CG1, CG2, CG3, CG4, CB2, CB3, CB5

CE1, CE2, CE3, CE4, CE5, CE6, CE7, CE8, CE9, CE11, CE12, CE13

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

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

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.

-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

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: Machine learning (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%)

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.

La asistencia al menos a un 80% de las clases será obligatoria para llevar a cabo la evaluación continua. Existe como alternativa la evaluación no continua mediante la realización de un examen final valorado con el 100% de la nota

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 . Mediante tales recomendaciones se orientará en función de las necesidades, dudas y consultas de cada estudiante de cara a presentarse a un examen de segunda convocatoria valorado con el 100% de la nota.