y participación en todas las discusiones y preguntas publicadas en el foro del aula. Más concretamente, recomendamos el siguiente ciclo de estudio:
|
||||||||
En la UOC, la evaluación generalmente es virtual. Se estructura en torno a la evaluación continua, que incluye diferentes actividades o retos; la evaluación final, que se lleva a cabo mediante pruebas o exámenes, y el trabajo final de la titulación. Las actividades o pruebas de evaluación pueden ser escritas y/o audiovisuales, con preguntas aleatorias, pruebas orales síncronas o asíncronas, etc., de acuerdo con lo que decida cada equipo docente. Los trabajos finales representan el cierre de un proceso formativo que implica la realización de un trabajo original y tutorizado que tiene como objetivo demostrar la adquisición competencial hecha a lo largo del programa. Para verificar la identidad del estudiante y la autoría de las pruebas de evaluación, la UOC se reserva la potestad de aplicar diferentes sistemas de reconocimiento de la identidad y de detección del plagio. Con este objetivo, la UOC puede llevar a cabo grabación audiovisual o usar métodos o técnicas de supervisión durante la ejecución de cualquier actividad académica. Asimismo, la UOC puede exigir al estudiante el uso de dispositivos electrónicos (micrófonos, cámaras u otras herramientas) o software específico durante la evaluación. Es responsabilidad del estudiante asegurar que estos dispositivos funcionan correctamente. El proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de las actividades académicas. La web sobre integridad académica y plagio de la UOC contiene información al respecto. La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; la suplantación de identidad; la aceptación o la obtención de cualquier actividad académica a cambio o no de una contraprestación; la colaboración, el encubrimiento o el favorecimiento de la copia, o el uso de material, software o dispositivos no autorizados en el plan docente o el enunciado de la actividad académica, incluida la inteligencia artificial y la traducción automática, entre otras, son conductas irregulares en la evaluación que pueden tener consecuencias académicas y disciplinarias graves. Estas conductas irregulares pueden conllevar el suspenso (D/0) en las actividades evaluables definidas en el plan docente -incluidas las pruebas finales- o en la calificación final de la asignatura, ya sea porque se han utilizado materiales, software o dispositivos no autorizados durante las pruebas (como el uso de inteligencia artificial no permitida, redes sociales o buscadores de información en internet), porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas de otros estudiantes, etc.) sin la citación correspondiente, por la compraventa de actividades académicas, o porque se ha llevado a cabo cualquier otra conducta irregular. Asimismo, y de acuerdo con la normativa académica, las conductas irregulares en la evaluación también pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda, de conformidad con lo establecido en la normativa de convivencia de la UOC. En el marco del proceso de evaluación, la UOC se reserva la potestad de:
Inteligencia artificial en el marco de la evaluación La UOC reconoce el valor y el potencial de la inteligencia artificial (IA) en el ámbito educativo y, a su vez, pone de manifiesto los riesgos que supone si no se utiliza de forma ética, crítica y responsable. En este sentido, en cada actividad de evaluación se informará al estudiantado sobre las herramientas y los recursos de IA que se pueden utilizar y en qué condiciones. Por su parte, el estudiantado se compromete a seguir las indicaciones de la UOC a la hora de realizar las actividades de evaluación y de citar las herramientas utilizadas y, concretamente, a identificar los textos o imágenes generados por sistemas de IA, los cuales no podrá presentar como si fueran propios. Respecto a usar o no la IA para resolver una actividad, el enunciado de las actividades de evaluación indica las limitaciones en el uso de estas herramientas. Debe tenerse en cuenta que usarlas de manera inadecuada, como por ejemplo en actividades en las que no están permitidas o no citarlas en las actividades en las que sí lo están, puede considerarse una conducta irregular en la evaluación. En caso de duda, se recomienda que, antes entregar la actividad, se haga llegar una consulta al profesorado colaborador del aula. |
||||||||
Ponderación de las calificaciones
Opción para superar la asignatura: EC
Nota final de asignatura: EC |
||||||||
Este curso se evalúa únicamente a través de la evaluación continua porque no hay examen final presencial. Todas las actividades tanto teóricas como prácticas, los casos prácticos y la participación en las discusiones en el foro virtual son obligatorios. La evaluación continua consta de diversas actividades que tienen como objetivo combinar el aprendizaje y la reflexión, desde un punto de vista tecnológico, sobre los fundamentos del análisis de datos, su ciclo de vida en la empresa (desde el reconocimiento de problemas hasta el análisis de la información producida) y las diferentes modalidades para su implantación, sea ésta integrada con los sistemas corporativos o por separado. En estas actividades, las habilidades anteriormente descritas entran en juego. La evaluación continua presenta:
