Presentación

El término big data ha pasado en poco tiempo de ser un desconocido a estar inmerso en todo lo que nos rodea. En un mundo cada vez más conectado, en el que las fuentes de datos aumentan cada día, se hace necesario el diseño y desarrollo de técnicas que permitan una gestión eficiente de esta información, de forma que pueda exprimirse al máximo su potencial.

Sin embargo, muchos de los campos que sustentan este amplio paradigma son viejos conocidos de la ciencia. Sin ir más lejos, la estadística es la base matemática de cualquier sistema de análisis. Por otro lado, la clasificación y selección de datos son campos ampliamente estudiados durante las últimas décadas, de igual forma que lo es la visualización de la información. La gestión de los recursos que nos facilitarán la aplicación de las técnicas anteriores será un aspecto clave: la ingeniería de procesado de datos, así como las herramientas y ecosistemas que actualmente la soportan, será la encargada de hacer realidad la implementación de sistemas big data, siempre con la ayuda de estrategias adecuadas que permitan gestionar los recursos de forma eficiente.

Finalmente, la gestión de datos es un aspecto delicado debido al carácter confidencial y sensible de muchos de ellos. Por este motivo, es importante tener en cuenta la legislación vigente que deba aplicarse, así como un código ético adecuado.

La asignatura Big Data y Analytics en el Ámbito del Internet de las Cosas aborda todas estas cuestiones a lo largo de nueve temas en los que se presentarán los aspectos más relevantes de la captura, gestión y análisis de datos, de la inteligencia artificial, de la visualización, de la ingeniería de procesado de datos, del business intelligence y de la privacidad de los datos, a través siempre de un enfoque eminentemente práctico.

Competencias básicas

• CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
• CB7: Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
• CB8: Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• CB9: Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias generales

• CG1: Analizar e identificar las peculiaridades y las necesidades específicas de la digitalización de las empresas y de la industria.
• CG3: Ser capaces de integrar los habilitadores digitales de Internet de las Cosas con el resto de habilitadores y tecnologías digitales habituales en las empresas, especialmente las relacionadas con la Transformación Digital.
• CG5: Ser capaces de analizar las necesidades de sensorización, conectividad, captura de datos e integración de las distintas partes y áreas de las empresas para poder definir y aplicar mejoras de tipo tecnológico que aumenten de manera significativa la calidad, seguridad y productividad de sus procesos.

Competencias específicas

• CE3: Ser capaz de identificar, analizar, planificar y organizar las actividades necesarias para realizar correctamente un análisis de datos y visualización de la información en un contexto profesional.
• CE4: Ser capaz de recopilar, procesar, seleccionar y filtrar aquella información de múltiples fuentes de datos heterogéneas (como, entre otras, fuentes de datos abiertos, información sobre legislación vigente, documentos técnicos, artículos especializados, páginas web o documentación interna de la empresa) que sea necesaria para la correcta ejecución de técnicas avanzadas de analítica y visualización de datos.

Competencias transversales

• CT1: Aplicar las nuevas tecnologías como herramientas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
• CT2: Desarrollar habilidades de comunicación, para redactar informes y documentos, o realizar eficaces presentaciones de los mismos.

Tema 1. Big data y analytics y el internet de las cosas

• Introducción y objetivos
• Aproximación a los sistemas big data
• Oportunidades y retos de los sistemas big data
• Referencias bibliográficas

Tema 2. Conceptos básicos para el análisis de datos

• Introducción y objetivos
• Conceptos básicos
• Técnicas de análisis univariante
• Técnicas de análisis bivariante
• Otras técnicas
• Gráficos
• Análisis de datos en sistemas IoT
• Referencias bibliográficas

Tema 3. Métodos de captura de información

• Introducción y objetivos
• Origen de los datos
• Organización de datos
• Métodos de captura
• Evaluación de la calidad de la recogida
• Métodos de almacenamiento
• El proceso ETL
• Casos de estudio en escenarios IoT
• Referencias bibliográficas

Tema 4. Arquitecturas big data en escenarios IoT

• Introducción y objetivos
• Capas de una arquitectura big data
• Fuentes de datos
• Capas de mensajería y almacenamiento
• Capa de análisis
• Capas de consumidores de datos
• Cloud computing
• Edge computing
• Principales plataformas cloud y edge
• Ejemplos de arquitecturas big data en escenarios IoT
• Referencias bibliográficas

Tema 5. Ingeniería de procesado de datos

• Introducción y objetivos
• Necesidad de las tecnologías big data
• Hadoop
• HDFS
• MapReduce
• Apache Spark
• Casos de uso en escenarios IoT
• Referencias bibliográficas

Tema 6. Inteligencia artificial

• Introducción y objetivos
• Inteligencia artificial y aprendizaje automático
• Árboles de decisión y reglas
• Redes neuronales artificiales
• Deep learning
• Clustering
• Sistemas de recomendación
• Búsqueda
• Sistemas expertos
• Inteligencia artificial en sistemas IoT
• Referencias bibliográficas

