Dades generals

Curs acadèmic:
2017
Descripció:
El curs pretén introduir l'estudiant alc conceptes bàsics de la intel·ligència de negoci i la mineria de dades amb el propòsit de que pugui aplicar aquests coneixements en l'entorn empresarial
Crèdits ECTS:
5

Grups

Grup A

Durada:
Semestral, 1r semestre
Professorat:
ESTEBAN FERMIN DEL ACEBO PEÑA
Idioma de les classes:
Català (80%), Anglès (20%)

Competències

  • CT08 Planificar i organitzar les propostes i projectes
  • CT09 Aplicar cirteris de qualitat a les propostes i/o projectes
  • CIS4 Capacitat d'identificar i analitzar problemes i dissenyar, desenvolupar, implementar, verificar i documentar solucions software sobre la base d'un coneixement adequat de les teories, models i tècniques actuals.

Continguts

1. Introducció a la BI com una eina de recolçament a la presa de decisiona a l'empresa

2. Descriptive analytics. Datawarehousing

          2.1. Arquitectures i metodologies

          2.2. Procesos d'exracció, transformació i càrrega (ETL) de dades.

          2.3. Models de dades multidimensional i processat analític on-line (OLAP)

          2.4. Anàlisi i visualització de daes. KPI i dashboards.

3. Predictive analytics. Data Mining

          3.1. Principis de mineria de dades.

          3.2. Mètodes d’aprenentatge supervisat per tasques de classificació i regressió

          3.3. Clustering

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Total
Anàlisi / estudi de casos 10 10 20
Classes expositives 18 26 44
Classes pràctiques 12 16 28
Exposició dels estudiants 10 5 15
Prova d'avaluació 3 15 18
Total 53 72 125

Bibliografia

  • Turban, Efraim (cop. 2011 ). Business intelligence : a managerial approach (2nd ed.). Boston: Prentice Hall. Catàleg
  • Alberto Ferrari, Marco Russo (2013). Microsoft Excel 2013. Building data models with PowerPivot. Microsoft. Catàleg
  • Sierra, Basilio (cop. 2006 ). Aprendizaje automático : conceptos básicos y avanzados : aspectos prácticos utilizando el software Weka . Madrid: Pearson Prentice Hall. Catàleg
  • Mohammed j. Zaki, Wagner Meira (2014). Data mining and analysis.Fundamental concepts and algorithms. Cambridge University press.
  • Trevor Hastie, Robert Tibshirane, Jerome Friedman (2009). The Elements of Statistical Learning. Springer. Catàleg

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat %
Classe pràctiques Funcionament i informe correctes 30
Exercicis Plantejament dels exercicis i correcció de la solució 5
Exposició oral Claredat en l'exposició , documentació i presentació (powerpoint) 15
Prova d'avaluació Correcció i claredat en les respostes 50

Qualificació

1) Cal presentar tots els exercicis i pràctiques en els terminis establerts.

2) Es pot aprovar per curs si s'aproven tots els exercicis i pràctiques, així com la presentació oral final. En aquest cas, la nota final de l'assignatura es calcularà així:

. . . . . . Nota Final = 0.6 * Nota Pràctiques + 0.2 * Nota Exerciccis + 0.2 * Nota Presentació oral

3) Els alumnes que no aprovin per curs hauran de fer un examen final. En aquest cas la nota final de l'assignatura es calcularà així:

. . . . . . Nota Final = 0.3 * Nota Pràctiques + 0.1 * Nota Exerciccis + 0.1 * Nota Presentació oral + 0.5 Nota Examen





Criteris específics de la nota «No Presentat»:
Des del moment que l'estudiant lliura un treball, pràctica, exercici o examen, es considera PRESENTAT.

Assignatures recomanades

  • Bases de dades
  • Intel.ligència artificial