Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 3 Clase Expositiva: 21 Clase Interactiva: 30 Total: 54
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Linguaxes e Sistemas Informáticos
Centro Facultade de Administración e Dirección de Empresas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
Presentación
O programa desta materia está dirixido á formación de profesionais da área de Minería de Datos e Intelixencia de Negocios. Por unha banda, a primeira engloba un conxunto de técnicas orientadas á explotación eficiente dos datos, mediante a extracción de coñecementos accionables, implícitos nas bases de datos. Grazas a ese coñecemento, é posible resolver problemas de predición, clasificación e segmentación. Por outra banda, Intelixencia de Negocios ou Intelixencia Empresarial abrangue a comprensión do funcionamento actual da empresa, anticipándose a futuros problemas a partir da información obtida da Minería de Datos.
O enfoque desta materia é eminentemente práctico, polo que o alumnado dispón dunha gran variedade de exemplos que lle permiten acadar as competencias transversais e específicas da materia.
A duración desta materia é de 54 horas de docencia expositiva e interactiva, quedando a parte de actividades para a resolución destas por parte do alumnado, fóra do horario académico.
Obxectivos da materia
Os obxectivos, para o alumnado, que se perseguen nesta unidade didáctica son:
• Coñecer os obxectivos da Minería de Datos, así como os distintos tipos de problemas aos que se adoita aplicar.
• Saber que datos podemos ter para realizar a minería, de onde procede, o seu formato e calidade.
• Operacións típicas de preprocesamento de datos.
• Implantar un data warehouse con tecnoloxías actuais, resolvendo carga de datos, consulta e xeración de informes e cadros de mando para a toma de decisións.
• Coñecer técnicas de minería de datos que permiten reducir a dimensionalidade dos conxuntos de datos e detectar patróns, co obxectivo de reducir custos, minimizar as deficiencias operativas e os riscos para a empresa.
• Coñecer as diferentes técnicas xerais utilizadas para a análise de datos e aplicar as principais en ficheiros de datos de mostra.
• Coñecer o desenvolvemento dalgunhas das principais aplicacións de data mining na xestión empresarial: Veranse diversas metodoloxías para o desenvolvemento de aplicacións de Business Intelligence, diversas técnicas estatísticas, diversos algoritmos e Intelixencia Artificial empregados para o diagnóstico coma: o scoring, o forecasting, clustering, optimización, avaliación de riscos e fraudes, creación de normas de asociación, deseño da árbore de decisións.
A memoria do título contempla para esta materia os seguintes contidos:
• Introdución á Inteligencia de Negocio.
- Data warehouses
- Modelización dimensional.
• Compoñentes dun almacén de datos.
• Métodos de extracción, transformación e carga (ETL).
• Preprocesamento e análise de datos.
• Tarefas e métodos de aprendizaxe automática
• Construción e avaliación de modelos.
• Avaliación empresarial.
- Analítica descritiva.
• Avaliación de tendencias do mercado
- Análise preditiva
• Xestión do coñecemento
- Analítica prescritiva.
• Monitorización e cadros de mando.
Trátase dunha materia principalmente práctica (maior carga de horas interactivas que as clases expositivas), na que o alumnado verá os contidos teóricos durante as clases teóricas pero afondará neles principalmente nas sesións interactivas.
Python e R serán as linguaxes de desenvolvemento empregadas para implementar os algoritmos necesarios para as actividades. O software propietario e de código aberto úsase para actividades que requiren software de terceiros.
Bibliografía básica
• Hernández Orallo, J., Ramírez Quintana, MJ, Ferri Ramírez, C. Introduction to data mining, 9788420540917, Pearson Education, 2004
• Connolly, TM; Begg, C., Database Systems: A Practical Approach to Design, Implementation, and Management, 978-0132943260, 6, Pearson Education, 2015
• Casters, M., Bouman, RM van Dongen, J., Pentaho Kettle Solutions, 9780470635179, Wiley Publishing, Inc, 2010.
