Guía docente de Tratamiento Masivo de Datos (23111ME)

Se recomienda haber cursado las asignaturas de Bases de Datos y de Fundamentos de Programación.

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0.

• Complementos de bases de datos. Modelos avanzados de bases de datos. Bases de datos secretarNoSQL.
• Bases de datos distribuidas.
• Computación basada en navegador: (JavaScript, DOM, AJAX) y computación del lado de servidor (CGI, PHP, Java Servlets).
• Formato de intercambio de datos para web: XML, JSON.
• Sistemas distribuidos basados en tecnologías web (Servicios Web RestFul).

• Conocer cómo se organiza y almacena la información en forma de bases de datos, así como su utilidad en la búsqueda, recuperación y difusión de la información.
• Conocer los lenguajes de consulta de los principales tipos de bases de datos (relacionales y no relacionales) y su aplicación para la recuperación de datos.
• Conocer cómo se realiza el procesamiento de la información en sistemas distribuidos en red, desde el punto de vista del cliente y del servidor.
• Conocer las peculiaridades de aplicaciones informáticas ejecutándose en el servidor.
• Saber desarrollar aplicaciones que se ejecuten en el ámbito de los clientes.
• Conocer el concepto de servicio web.
• Adquirir la habilidad necesaria para resolver casos reales de sistemas de información e implementar dicha solución mediante la combinación de bases de datos y programación.

• Tema 1. Introducción y definiciones iniciales.
• Tema 2. Modelos avanzados de bases de datos.
  • Bases de datos relacionales: repaso y extensiones avanzadas.
  • Bases de datos NoSQL: Justificación, teorema CAP y clasificación.
    • Almacenamiento clave-valor (key-value stores).
    • Bases de datos orientadas a columnas (wide-column stores).
    • Bases de datos documentales (document stores).
    • Bases de datos orientadas a grafos (Graph DBMSs).
  • Bases de datos distribuidas.
• Tema 3. Interacción con bases de datos.
  • Conexión a bases de datos desde lenguajes de programación.
  • Integración de fuentes de información heterogéneas.
• Tema 4. Tecnologías y computación web.
  • Computación en el lado del cliente.
  • Computación en el lado del servidor.
  • Formatos de intercambio de datos: Estructura y validación en XML y JSON.
• Tema 5. Sistemas distribuidos y servicios en la web.
  • Evolución de los sistemas distribuidos en la web.
  • Servicios Web basados en protocolos tradicionales (SOAP, WS-*).
  • Servicios Web RestFul.

Prácticas:

• Práctica 1: Trabajo con un sistema gestor de bases de datos relacional (MySQL / SQLite).
• Práctica 2: Trabajo con un sistema gestor de bases de datos NoSQL (MongoDB).
• Práctica 3: Conexión con bases de datos a través de programa.
• Práctica 4: Generación de embeddings y almacenamiento en una base de datos vectorial para búsqueda semántica.
• Práctica 5: Acceso a datos bibliográficos (SCOPUS/ELSEVIER).

Seminarios:

• Seminario 1: Introducción a las expresiones regulares.
• Seminario 2: Introducción a la minería de datos y de textos. Técnicas básicas de preparación, limpieza y descubrimiento de conocimiento sobre datos no estructurados.
• Seminario 3: Consultas SPARQL y Datos Enlazados. Extracción de conocimiento sobre repositorios de datos abiertos y conectados (como Wikidata o DBpedia).

• E. Cerami, Web Services Essentials. O’Reilly, 2002
• L. Igual. Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications. Springer; Edición: 1st ed. 2017. ISBN-13: 978-3319500164.
• P. Johnson. Make Your Own Python Text Adventure. A Guide to Learning Programming. Apress 2018. ISBN: 978-1- 4842-3231-6.
• J. W. Krogh. MySQL Connector/Python Revealed. SQL and NoSQL Data Storage Using MySQL for Python Programmers. Apress, 2018. ISBN: 978-1-4842-3694-9.
• R. Mitchell. Web Scraping with Python. O'Reilly Media, 2nd ed. 2018. ISBN-13: 978-1491985571
• R. Nixon, Learning PHP, MySQL, JavaScript, and CSS, 2nd Ed. O’Reilly, 2012
• A. Ploetz, et al. Seven NoSQL Databases in a Week, Packt, 2018.

• Paper, D. Data Science Fundamentals for Python and MongoDB. Apress, 2018. ISBN-978-1-4842-3597-3.
• K. G. Srinivasa, Siddesh G. M., Srinidhi H. Network Data. Analytics. A Hands-On Approach for Application Development. Springer 2018. ISBN 978-3-319-77799-3.
• W. McKinney. Python for Data Analysis. O'Reilly Media, 2nd ed. 2017. ISBN-13: 978-1491957660.
• R. Johanson. Mastering SPARQL. Querying the Semantic Web with RDF. HiTeX Press, 2024. 979-8896651116.