Tema 7. Visualización

• Introducción y objetivos
• Introducción a la visualización de datos
• Trabajar con datos
• Definición y tipología de gráficos
• Visualización estática
• Visualización dinámica
• Herramientas de visualización
• Visualización en escenarios IoT
• Referencias bibliográficas

Tema 8. Inteligencia empresarial

• Introducción y objetivos
• ¿Qué es la inteligencia empresarial?
• Importancia de la inteligencia empresarial
• Herramientas
• Dirección estratégica
• El cuadro de mando integral
• Uso de sistemas IoT para dar soporte a la inteligencia empresarial
• Referencias bibliográficas

Tema 9. Privacidad

• Introducción y objetivos
• Algunas definiciones previas
• Privacidad en la Unión Europea: Reglamento General de Protección de Datos
• Privacidad en Estados Unidos: California Consumer Privacy Act
• Privacidad en LATAM
• Disociación y anonimización
• Protección de datos personales en entornos IoT
• Referencias bibliográficas

Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.

Las actividades formativas de esta asignatura son las siguientes:

• Trabajos individuales. Se trata de actividades de diferentes tipos: reflexión, análisis de casos, prácticas, análisis de textos, etc.
• Trabajos colaborativos. Son actividades grupales en las que tendrás la oportunidad de trabajar con tus compañeros. Durante el desarrollo de la asignatura tendrás toda la información que necesites sobre cómo organizarte para trabajar en equipo.
• Participación en eventos. Son actividades programadas todas las semanas del cuatrimestre como clases en directo o foros de debate.

Descargar programación

Estas actividades formativas prácticas se completan, por supuesto, con estas otras:

• Estudio personal
• Tutorías. Las tutorías se pueden articular a través de diversas herramientas y medios. Durante el desarrollo de la asignatura, el profesor programa tutorías en días concretos para la resolución de dudas de índole estrictamente académico a través de las denominadas “sesiones de consultas”. Como complemento de estas sesiones se dispone también del foro “Pregúntale al profesor de la asignatura” a través del cual se articulan algunas preguntas de alumnos y las correspondientes respuestas en el que se tratan aspectos generales de la asignatura. Por la propia naturaleza de los medios de comunicación empleados, no existen horarios a los que deba ajustarse el alumno.
• Examen final presencial u online

Las horas de dedicación a cada actividad se detallan en la siguiente tabla:

ACTIVIDADES FORMATIVAS	HORAS POR ASIGNATURA	% PRESENCIAL
Sesiones presenciales virtuales	15 horas	100%
Recursos didácticos audiovisuales	6 horas	0
Estudio del material básico	62 horas	0
Lectura del material complementario	45 horas	0
Trabajos y casos prácticos	20 horas	0
Test de evaluación	4 horas	0
Laboratorios virtuales	12 horas	16,7%
Tutorías	16 horas	30%
Total	180 horas	-

Bibliografía básica

Recuerda que la bibliografía básica es imprescindible para el estudio de la asignatura. Cuando se indica que no está disponible en el aula virtual, tendrás que obtenerla por otros medios: librería UNIR, biblioteca...

Los textos necesarios para el estudio de la asignatura han sido elaborados por UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.

Bibliografía complementaria

• Chiasson, T.; Gregory, D. et al. (2014). DATA + DESIGN A simple introduction to preparing and visualizing information. Columbia, Missouri: Donald W. Reynolds Journalism Institute and Infoactive.
• Ciro, M. B. (2016). Estadística básica aplicada. Ecoe Ediciones.
• Ríus, F. (1998). Bioestadística: Métodos y aplicaciones. Málaga: Universidad de Málaga. Publicaciones. Versión electrónica: http://www.bioestadistica.uma.es/libro/
• Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.
• Hopgood, A. A. (2021). Intelligent Systems for Engineers and Scientists: A Practical Guide to Artificial Intelligence. CRC press.
• Kane, F. (2017). Hands-on data science and python machine learning. Packt Publishing Ltd.
• Kapoor, A. (2019). Hands-On Artificial Intelligence for IoT: Expert machine learning and deep learning techniques for developing smarter IoT systems. Packt Publishing Ltd.
• Kirk, A. (2016). Data visualisation: A handbook for data driven design. Sage.
• Kleppmann, M. (2017). Designing data-intensive applications: The big ideas behind reliable, scalable, and maintainable systems. O'Reilly Media, Inc.
• Po, L., Bikakis, N., Desimoni, F., & Papastefanatos, G. (2020). Linked data visualization: techniques, tools, and big data. Synthesis Lectures on Semantic Web: Theory and Technology, 10(1), 1-157.
• RGPD. (2016). Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo de 27 de abril de 2016 relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales y a la libre circulación de estos datos. Recuperado de: https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX%3A32016R0679
• Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited. 
• Saleem, T. J., & Chishti, M. A. (2021). Big Data Analytics for the Internet of Things. Wiley.
• White, T. (2015). Hadoop. The Definitive Guide (4th Edition). Massachusetts: Massachusetts: O'Reilly.
• Shi, Y. (2022). Advances in big data analytics: theory, algorithms and practices. Springer Nature.
• White, T. (2015). Hadoop. The Definitive Guide (4th Edition). Massachusetts: Massachusetts: O’Reilly.