• Ian H. Witten, Eibe Frank, Mark A. Hall, Data Mining: practical machine learning tools and techniques, 978-0-12-374856-0, 3rd, Morgan Kaufmann, 2011
Bibliografía complementaria
• Mathew North, Data Mining for the Masses, 978-0615684376, 1o, Global Text Project Book, 2012
• Jiawei Han, Micheline Kamber, Data Mining: concepts and techniques, 978-9380931913, 3o, Morgan Kaufmann, 2011
• Jason Bell, Machine Learning: Hands-On para desenvolvedores e profesionais técnicos, 978-1-118-88906-0, 1a, Wiley, 2015
• Booth, Travis, Deep learning with Python: a hands-on guide for beginners, 9781070494074, Independently published, 2019
• Aurélien-Oron, Aprendizaxe automática con Scikit-Learn, Keras e Tensorflow: conceptos, ferramentas e técnicas para construír sistemas intelixentes stems, 1492032646, O'Reilly Media, 2019
• Emmanuel Ameisen, Construción de aplicacións impulsadas por Machine Learning: Going from Idea to Product, 149204511X, O'Reilly Media, 2020
Básicas e xerais
CB1. Que o alumnado demostre poseer e comprender coñecementos nunha área de estudo que parte da base da educación secundaria xeral, e adoita atoparse nun nivel que, aínda que se apoia en libros de texto avanzados, inclúe tamén algúns aspectos que implican coñecementos procedentes de á vangarda da súa área de estudo.
CB2. Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación dun xeito profesional e posúe as competencias que adoitan demostrarse mediante a elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo
CB3. Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre cuestións relevantes de carácter social, científico ou ético
CB4. Que o alumnado poida transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado
CB5. Que o alumnado teña desenvolvido aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía
CG3. Aprender a planificar e implantar novas tecnoloxías que axuden a mellorar a competitividade das empresas
CG7. Coñecer e utilizar correctamente as ferramentas informáticas e as novas tecnoloxías relacionadas coa xestión empresarial.
Transversais:
CT1. Pensar de forma integrada e crítica e aborda os problemas desde diferentes perspectivas.
CT2. Buscar, procesar, analizar e sintetizar información procedente de diferentes fontes.
CT5. Capacidade para resolver problemas e tomar decisións aplicando os coñecementos teóricos á práctica.
CT10. Capacidade para utilizar ferramentas de cálculo e tecnoloxías da información e da comunicación (TIC).
Específicas:
CE1. Comprender os aspectos fundamentais da contorna social e económica a nivel macro e micro, con especial atención ao comportamento do consumidor e á evolución dos sectores produtivos, no marco global da nova economía e da sociedade da información.
CE14. Coñecer e saber utilizar ferramentas e mecanismos para a representación, almacenamento, transformación, análise e comunicación da información de forma fiable e eficiente.
CE15. Coñecer as posibilidades do Big Data e da intelixencia artificial e empresarial para a mellora dos procesos empresariais e coñecer os requisitos para a súa implantación.
CE16. Comprender os sistemas de información empresarial, tendo en conta as súas tres dimensións específicas (informativa, tecnolóxica e organizativa) e tomar decisións relacionadas coa súa especificación, deseño e implantación.
CE17. Propoñer e codirigir a integración de sistemas de información avanzados e coñecer as súas aplicacións nas distintas áreas da xestión empresarial, cumprindo os requisitos de calidade, seguridade e protección da información, facendo uso da criptografía, intelixencia artificial e big data.
CE18. Coñecer o uso e a programación de sistemas informáticos, bases de datos, criptografía e cadeas de bloques para a súa aplicación á xestión e análise da información empresarial e ao deseño e desenvolvemento de produtos, procesos e novos modelos de negocio.
A metodoloxía da ensinanza que se segue dentro da materia é a seguinte:
• Os contidos da materia impartiranse de forma semipresencial utilizando como apoio as plataformas corporativas da USC: Moodle (Campus Virtual) e Microsoft Teams.
