CB2. Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y resolución de problemas dentro de su área de estudio.

CB3. Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio de para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

CB4. Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

CB5. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Bloque I. Fundamentos del Big Data y su Aplicación en Videojuegos

•  Tema 1. Introducción al Big Data
  •  Desafíos del Big Data
  •  Orígenes y evolución del Big Data
  •  Definición del Big Data
  •  Las Vs del Big Data
  •  Arquitectura básica de sistemas Big Data
  •  Infraestructura y tecnologías fundamentales
  •  Ética y Privacidad en el Big Data
  •  Aplicaciones del Big Data en diversos sectores

• Tema 2. Importancia del Big Data en la industria de videojuegos
  •  Impacto del Big Data en el desarrollo de videojuegos
  •  Personalización y optimización de la experiencia de juego
  •  Monetización en videojuegos
  •  Seguridad y protección del jugador
  •  Predicción de abandono de jugadores
  •  Predicción del éxito de los videojuegos
  •  Engagement y retención de jugadores
  •  Sistemas de recomendación de videojuegos
  •  Análisis de modelos de negocio en juegos

Bloque II. Análisis de Datos en Videojuegos.

•  Tema 3. Modelos de Procesamiento de Datos
  •  Tipos de datos en videojuegos
  •  Fuentes de datos en videojuegos
  •  Ontologías y modelos semánticos en videojuegos
  •  Data Lake, ETL y Data Warehouse
  •  Procesamiento Batch y Streaming
  •  Arquitecturas Lambda y Kappa
• Tema 4. Métricas e Indicadores en Videojuegos
  •  Métricas Fundamentales
  •  KPIs de Engagement
  •  Métricas de Monetización
  •  Métricas de Retención y Abandono
  •  Métricas de Comunidad y Socialización
  •  Métricas de Rendimiento Técnico
  •  Métricas Específicas por Género de Videojuego
• Tema 5. Aprendizaje Automático en Big Data
  •  Aprendizaje Automático y Big Data
  •  Definición de Aprendizaje Automático
  •  Tipos de Aprendizaje Automático
  •  Desafíos de los datos en el Aprendizaje Automático
  •  Modelos de Regresión y Clasificación
  •  Modelos de Clustering
  •  Redes Neuronales Artificiales
• Tema 6. Visualización de Big Data
  •  Importancia de la visualización en Big Data
  •  Desafíos en la Visualización
  •  Técnicas de Visualización
  •  Herramientas de Visualización

Bloque III. Aplicaciones y Casos de Uso de Big Data en Videojuegos

•  Tema 7. Diseño y desarrollo de aplicaciones basadas en Big Data
  •  Captura
  •  Curación
  •  Almacenamiento
  •  Procesamiento y análisis de datos
  •  Cálculo de métricas
  •  Visualización

El carácter de la asignatura es mayoritariamente práctico, de forma que su impartición se realizará en un aula o laboratorio de informática. Los conceptos teóricos necesarios serán en todo momento aplicados de forma práctica, con lo que los alumnos/as adquirirán la competencia necesaria para diseñar e implementar diferentes infraestructuras a nivel de sistemas operativos y sus comunicaciones en videojuegos y aplicaciones interactivas.

• Aguilar, L. J. (2016). Big Data, Análisis de grandes volúmenes de datos en organizaciones. 
• Fernández, P. (Ed.). (2017). Big data: Eje estratégico en la industria audiovisual.
• Fernández, R. C. (2017). Una ética para Big data: Introducción a la gestión ética de datos masivos.
• Martín, E., & Caballero, R. (2022). Las bases de Big data y de la Inteligencia Artificial.
• Mayer-Schönberger, V. (2020). Aprender con big data.
• Roma, J. C., Guerrero, J. N., Julbe, F., & Carrera, D. (2019). Big data: análisis de datos en entornos masivos.
• Thomas Erl, Wajid Khattak, and Paul Buhler (2015). Big Data Fundamentals: Concepts, Drivers & Techniques.
• Casas Roma, J., Nin Guerrero, J., & Julbe López, F. (2019). Big data: análisis de datos en entornos masivos.
• Drachen, A., Seif El-Nasr, M., & Canossa, A. (2013). Game analytics–the basics. Game analytics: Maximizing the value of player data, 13-40.
• Erl, T., Khattak, W., & Buhler, P. (2015). Big Data Fundaments: Concepts, Drivers & Techniques.
• Marz, Nathan., & Warren, James. (2018). Big Data Principles and Best Practices of Scalable Realtime Data Systems. Skillsoft Books.
• Caballero, R., & Martín, E. (2022). Las bases del Big Data y de la Inteligencia Artificial.
• Kleppmann, M. (2017). Designing Data-Intensive Applications THE BIG IDEAS BEHIND RELIABLE, SCALABLE, AND MAINTAINABLE SYSTEMS.
• White, Tom. (2015). Hadoop: The Definitive Guide, 4th Edition. O’Reilly Media, Inc.
• Chambers, Bill., & Zaharia, Matei. (2018). Spark : the definitive guide : big data processing made simple. O’Reilly Media.
• Russell, S. J., & Norvig, P. (2004). Inteligencia Artificial: un enfoque moderno.

Se utilizará el sistema de calificaciones vigente (RD 1125/2003) artículo 5º.

Los resultados obtenidos en cada una de las materias del plan de estudios se calificarán en función de la siguiente escala numérica de 0 a 10, con expresión de un decimal, a la que podrá añadirse su correspondiente calificación cualitativa:

0 - 4,9: Suspenso (SS),

5,0 - 6,9: Aprobado (AP),

7,0 - 8,9: Notable (NT),

9,0 - 10: Sobresaliente (SB).

La mención de Matrícula de Honor podrá ser otorgada a quien haya obtenido una calificación igual o superior a 9,0. Su número no podrá exceder del 5% de las personas matriculadas en una asignatura en el correspondiente curso académico, salvo que el número de personas matriculadas sea inferior a 20, en cuyo caso se podrá conceder una sola Matrícula de Honor.

Se tendrá en cuenta el Reglamento de Evaluación de la Universidad de Salamanca.

Evaluación continua: seguimiento de la evolución en clase del alumno, participación en clase, prácticas y trabajos realizados (incluyendo defensa de estos).

Exámenes teórico-prácticos.

*En el examen teórico es necesario obtener una calificación mínima de 5 para aprobar la asignatura.

Recomendaciones evaluación:

La asistencia a clase y la participación del alumno unido al trabajo continuo permiten superar sin dificultad la asignatura.

Recomendaciones recuperación:

A cada alumno se le indicará, de forma individualizada, qué partes de la asignatura debe reforzar para poder superarla.