• MD01. Clases de teoría (lección magistral) 
• MD02. Clases de problemas y/o de prácticas 
• MD03. Seminarios 
• MD04. Tutorías 
• MD05. Trabajo autónomo del alumnado 

Los contenidos incluidos en el concepto evaluable denominado como Teoría, son los que se han detallado en esta ficha en el Temario de Teoría. Los contenidos incluidos en el concepto evaluable denominado como Prácticas son los que se incluyen en el Temario de Prácticas y en los Seminarios.

Evaluación para la Convocatoria Ordinaria:

Se utilizarán las siguientes técnicas de evaluación:

La parte teórica se evaluará de forma continua mediante la realización de auto-cuestionarios y/o trabajos.

La parte práctica se evaluará de forma continua mediante la entrega y defensa de prácticas y/o de un proyecto individual. El cálculo de la calificación se realizará de la siguiente forma:

Para la convocatoria ordinaria la calificación final se obtendrá aplicando la fórmula: Nota Final = 0.30*T+0.70*P

donde: T se calculará como suma ponderada de los siguientes conceptos:

• Calificación media de los tests de auto-cuestionarios y/o trabajos (90%).
• Participación activa en clase de grupo grande (10%).

P se calculará como suma ponderada de los siguientes conceptos:

• Evaluación y defensa individual de prácticas y/o del proyecto de la asignatura (90%).
• Participación activa en clase de grupo reducido (10%).

En su caso, el alumno podrá optar por conservar, para la convocatoria extraordinaria del mismo curso, la calificación T o la calificación P obtenida. No es necesario obtener un mínimo en ninguna parte (T o P) para conservar esa nota en la convocatoria extraordinaria siguiente.

En esta prueba, los estudiantes deberán examinarse de las partes (teoría y/o prácticas) no superados durante la evaluación ordinaria, ya sea mediante evaluación continua o evaluación única final. Para ello, deberán consultarse las condiciones necesarias en el apartado de Evaluación Ordinaria o Evaluación Única Final, según proceda.

La evaluación de la convocatoria Extraordinaria tomará en consideración, si la hubiera, la calificación de participación obtenida a lo largo de curso académico si dicha calificación supone una mejora sobre la calificación obtenida sin considerarla. Sin considerar la calificación de participación el alumno podrá obtener la calificación máxima de 10 puntos para el global de la asigantura.

Los estudiantes podrán conservar, si así lo desean, las calificaciones (test y proyecto) obtenidas en aquella convocatoria.

Para la convocatoria extraordinaria la calificación final se obtendrá aplicando la fórmula: Nota Final = 0.30*T+0.70*P

T = min{max{0.9*Test + 0.1*Participación, Test}, 10}
P = min{max{0.9*Proyecto + 0.1*Participación, Proyecto}, 10}

Para los alumnos que se acojan a la modalidad de “Evaluación Única Final”, para lo cual deben solicitarlo al Director del departamento de Ciencias de la Computación e Inteligencia Artificial en las dos primeras semanas de la impartición de la asignatura, o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de la asignatura, la evaluación para la convocatoria ordinaria y extraordinaria quedará establecida como sigue:

Para la parte teórica (T), los estudiantes tendrán que realizar un examen.
Para la parte práctica (P) tendrán que entregar y defender un proyecto individual.

Nota Final = 0.30*T+0.70*P

En su caso, el estudiante podrá optar por conservar, para la convocatoria extraordinaria del mismo curso, la calificación de teoría (T) o la de prácticas (P).

Régimen de Asistencia para todos los escenarios posibles

• La asistencia a las clases teóricas no será obligatoria, aunque la participación activa en clase y la entrega de ejercicios planteados por el profesorado podrá ser tenida en cuenta dentro del sistema de evaluación continua de la asignatura.
• La asistencia a las clases prácticas no será obligatoria. En cualquier caso, la asistencia y participación activa en clase podrá ser tenida en cuenta dentro del sistema de evaluación continua de la asignatura.
• La mera asistencia a teoría y/o prácticas no es evaluable.

Asimismo, en caso de que se hayan utilizado herramientas de inteligencia artificial (IA) generativa para la producción o edición parcial de contenidos, el análisis de datos, o cualquier otra actividad relacionada con la elaboración de trabajos o materiales presentados para evaluación, el estudiante deberá declarar dicha utilización de forma explícita.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).