BIG DATA AND KNOWLEDGE SOCIETY
GRADO EN COMUNICACIÓN Y CREACIÓN AUDIOVISUAL
Curso 2023/2024
1. Datos de la asignatura
(Fecha última modificación: 18-04-23 17:31)- Código
- 108849
- Plan
- 2017
- ECTS
- 4.00
- Carácter
- OPTATIVA
- Curso
- Optativa
- Periodicidad
- Primer Semestre
- Idioma
- ESPAÑOL
- Área
- COMUNICACIÓN AUDIOVISUAL Y PUBLICIDAD
- Departamento
- Sociología y Comunicación
- Plataforma Virtual
Datos del profesorado
- Profesor/Profesora
- Carlos Arcila Calderón
- Grupo/s
- Grupo 1
- Centro
- Fac. Ciencias Sociales
- Departamento
- Sociología y Comunicación
- Área
- Comunicación Audiovisual y Publicidad
- Despacho
- 416
- Horario de tutorías
- Jueves 11-14h, Viernes 11-14h
- URL Web
- http://diarium.usal.es/carcila/
- carcila@usal.es
- Teléfono
- 923 29 45 00 ext. 6784
2. Recomendaciones previas
3. Objetivos
- 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
4. Competencias a adquirir | Resultados de Aprendizaje
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. Metodologías Docentes
7. Distribución de las Metodologías Docentes
8. 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.
9. 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.