El sistema de calificación se basa en la siguiente escala numérica:

0 - 4, 9	Suspenso	(SS)
5,0 - 6,9	Aprobado	(AP)
7,0 - 8,9	Notable	(NT)
9,0 - 10	Sobresaliente	(SB)

La calificación se compone de dos partes principales:

El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL U ONLINE Y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.

La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.

Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado. En la programación semanal de la asignatura, se detalla la calificación máxima de cada actividad o evento concreto puntuables.

Sistema de evaluación	Ponderación min - max
Participación del estudiante (sesiones, foros, tutorías)	5% - 10%
Trabajos, proyectos, laboratorios/talleres y casos	10% - 30%
Test de autoevaluación	5% - 10%
Examen final	60% - 60%

Ricardo Serafín Alonso Rincón

Formación académica: Doctor en Ingeniería Informática por la Universidad de Salamanca (España), Máster Universitario en Sistemas Inteligentes por la misma universidad. Ingeniero de Telecomunicación por la Universidad de Valladolid (España).

Experiencia: Su experiencia como docente incluye la impartición de la asignatura "IoT Industrial, Plataformas IoT y Aplicaciones por Sectores" en el Máster Universitario en Industria 4.0. Ha sido profesor de la asignatura "Técnicas de Inteligencia Artificial" y director de TFM en el Máster Universitario en Análisis y Visualización de Datos Masivos, profesor en el Especialista Universitario en Inteligencia de Datos y en el módulo "Técnicas de Inteligencia Artificial" en el Máster en Big Data and Fintech.

Líneas de investigación: Ricardo es investigador en el Grupo de Investigación BISITE de la Universidad de Salamanca. Sus principales líneas de investigación y desarrollo incluyen tecnologías como el Internet of Things, el Edge Computing, los Sistemas Embebidos, los Sistemas de Localización en Interiores, el Cloud Computing y la Inteligencia Artificial. Ha publicado más de 15 artículos de investigación en revistas internacionales y más de 30 en conferencias internacionales.

Óscar García García

Formación académica: Doctor en Ingeniería Informática por la Universidad de Salamanca e Ingeniero de Telecomunicación por la Universidad de Valladolid. Máster para el Desarrollo de Sistemas de Comercio Electrónico por la Universidad de Salamanca (título propio).

Experiencia: Docente en el Máster Universitario en Inteligencia Artificial de UNIR. Investigador en el grupo BISITE (Universidad de Salamanca). Anteriormente profesor asociado y colaborador en el grupo GSIC-EMIC en la Universidad de Valladolid. Ha participado en múltiples proyectos de investigación nacionales y europeos. En el ámbito empresarial es gestor de proyectos de software de eficiencia energética y cofundador de una startup especializada en sistemas RTLS y WSN.

Líneas de investigación: Investigador y colaborador del grupo de investigación BISITE (USAL) es autor de más de 35 publicaciones científicas y de varias propiedades intelectuales. Sus líneas de investigación giran en torno a los sistemas WSN y RTLS como fuentes de información para el desarrollo de sistemas de eficiencia energética (Demand-Response, Disaggregation, etc.), haciendo uso de técnicas Big Data, Data Analytics y Social Computing, que permitan mejorar el comportamiento energético de personas y máquinas.

Al tratarse de formación on line puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de las actividades y la fecha de exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:

1. Desde el campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual del Curso de introducción al campus virtual. Aquí podrás consultar la documentación disponible sobre cómo se utilizan las herramientas del aula virtual y sobre cómo se organiza una asignatura en UNIR. También podrás organizar tu plan de trabajo con tu tutor personal.
2. Observa la programación semanal. Allí te indicamos qué parte del temario debes trabajar cada semana.
3. Ya sabes qué trabajo tienes que hacer durante la semana. Accede ahora a la sección Temas del aula virtual. Allí encontrarás el material teórico del tema correspondiente a esa semana.
4. Comienza con la lectura del contenido teórico del tema. Este material es el que debes estudiar para superar la asignatura. Consulta, además, las secciones del tema que contienen material complementario: con esto podrás tener una visión más amplia sobre el tema que estás trabajando.
5. Dedica tiempo al trabajo práctico (sección Actividades). En la programación semanal te detallamos cuáles son las actividades correspondientes a cada semana y qué calificación máxima puedes obtener con cada una de ellas.
6. Te recomendamos que participes en los eventos del curso (clases en directo, foros de debate, etc.). Para conocer la fecha concreta de celebración de los eventos debes consultar las herramientas de comunicación del aula vitual. Tu profesor y tu tutor personal te informarán de las novedades de la asignatura.

En el aula virtual del Curso de introducción al campus virtual encontrarás siempre disponible la documentación donde te explicamos cómo se estructuran los temas y qué podrás encontrar en cada una de sus secciones. También puedes consulltar ahí el funcionamiento de las distintas herramientas del aula virtual: correo, foro, clases en directo, envío de actividades, etc.