Guías Académicas

BIG DATA AND KNOWLEDGE SOCIETY

BIG DATA AND KNOWLEDGE SOCIETY

GRADO EN ESTUDIOS GLOBALES/GLOBAL STUDIES

Curso 2025/2026

1. Subject Information

(Date last modified: 26-05-25 12:33)
Code
109030
Plan
290
ECTS
4.00
Type
Opcional
Year
3
Duration
First semester
Language
ENGLISH
Area
COMUNICACIÓN AUDIOVISUAL Y PUBLICIDAD
Departament
Sociología y Comunicación
Virtual platform

Campus Virtual de la Universidad de Salamanca

Professor Information

Professor
Profesor/Profesora PENDIENTE de asignar
Group/s
Único
Centre
-
Office
-
Office hours
-
Web address
-
E-mail
-
Phone
-

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

Assessment criteria.

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

Evaluation systems.

  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%)

Assessment recommendations.

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.

11. Weekly teaching organization