La asignatura tiene dos sesiones lectivas cada semana. Cada sesión se divide en dos partes: en la primera, predominantemente dirigida por el profesor, que explica los nuevos contenidos y la teoría; en la segunda, los alumnos trabajan en ejercicios para consolidar los conocimientos aprendidos. Cada dos sesiones se realizan evaluaciones individuales o en grupo mediante pruebas escritas, actividades individuales o en grupo y recogida de ejercicios realizados en casa, etc.

A continuación, se ponen en relación los resultados de aprendizaje con el contenido impartido para alcanzarlos.
RA1. Utilizar Python para leer y transformar datos en diferentes formatos: Desarrollar soluciones por sí mismo utilizando bibliotecas estándar como Numpy, Pandas, Matplotlib o SciPy.
RA2. Generar estadísticas y métricas básicas utilizando datos en disco: Recuperar datos de almacenamiento en disco, cargarlos en un formato adecuado, y limpiar y pre procesar los datos según sea necesario.
Calcular estadísticas básicas (por ejemplo, media, mediana, desviación estándar) y métricas relevantes (por ejemplo, promedio, porcentaje) basadas en los datos preparados, y presentar los hallazgos.
RA3. Trabajar con tareas informáticas distribuidas en un clúster: Configurar un entorno de clúster informático, que incluye la selección de hardware adecuado, la configuración de marcos de software y el establecimiento de comunicación en red entre nodos del clúster.
Desarrollar y ejecutar tareas informáticas, incluidas tareas como paralelismo de datos, distribución de tareas, tolerancia a fallos y gestión de recursos.
RA4. Convertir datos de diversas fuentes en formatos de almacenamiento o consulta: Identificar diversas fuentes de datos, como archivos y bases de datos, e implementar procedimientos para extraer datos de estas fuentes, gestionando los desafíos específicos de formato que puedan surgir.
Desarrollar procesos de conversión para transformar y estandarizar datos de diferentes fuentes en un formato o estructura común, garantizando la calidad, consistencia y compatibilidad de los datos para análisis o almacenamiento posteriores.
RA5. Preparar datos para análisis estadístico, visualización y aprendizaje automático: Identificar y abordar valores faltantes, valores atípicos e inconsistencias en el conjunto de datos mediante técnicas como la imputación, el escalado y la codificación de variables categóricas para asegurar que los datos estén listos para su análisis y modelado.
Crear nuevas características relevantes y seleccionar variables informativas, optimizando el conjunto de datos para el análisis estadístico, la visualización y el entrenamiento de modelos de aprendizaje automático, manteniendo al mismo tiempo la integridad de la información de los datos.
RA6. Presentar datos en forma de visuales efectivos: Identificar los tipos de visualizaciones de datos más apropiados (por ejemplo, gráficos de barras, gráficos de dispersión, mapas de calor) en función de la naturaleza de los datos y las ideas a transmitir, teniendo en cuenta factores como la distribución de datos, las relaciones y los patrones.
Diseñar y crear visualizaciones atractivas, eligiendo colores, etiquetas y títulos adecuados, garantizando la claridad, precisión y atractivo estético, y luego integrar estas visualizaciones en informes o presentaciones para comunicar eficazmente las ideas basadas en datos a las partes interesadas