Breve descripción

La presente materia tiene como objetivo proporcionar al estudiante una visión de global de lo que se conoce como Data Science, (o Ciencia de Datos), de los problemas de Big Data, y del contexto de Open Science (o Ciencia Abierta).

Título asignatura

Introducción a los datos masivos y a la ciencia en abierto

Código asignatura

102263

Curso académico

2019-20

Planes donde se imparte

MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE

Créditos ECTS

6

Carácter de la asignatura

OBLIGATORIA

Duración

Cuatrimestral

Idioma

Castellano e inglés

Contenidos

1. Introducción al contexto de Open Science (Ciencia en Abierto)

2. Relevancia de los problemas de Big Data en Open Science

3. El enfoque desde Ciencia de Datos

4. Ejemplos relevantes de la aplicación de Ciencia de Datos en Open Science

5. Arquitectura de las soluciones

6. Descripción de las e-Infraestructuras y el correspondiente Middleware

7. Panorámica de casos de uso en las áreas de Salud, Medio Ambiente, Urbanismo, Economía, Astrofísica, Ciencias Sociales, Humanidades, Gestión Pública

8. Problemas y desafíos

9. Perfiles profesionales en el ecosistema de la Ciencia de datos

10. Nuevas tendencias y desarrollos

11. Proyectos e iniciativas, instituciones y empresas implicadas

Generales

CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar su actividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes

CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar de forma autónoma proyectos básicos de investigación

CG4 - Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico

CG6 - Buscar, obtener, procesar, comunicar información y transformarla en conocimiento

CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados

CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica

Transversales

CT1 - Analizar y combinar información utilizando diferentes fuentes

CT2 - Conocer la problemática ética y legal relacionada con el análisis de datos y entender su importancia para una sociedad basada en los valores de la libertad, la justicia, la igualdad y el pluralismo

CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar

Específicas

DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones

DSDA04 - Investigar y analizar conjuntos de datos complejos, combinando diferentes fuentes y tipos de datos para mejorar el análisis global

DSDA06 - Capacidad de representación de datos variables y complejos para su visualización

DSENG01 - Aplicar los principios de ingeniería a la investigación, diseño y desarrollo de un prototipo de aplicaciones de análisis de datos, o al desarrollo de estructuras, instrumentos, máquinas, experimentos, procesos, sistemas requeridos para ello

DSRM01 - Crear nuevas visiones y capacidades mediante el uso del método científico (hipótesis, prueba y evaluación)

DSRM02 - Realizar un estudio sistemático dirigido hacia un conocimiento más completo o la comprensión de los hechos observables, y descubrir nuevos enfoques para lograr los objetivos en investigación o de organización

Actividades formativas

AF1 - Participación y asistencia a lecciones magistrales y seminarios (30 horas - 100% presencialidad)

AF2 - Realización de prácticas de computación y análisis de datos (15 horas - 100% presencialidad)

AF3 - Desarrollo de proyectos guiados (40 horas - 20% presencialidad)

AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (10 horas - 30% presencialidad)

AF7 - Elaboración de informes de laboratorio y trabajos (12 horas - 0% presencialidad)

AF8 - Estudio individual de contenidos de la asignatura (30 horas - 0% presencialidad)

AF9 - Trabajo en grupo (10 horas - 0% presencialidad)

A10 - Pruebas de evaluación (3 horas - 100% presencialidad)

Metodologías docentes

Se comenzará por una exposición de los conceptos básicos, incluyendo ejemplos sencillos pero relevantes, que serán analizados individualmente y discutidos en común.

Se revisarán los diferentes componentes de una solución, y los actores que participan en el desarrollo de la misma.

Los estudiantes, organizados en grupos, realizarán un análisis detallado de un caso de estudio en una de las áreas comentadas (Salud, Medio Ambiente, Urbanismo, Economía, Astrofísica, Ciencias Sociales, Humanidades, Gestión Pública).

Se invitará puntualmente a profesionales destacados en cada temática para aportar un punto de vista práctico y cercano sobre la situación actual y retos profesionales concretos.

Resultados de aprendizaje

• Identificar problemas de Big Data en el contexto Open Science que requieren técnicas de Ciencia de Datos para su resolución.

• Distinguir entre los diferentes componentes de dificultad de un problema de Big Data.

• Saber elegir fuentes de información en el contexto de Open Science.

• Identificar los elementos requeridos para abordar una solución completa, incluyendo la arquitectura y los diferentes actores implicados.

• Conocer las nuevas técnicas en Data Science y las diferentes iniciativas en marcha e instituciones y empresas implicadas.

• Identificar el perfil profesional requerido en el contexto de Data Science.

Descripción del sistema de evaluación

SE1 - Examen (escrito, oral y/o práctico en el aula de computación) (40%)

SE2 - Valoración de informes y trabajos escritos (60%)

Profesor responsable

Profesorado

Horario

Programa para imprimir

Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.

Documento para la solicitud de reconocimiento de créditos en otros estudios