Grado en Business Intelligence y Data Analytics

Lidera la transformación de las empresas mediante el uso y el análisis de datos.

Principios de programación

Volver al plan de estudios

Descripción
El análisis de datos es una disciplina apasionante que permite convertir los datos sin procesar en comprensión, entendimiento y conocimiento. El objetivo de "Principios de programación" es ayudar a los estudiantes a aprender las herramientas fundamentales en R que les permitirán comenzar a analizar datos. Después de este curso, se dispondrán las primeras herramientas para abordar algunos desafíos de análisis de datos, utilizando algunas partes del software R.
Tipo asignatura
Primer - Obligatoria
Semestre
Primero
Curso
1
Créditos
5.00

Profesores Titulares

Didier Grimaldi
Profesor/a

Profesores Docentes

Didier Grimaldi
Andrew Ashton
Clàudia Xifra i Montesinos
Objetivos

Los resultados de aprendizaje de esta asignatura son:
R1. Entender el mundo de la computación
R2. Entender las etapas del desarrollo de un proyecto de programación
R3. Conocer los fundamentos de la programación
R4. Saber importar i visualizar datos estructurados
R5. Saber analizar datos estructurados
R6. Saber comunicar con datos

Contenidos

Primer parte del cuatrimestre
- Entender el mundo de la computación.
- Diferentes formas de computar. API, scrapping.
- Datos estructurados y no estructurados
- Local versus Cloud
- Aplicación: codigo R, Python versus Appliance (BigML, Gephi, QGIS)
- ¿Qué problemas resuelven los programadores/data scientists?
- La contribución de la data science en el mundo del negocio.

Segundo parte del cuatrimestre
- ¿Qué son los diferentes perfiles: Data Scientist, Data Engineer, Programmer, Functional Analyst, Technical Analyst, Big Data Expert, etc.?
- ¿Cuál es la metodologia a seguir cuando se programa?
- ¿Qué es la Metodologia CRISP?
- ¿Dónde están las fuentes disponibles?
- ¿Cómo se puede pedir acceso a fuentes tipo Twitter?
- Problemas más frecuentes

Metodología

La asignatura tiene un funcionamiento semanal de dos sesiones lectivas. Cada sesión se divide en dos partes. La primera parte se basa en una clase magistral en la que el profesor explica los nuevos contenidos. La segunda parte permite a los alumnos trabajar en nuevos ejercicios para consolidar la materia. Cada dos o tres sesiones se realizarán actividades evaluativas individuales o en grupo mediante pruebas escritas, recogida de ejercicios realizados en casa, etc.

Evaluación

R2 15% - ACTIVIDADES EN CLASE (TEST, CUESTIONARIOS, DEBERES, ETC.)

R4 35%:
- 15% TRABAJO EN GRUPO
- 20% 1er MIDTERM

R5 15% - TRABAJO EN GRUPO

R6 35%:
- 15% PROYECTO EN GRUPO
- 20% EXAMEN FINAL (CONVOCATORIA ORDINARIA)

Bibliografía básica

- Laudon, Kenneth C. and Laudon, Jane P. (2014). Management Information Systems: Managing the Digital Firm. Global Edition. 13th edition.
- Davenport, T & Harris, J. Competing on Analytics: The New Science of Winning (2014, 2017). Havard Business School
- Foster Provost and Tom Fawcett. Data Science for Business. O'Reilly (2013).
- Carl Anderson. Creating a Data-Driven Organization. O'Reilly. (2015).
- DJ Patil. Building Data Science Teams. O'Reilly. (2011).
- DJ Patil and Hilary Mason. Data Driven: Creating a Data Culture. O'Reilly. (2015).