Guías Académicas

BIG DATA AND KNOWLEDGE SOCIETY

BIG DATA AND KNOWLEDGE SOCIETY

GRADO EN COMUNICACIÓN Y CREACIÓN AUDIOVISUAL

Curso 2021/2022

1. Datos de la asignatura

(Fecha última modificación: 02-05-21 10:54)
Código
108849
Plan
2017
ECTS
4.00
Carácter
OPTATIVA
Curso
Optativa
Periodicidad
Primer Semestre
Área
COMUNICACIÓN AUDIOVISUAL Y PUBLICIDAD
Departamento
Sociología y Comunicación
Plataforma Virtual

Campus Virtual de la Universidad de Salamanca

Datos del profesorado

Profesor/Profesora
Carlos Arcila Calderón
Grupo/s
Grupo 1
Departamento
Sociología y Comunicación
Área
Comunicación Audiovisual y Publicidad
Centro
Fac. Ciencias Sociales
Despacho
416
Horario de tutorías
Jueves 11-14h, Viernes 11-14h
URL Web
http://diarium.usal.es/carcila/
E-mail
carcila@usal.es
Teléfono
923 29 45 00 ext. 6784

2. Sentido de la materia en el plan de estudios

3. Recomendaciones previas

-

4. Objetivo de la asignatura

- Que el alumno sea capaz de comprender el impacto de las grandes cantidades de datos (big data) en
la sociedad contemporánea y, específicamente, en el sector audiovisual
- Que el alumno conozca las principales técnicas de recolección de grandes cantidades de datos en el
entorno audiovisual
- Que el alumno utilice las principales técnicas de aprendizaje automático (Machine Learning) y
analítica predictiva (Predictive Analytics) y esté en capacidad integrarse en equipos multidisciplinares
(informáticos, matemáticos, etc.) para el análisis de los datos, especialmente en entornos
distribuidos (Cloud Computing)
- Que el alumno esté en capacidad de utilizar el conocimiento derivado de los datos para tomar
decisiones (Business Intelligence) en el entorno audiovisual
- Que el alumno esté en capacidad de comunicar y visualizar sus resultados

5. Contenidos

Teoría.

1. Introducción al big data y a los métodos computacionales aplicados al estudio de la
sociedad del conocimiento
2. Programación básica en Python y R
3. Formatos y tratamiento de los datos
4. Análisis exploratorio de datos
5. Modelado estadístico y aprendizaje automático
6. Análisis computacional de textos
7. Scrapping
8. Análisis de Redes Sociales
9. Análisis computacional de imágenes
10. Computación distribuida

6. Competencias a adquirir

7. Metodologías

-

8. Previsión de Técnicas (Estrategias) Docentes

9. Recursos

Libros de consulta para el alumno.

Van Atteveldt, W., Trilling, D. & Arcila, C. (2020). Computational Analysis of Communication.
Wiley.

Otras referencias bibliográficas, electrónicas o cualquier otro tipo de recurso.

Arcila, C., Ortega, F., Álvarez, M. & Vicente, M. (2019). Distributed Supervised Sentiment
Analysis of Tweets: Integrating Machine Learning and Streaming Analytics for Big Data
Challenges in Communication and Audience Research. Empiria. Revista de metodología de
ciencias sociales, 42, 113-136, doi: 10.5944/empiria.42.2019.23254
Arcila, C., Barbosa, E. & Aguaded, I. (2019). Modeling and Diffusion of News Topics in Social
Media: Features and Factors of the Emergence of News in a Twitter Informative
Channel. Comunicación y Sociedad, 34, 1-21. doi: https://doi.org/10.32870/cys.v2019i0.6437
Arcila, C.; Ortega, F.; Jiménez, J. & Trulleque, S. (2017). Análisis supervisado de
sentimientos políticos en español: Clasificación en tiempo real de tweets basada en aprendizaje automático. El Profesional de la Información, 26 (5), 978-987.
Arcila, C.; Barbosa, E. & Cabezuelo, F. (2016). Técnicas Big Data: Análisis de textos a gran
escala para la investigación científica y periodística. El Profesional de la Información, 25 (4),
623-631. http://dx.doi.org/10.3145/epi.2016.jul.12
Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python:
analyzing text with the natural language toolkit. O'Reilly Media, Inc.
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow:
Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.
Kelleher, J. D., Mac Namee, B., & D'Arcy, A. (2015). Fundamentals of machine
learning for predictive data analytics: algorithms, worked examples, and case
studies. MIT Press.
Salganik, M. J. (2019). Bit by bit: Social research in the digital age. Princeton University
Press.

10. Evaluación

Consideraciones generales.

La evaluación de la asignatura implica superar los objetivos y adquirir las competencias
especificadas en los anteriores apartados.
El estudiante deberá conocer y comprender los contenidos teóricos y metodológicos
propuestos en el temario y ser capaz de aplicarlos a casos concretos.
Además de la superación de cada uno de los instrumentos de evaluación especificados, se
valorará el trabajo autónomo continuado, la activa participación en clase y el cumplimiento de
los plazos.

Criterios de evaluación.

-Capacidad de desarrollar habilidades computacionales
-Implicación en las prácticas de la asignatura
-Capacidad de trabajar en equipo
-Aprobar tanto las prácticas en clase como el proyecto final del curso

Instrumentos de evaluación.

1. Ensayo sobre el impacto del Big Data en la sociedad (10%)
2. Práctica en clase I: Programación (10%)
3. Práctica en clase II: Análisis exploratorio de datos (10%)
4. Práctica en clase III: Análisis de sentimientos (10%)
5. Práctica en clase IV: Modelado de temas (10%)
6. Práctica en clase V: Análisis de redes sociales (10%)
7. Práctica en clase VI: Clasificación de imágenes (10%)
8. Proyecto final del curso (30%)

Recomendaciones para la recuperación.

En el caso de que el estudiante no alcance la calificación mínima, el profesor realizará
recomendaciones individuales según la situación específica de cada
alumno/a.