• É necesaria a realización de todas as actividades propostas, así como a asistencia a todas as clases para superar a materia.
• Os recursos necesarios para esta materia son os seguintes:
a. Dispoñer dun ordenador persoal
b. Copias dos apuntes da materia.
c. Acceso do alumnado á bibliografía na Biblioteca ou en Internet.
d. Microsoft Office para a elaboración da documentación das prácticas.
e. Acceso ao campus virtual da USC
f. Acceso a MS Teams
g. Software de Virtualización como VirtualBox ou VMWare
• O estudo e aprendizaxe que se persegue dentro da materia apoiarase nos seguintes elementos:
-Sesións presenciais: Estas sesións, que se desenvolverán de acordo cos horarios establecidos pola Facultade, impartiranse na aula correspondente e serán retransmitidas de forma síncrona en streaming. Nestas sesións levarse a cabo unha revisión breve dos contidos xerais de cada unidade temática e desenvolveranse diferentes actividades orientadas a fomentar a participación e posta en común de todo o grupo. As clases presenciais fundamentalmente terán lugar nunha aula de informática, na que se proporcionará un computador para cada estudante. Para maximizar a aprendizaxe é recomendable que o alumnado, antes de cada sesión presencial, revise previamente os materiais didácticos do tema correspondente de acordo co cronograma da materia. Por outra banda, é importante que participe activamente en todas as actividades propostas polo profesorado e consulte a bibliografía e outro material recomendado
- Actividades: Ao longo do cuadrimestre o alumno deberá resolver problemas prácticos adecuados aos contidos desenvolvidos ata o momento. Estas actividades corresponden a exposicións dos problemas resoltos nos exames de convocatorias anteriores e con problemas propostos en recursos detallados na bibliografía.
A resolución e entrega destas actividades considérase imprescindible para acadar un resultado satisfactorio nesta materia. Estas actividades serán defendidas polo alumnado en sesións de titoría a través da plataforma Microsoft Teams.
- Titorías: As titorías servirán para resolver dúbidas do alumnado sobre os contidos da materia, resolución de problemas teóricos e exercicios prácticos propostos no anexo de actividades. Estas titorías desenvolveranse preferentemente de forma virtual a través da plataforma Microsoft Teams, pero poderán ser tanto presenciais como virtuais a través de correo electrónico ou campus virtual, e son fundamentais para conseguir unha aprendizaxe eficaz da materia.
- Curso Virtual: Esta materia contará cun curso virtual desenvolvido na plataforma Campus Virtual da USC. Neste, dotarase ao alumnado de todo o material necesario en formato dixital, ademais de diferentes ferramentas de comunicación de apoio, tanto de docencia virtual como de titorías, que inclúen videoconferencia, chat, correo electrónico, foros, etc.
A asistencia ás clases é obrigatoria e terase en conta para a avaliación da materia. Será obrigatorio a asistencia polo menos ao 75% das sesións (salvo causas moi xustificadas, segundo normativa da USC).
Recoméndase encarecidamente utilizar as titorías, para a resolución das dúbidas relacionadas co contido da materia. Para superar a materia, o alumno terá que realizar todas as actividades que se propoñan e superar o exámen correspondente.
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recolleito na “Normativa de avaliación do rendemento académico dous estudantes e de revisión de cualificacións” da USC.
Primeira oportunidade: para superar a materia, o alumno deberá asistir ás clases, entregar as actividades propostas, a realización de exposicións orais realizados durante o curso (40% da cualificación final) e aprobar por separado tanto a teoría, que se realizará mediante un exame tipo test coa axuda da plataforma virtual, como a parte práctica, que se realizará mediante tarefas na plataforma virtual da materia consistente na resolución de problemas prácticos (50% da cualificación final). O restante 10% da cualificación final obterase da participación activa na aula virtual (a través dos foros e debates, e outras ferramentas virtuais).
As preguntas do exame teórico poderán referirse tanto aos contidos reflectidos nos apuntamentos da materia como aos contidos prácticos traballados polo alumno nas actividades entregadas. Estas probas poderán constar de preguntas tipo test, preguntas curtas e problemas de casos prácticos.
