L'assignatura té dues sessions lectives cada setmana. Cada sessió es divideix en dues parts: en la primera, predominantment dirigida pel professor, que explica els nous continguts i la teoria; en la segona, els alumnes treballen en exercicis per consolidar els coneixements apresos. Cada dues sessions es duen a terme avaluacions individuals o en grup mitjançant proves escrites, activitats individuals o en grup i recollida d'exercicis realitzats a casa, etc.

A continuació, es posen en relació els resultats d'aprenentatge amb el contingut impartit per assolir-los.
RA1. Utilitzar Python per llegir i transformar dades en diferents formats: Desenvolupar solucions per compte propi utilitzant biblioteques estàndard com Numpy, Pandas, Matplotlib o SciPy.
RA2. Generar estadístiques i mètriques bàsiques utilitzant dades en disc: Recuperar dades de l'emmagatzematge en disc, carregar-les en un format adequat i netejar i preprocessar les dades segons sigui necessari.
Calcular estadístiques bàsiques (per exemple, mitjana, mediana, desviació estàndard) i mètriques rellevants (per exemple, mitjana, percentatge) basades en les dades preparades i presentar els resultats.
RA3. Treballar amb tasques informàtiques distribuïdes en un clúster: Configurar un entorn de clúster informàtic, que inclou la selecció de maquinari adequat, la configuració de marcs de programari i l'establiment de comunicació en xarxa entre nodes del clúster.
Desenvolupar i executar tasques informàtiques, incloses tasques com paral·lelisme de dades, distribució de tasques, tolerància a errades i gestió de recursos.
RA4. Convertir dades de diverses fonts en formats d'emmagatzematge o consulta: Identificar diverses fonts de dades, com arxius i bases de dades, i implementar procediments per extreure dades d'aquestes fonts, gestionant els desafiaments específics de format que puguin sorgir.
Desenvolupar processos de conversió per transformar i estandarditzar dades de diferents fonts en un format o estructura comú, garantint la qualitat, consistència i compatibilitat de les dades per a anàlisis o emmagatzematge posteriors.
RA5. Preparar dades per a anàlisis estadístiques, visualització i aprenentatge automàtic: Identificar i abordar valors mancants, valors atípics i inconsistències en el conjunt de dades mitjançant tècniques com la imputació, l'escalat i la codificació de variables categòriques per assegurar que les dades estiguin preparades per a l'anàlisi i la modelització.
Crear noves característiques rellevants i seleccionar variables informatives, optimitzant el conjunt de dades per a l'anàlisis estadístiques, la visualització i la formació de models d'aprenentatge automàtic, tot mantenint la integritat de la informació de les dades.
RA6. Presentar dades en forma de visuals efectius: Identificar els tipus de visualitzacions de dades més apropiats (per exemple, gràfics de barres, gràfics de dispersió, mapes de calor) en funció de la naturalesa de les dades i les idees a transmetre, tenint en compte factors com la distribució de dades, les relacions i els patrons.
Dissenyar i crear visualitzacions atractives triant colors, etiquetes i títols adequats, garantint la claredat, precisió i atractiu estètic, i després integrar aquestes visualitzacions en informes o presentacions per comunicar eficaçment les idees basades en dades a les parts interessades.