Advertencia: Es importante mencionar que la resolución de las pruebas, casos y prácticas propuestas se debe realizar de forma individual, excepto cuando se indique lo contrario. El equipo docente tendrá en cuenta la lógica de las respuestas, el pensamiento individual y la capacidad de expresarse por escrito. Cualquier fuente externa usada para resolver las cuestiones y casos deberá indicarse claramente y ser referenciada adecuadamente. Si no fuera el caso, las actividades se evaluarán con una D. Por otro lado, siempre a criterio de la Universidad, el incumplimiento de esta obligación será comunicada a la gestión de los estudios, con el fin de evaluar si el estudiante está autorizado para aprobar cualquier otra materia o mediante una evaluación continua en el semestre o el siguiente. Sistema de calificación Cada actividad (PEC) tendrá una nota individual cualitativa: A, B, C+, C- o D. La nota de la evaluación continua, que es un promedio de cada una de las actividades por módulo, será cualitativa y cuantitativa (sin decimales): A = 9/10 o B = 7/8 o C + = 5/6 o C- = 3/4 o D = 0/1/2 o no presentado (NP) = 0. La calificación final será cuantitativa con un decimal. Criterio de evaluación general basado en evidencias APROBADO
NOTABLE
EXCELENTE
Además de estos criterios generales usados a lo largo del semestre, pueden añadirse otros criterios específicos para evaluar algunas de las habilidades generales o particulares. Éstos serán informados, si procede, en el enunciado de las actividades. Cualquier actividad entregada fuera de plazo (más allá de las 23:59 de la fecha límite propuesta, pero antes de la fecha de publicación de notas/publicación de la solución), tendrá una penalización. La nota obtenida en la actividad se multiplicará por un factor de corrección de 0.7. Es decir, nota final de la actividad = nota obtenida * 0.7, siendo la nota máxima que se podrá obtener de 7 sobre 10. Cualquier actividad entregada a partir de la fecha de publicación de notas o publicación de la solución se considerará no presentada y contará como un 0. Recuperación de las Pruebas de Evaluación Continua (PEC) Existe la posibilidad de recuperación de una de las actividades/PECs que no se haya entregado o aprobado mediante un ejercicio que deberá ser acordado (tanto en contenido como en los aspectos ligados al calendario) con el profesor en el aula, siempre con anterioridad. Detalles del proceso de recuperación:
|
||||||||
Esta asignatura únicamente se puede superar a través de la realización y entrega de un mínimo de 3 de las PEC propuestas a lo largo del semestre. La ponderación de la nota final de evaluación continua (EC) se obtiene de la siguiente forma:
Además, es importante destacar:
Por otra parte, a lo largo del semestre, el consultor puede proponer discusiones o debates formales. La participación en calidad y cantidad en dichos debates también puede influir en la calificación final del semestre. |
||||||||
En las fechas previstas en la planificación docente de la asignatura, tendréis disponibles los enunciados de las pruebas de evaluación continua. Una vez finalizado el plazo de entrega, podréis acceder a las soluciones a través de la actividad correspondiente. La solución a las actividades en forma de respuestas orientativas constituye una herramienta importante de aprendizaje. Cuando una prueba teórica no tenga una solución única, se publicarán y se comentarán aquellas soluciones que puedan ser correctas. Es muy recomendable que contrastéis las respuestas orientativas con vuestras propias respuestas y detectéis así los aciertos y los errores cometidos. De esta forma, realizáis una tarea de autoevaluación y de aprendizaje fundamental para garantizar el adecuado seguimiento de la asignatura. Mediante el libro de notas del aula accederéis a la nota de cada prueba de evaluación. El plazo habitual y aproximado para introducir las calificaciones es de una semana a contar desde el cierre del plazo de entrega de la actividad correspondiente. No obstante, cada PEC tiene su temporización que podéis observar en el apartado de fechas clave de este plan docente. El profesor en el aula informará en el Tablón de la publicación de las calificaciones. Al cabo de unos días -si procede- se publicará en el tablón de cada aula un feedback grupal de los errores más frecuentes que se hayan detectado en la tarea de corrección de las actividades entregadas en el conjunto de las aulas de la asignatura. Este feedback grupal no tiene porqué contener únicamente los errores más comunes. El profesor en el aula puede optar por la publicación de una parte o la totalidad de las actividades destacadas que han realizado algunos estudiantes a modo de buenas prácticas. Por otro lado, y en el mismo registro de evaluación continua (globo junto a la nota), el profesor en el aula también proporcionará un feedback personalizado a todos aquellos estudiantes que considere oportuno para su proceso de aprendizaje y seguimiento de la asignatura. Es decir, se seguirá con atención a aquellos estudiantes en riesgo de no superar el curso, según su evolución. En todo caso, cualquier estudiante puede pedir aclaraciones o formular dudas sobre su prueba en particular a su profesor en el aula. Por el hecho de ser una evaluación individual y continuada, se recomienda hacer esta petición durante los siete días posteriores a la publicación de la solución de cada prueba sobre la que tengáis dudas o necesidades de aclaración y no esperar a las calificaciones medias o finales. También es posible ponerse en contacto con el profesor responsable de la asignatura, si los comentarios y sugerencias recibidos no son satisfactorios o no se está de acuerdo con ellos. |