Guías Académicas

BIG DATA AND KNOWLEDGE SOCIETY

BIG DATA AND KNOWLEDGE SOCIETY

GRADO EN ESTUDIOS GLOBALES/GLOBAL STUDIES

Curso 2021/2022

1. Subject Information

(Date last modified: 18-05-21 12:25)
Code
109030
Plan
290
ECTS
4.00
Type
Opcional
Year
3
Duration
First semester
Area
COMUNICACIÓN AUDIOVISUAL Y PUBLICIDAD
Departament
Sociología y Comunicación
Virtual platform

Campus Virtual de la Universidad de Salamanca

Professor Information

Profesor/Profesora
Carlos Arcila Calderón
Group/s
Único
Centre
Fac. Ciencias Sociales
Office
416
Office hours
Jueves 11-14h, Viernes 11-14h
Web address
http://diarium.usal.es/carcila/
E-mail
carcila@usal.es
Telephone
923 29 45 00 ext. 6784

2. Association of the subject matter within the study plan

3. Prerequisites

-

4. Learning objectives

  • Que el alumno sea capaz de comprender el impacto de las grandes cantidades de datos (big data) en la sociedad contemporánea.
  • Que el alumno conozca las principales técnicas de recolección de grandes cantidades de datos.
  • 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).
  • Que el alumno esté en capacidad de comunicar y visualizar sus resultados

5. Contents

Theory.

  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. Competences acquired

7. Teaching methods

-

8. Anticipated distribution of the use of the different teaching methods

9. Resources

Reference books.

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

Other bibliographic references, electronic or other types of resources.

  • 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. Assessment

General considerations.

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.

Assessment criteria.

  • 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

Assessment tools.

  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%)

Guidelines in the case of failing the subject.

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.

11. Weekly teaching organization