Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Código de la asignatura | 1780 |
---|---|
Nº Créditos ECTS | 6 |
Tipo | Optativa |
Duración | Semestral |
Idiomas | Castellano |
Planes de estudio | |
Profesor(es) | |
Año académico | 2024-25 |
Business Intelligence es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la extracción de conocimiento útil para la empresa desde la perspectiva del Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Business Intelligence. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. Seguidamente, se describen las etapas finales del proceso de KDD, en las que se evalúan e interpretan los modelos extraidos de cara a obtener beneficio empresarial. Finalmente, se analizará la forma de ejecutar un proyecto real de Business Intelligence y se abordarán los aspectos legales y éticos, así como las tendencias futuras en esta disciplina.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Business Intelligence, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos, que facilitarán la comprensión de las técnicas estudiadas. Esta asignatura se complementa con la asignatura de Minería de Datos, en la que se abordan las técnicas de KDD desde un punto de vista más técnico.
SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
---|---|---|
Semana 1 | Tema 1. Introducción a Business Intelligence. 1.1 Business Intelligence 1.2 Proceso de KDD 1.3 Herramientas para Business Intelligence 1.4 Metodologías para Business Intelligence 1.5 Aplicaciones 1.6 Repercusiones, desafíos y tendencias 1.7 Conclusiones |
|
Semanas 2 y 3 | Tema 2. El proceso de KDD. 2.1 Introducción 2.2 Recopilación de datos 2.3 Selección, limpieza y transformación de datos 2.4 Data mining 2.5 Interpretación y evaluación 2.6 Visión de conjunto 2.7 Conclusiones |
|
Semanas 4 y 5 | Tema 3. Almacenes de Datos (Data Warehouse). 3.1 Introducción 3.2 Necesidad de los Data Warehouse 3.3 Integración de datos en un Data Warehouse 3.4 Diseño de un Data Warehouse 3.5 OLAP 3.6 Implementación de un Data Warehouse 3.7 Conclusiones |
|
Semanas 6 y 7 | Tema 4. Selección, Limpieza y Transformación de Datos. 4.1 Introducción 4.2 Selección, limpieza y transformación de datos 4.3 Selección, limpieza y transformación de datos con Weka 4.4 Conclusiones |
|
Semana 8 | Tema 5. Data mining. 5.1 Introducción 5.2 Clasificación 5.3 Regresión 5.4 Clustering 5.5 Asociación 5.6 Detección de atípicos 5.7 Tareas y técnicas 5.8 Técnicas y modelos 5.9 Conclusiones |
|
Semanas 9 y 10 | Tema 6. Interpretación y Evaluación de Modelos. 6.1 Introducción 6.2 Evaluación de clasificadores 6.3 Evaluación de modelos de regresión 6.4 Evaluación de agrupamientos 6.5 Evaluación de reglas de asociación 6.6 Conclusiones |
|
Semanas 11 y 12 | Tema 7. Visualizaciones 7.1 Introducción 7.2 Visualizaciones básicas 7.3 Visualizaciones especializadas |
|
Semanas 13, 14 y 15 | Tema 8. Tendencias en Business Intelligence. 8.1 Introducción 8.2 Big Data 8.3 Open Data 8.4 Linked Data 8.5 Extracción de conocimiento en datos no convencionales 8.6 Conclusiones |
|
Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas. |
Tipo de actividad | Actividades planificadas | Peso clasificación |
---|---|---|
Actividades de aprendizaje | 2 | 10% |
Actividades de Ebaluación Continua (AEC) | 3 | 30% |
Controles | 3 | 10% |
Examen final | 0 | 50% |
Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).