Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 76.5 Horas de Titorías: 4.5 Clase Expositiva: 13.5 Clase Interactiva: 18 Total: 112.5
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxectivo desta materia é que o alumno comprenda como se está utilizando a paradigma Big Data para soportar e realizar decisións óptimas en diferentes ámbitos de aplicación. Comezarase explicando o problema da toma de decisións e como a nova paradigma baseada na análise de datos masivos pode axudar a resolver as tarefas relacionadas co devandito problema. A continuación exporanse os fundamentos da Ciencia dos Datos, describiranse conceptualmente as técnicas de análises de datos, e como se están a aplicar en áreas como a análise do comportamento de consumidores/usuarios, a optimización de procesos empresariais, a análise de doentes en medicina, ou a predición en mercados financeiros. Por último, para entender como se aplica a paradigma de toma de decisións baseada en datos, presentaranse e discutiránse casos de uso en ámbitos de aplicación relevantes como a mercadotecnia, a xestión empresarial, a biomedicina ou as finanzas.
Contidos expositivos:
1. Introdución: Toma de decisións baseada en datos
2. Modelos de Toma de Decisións.
3. Sistemas predictivos
4. Ciencia dos Datos e Estratexia de Negocio
5. Casos empresariales: 5 casos de aplicacións prácticas da Ciencia dos Datos.
Contidos interactivos:
1. Laboratorio: Prácticas de toma de decisións
2. Laboratorio: Prácticas de sistemas predictivos
3. Proxecto ou Casos de empresas
Bibliografía básica:
1. Foster Provost and Tom Fawcett. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (1st ed.). O'Reilly Media, Inc.
Bibliografía complementaria:
2. Stuart J. Russell and Peter Norvig. 2003. Artificial Intelligence: A Modern Approach (2 ed.). Pearson Education.
3. Dietmar Jannach, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. 2010. Recommender Systems: An Introduction (1st ed.). Cambridge University Press, New York, NY, USA
As principais competencias que adquirirá o alumno unha vez superada a materia son:
Entender os problemas e modelos de funcionamento de ámbitos de aplicación relevantes.
Coñecer e saber aplicar a paradigma de toma de decisións baseada en datos.
Coñecer e saber aplicar os fundamentos da ciencia dos datos para resolver os problemas relacionados coa toma de
decisións.
Presentar propostas de utilización de técnicas Big Data en ámbitos de aplicación.
Traballar en equipo.
Planificar e organizar o seu tempo e os seus recursos.
Levar a cabo unha aprendizaxe autónoma.
Manexar bibliografía e recursos web noutros idiomas.
Clases teóricas ou expositivas, nas que se expón o contido de cada tema. O profesor promoverá unha actitude activa, realizando preguntas que permitan aclarar aspectos concretos e deixando cuestións abertas para a reflexión do alumno.
Clases prácticas ou interactivas con uso de computador, que permiten ao alumno familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas.
1.- Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
1.1.- Clases teóricas: impartidas polo profesor e exposición de seminarios por parte de empresas que usan BigData
no seu quefacer habitual: CB9, CB10, T3,T4, G3, G5, E11, E12
1.2.- Clases prácticas de laboratorio, resolución en grupo de problemas e casos prácticos: CB7, CB10, T1, T5, G2,
G3, E11, E12
1.3.- Tutorías programadas: orientación para a realización dos traballos individuais ou en grupo, resolución de
dúbidas e actividades de avaliación continua: CB9, CB10, T3,T4, G3, CB7, T1, T5, G2, G3, E11, E12
1.40- Exame: CB7, CB9, T1, T3, G4, G5
2 Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
2.1 Traballo persoal do alumno: consulta de bibliografía, estudo autónomo, desenvolvemento de actividades
programadas, preparación de presentacións e traballos: CB7, CB10, T1, T5, G2, G3, E11, E12
Para superar a materia o alumno terá que presentar o 50% do proxecto final da materia.
A nota final se compondrá como segue:
* Exame de teoría: 50%
* Realización do proxecto final da materia: 50%
Outras consideracións:
- A asistencia a clase non terá ningunha valoración.
- Para os casos de realización fraudulenta dos exercicios ou probas, se aplicarán as disposicións recollidas na Normativa de evaluación do rendemento académico dos estudiantes e da revisión das calificacións.
Clases expositivas: 8 h presenciais + 17 h traballo autónomo do alumno
Clases interactivas: 18 h presenciais + 38,5 h traballo autónomo do alumno
Tutorías e Actividades de avaliación: 6 h presenciais + 13 h traballo autónomo do alumno
Conferencias: 4 horas presenciais + 8 h traballo autónomo do alumno
Total: 112,5 h
Recoméndase a asistencia rutinaria, tanto a clases interactivas como ás expositivas, así como o estrito cumprimento dos prazos de entrega.
Eduardo Manuel Sánchez Vila
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816466
- Correo electrónico
- eduardo.sanchez.vila [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
| Luns | |||
|---|---|---|---|
| 18:30-19:45 | Grupo /CLE_01 | Castelán | Aula de Proxectos |
| 01.06.2026 16:00-19:45 | Grupo /CLIL_01 | Aula de Proxectos |
| 01.06.2026 16:00-19:45 | Grupo /CLE_01 | Aula de Proxectos |
| 24.06.2026 16:00-19:45 | Grupo /CLIL_01 | Aula de Proxectos |
| 24.06.2026 16:00-19:45 | Grupo /CLE_01 | Aula de Proxectos |