En todas as probas avaliarase o grao de asimilación das competencias establecidas no programa docente da materia. Non se realizará ningún exame parcial. Para superar a materia terase que demostrar un coñecemento superior ao 40% na parte práctica e igual ou superior ao 50% na parte teórica.
Segunda oportunidade: á marxe da avaliación continua, todos os alumnos teñen dereito a asistir ao exame da segunda oportunidade. Mantense a nota, e tamén o seu peso na nota final, das partes que se corresponden coa asistencia a clase, entrega de actividades e a parte práctica conseguida durante o curso. Con todo, o alumnado poderá entregar en data previa o exame da segunda oportunidade, aquelas actividades que non alcanzasen a nota de corte na convocatoria anterior. Para superar a materia terase demostrar un coñecemento de polo menos o 50% en todos os tipos de avaliación.
Dispensa de asistencia: en caso de dispensa de asistencia o alumno estará exento do cumprimento do deber de asistencia ás clases presenciais pero será obrigatoria a realización e entrega das actividades prácticas propostas, así como superar o exame final.
Os alumnos repetidores de anos anteriores estarán exentos do cumprimento do deber de asistencia ás clases presenciais. Para aprobar a materia deberán superar o exame teórico e os exercicios prácticos como o resto dos alumnos.
De acordo coa Normativa de Permanencia vixente na USC para os estudos de Grao e Máster (art. 5.2), a mera asistencia e/ou participación en calquera das actividades suxeitas a avaliación supoñerá que a nota final do estudante sexa distinta de NON PRESENTADO.
Avaliación das competencias:
En xeral o desenvolvemento das actividades prácticas, así como a preparación dos temas teóricos permitirá ao alumnado traballar as competencias básicas, xerais e transversais da materia. En concreto, o desenvolvemento das prácticas, así como a proba final permitirán avaliar as competencias específicas CE1, CE14, CE15, CE16, CE17, CE18.
A materia ten unha carga de traballo fixa de 6 ECTS. Estes datos dan lugar a unha carga de traballo para o material entre 150 (6x25) horas e 180 (6x30) horas.
Na guía da materia pódese ver un estudo máis detallado sobre o tempo de estudo e traballo persoal necesario para superar a materia. A recomendación xeral sería dedicar entre 10 e 12 horas semanais (incluídas 4 horas de clase).
Traballo presencial na aula
• Actividade presencial: presentación de contidos básicos e clases prácticas: 12 horas.
• Titorías en grupo (con pequenos grupos): 6 horas.
• Actividades de avaliación: 3 horas.
TOTAL 21 horas
Traballo persoal do alumnado.
* Aprendizaxe Virtual. Estudo persoal. Resolución de casos prácticos/traballos: 77 horas.
* Preparación de traballos do curso: 20 horas.
* Preparación de probas de avaliación: 32 horas
TOTAL 129 horas
Dado que se utiliza unha metodoloxía baseada na avaliación continua, é necesario un traballo continuo cos contidos da materia. Isto é especialmente importante nas prácticas, xa que algúns contidos se basean sobre os anteriores, o que fai moi conveniente ter os temas anteriores asimilados antes de intentar comprender os novos. É o único xeito de poder superar as diferentes actividades de avaliación que se propoñen.
Para o estudo da materia recoméndase a realización de todos os exercicios das fichas de problemas e actividades, tanto os que se resolvan nas propias sesións interactivas, como os que se propoñan.
Alvaro Vazquez Alvarez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Linguaxes e Sistemas Informáticos
- Correo electrónico
- alvaro.vazquez [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Venres | |||
|---|---|---|---|
| 17:00-19:00 | Grupo /CLIS_01 | Castelán | Aula Informática 5 |
| 24.01.2025 16:00-20:00 | Grupo /CLIS_01 | Aula Informática 5 |
| 20.06.2025 09:00-13:00 | Grupo /CLIS_01 | Aula Informática 5 |