CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.

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 la 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) 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.

CG7 - Poseer conocimientos de nuevas tecnologías en el campo de la Geoinformación y de la Geomática.

CG8 - Ser capaces de aplicar, integrar y comunicar dichos conocimientos en el ámbito de proyectos de Geoinformación y Geomática.

Bloque 1. Introducción

Definición y características de Big Data.

Tecnologías relacionadas con Big Data: procesamiento en la nube (Cloud Computing), internet de las cosas (IoT), centro de proceso de datos (data center), Hadoop.

Etapas en los procesos de Big Data.

Algunas aplicaciones.

Bloque 2. Herramientas, métodos y técnicas para el análisis de Big Data

Técnicas de reducción de datos: análisis de componentes principales clásico y técnicas alternativas (sparse PCA, disjoint PCA).

Técnicas de predicción y clasificación: regresión lineal y no lineal, regresión logística, análisis discriminante.

Técnicas de minería de datos: clustering, reglas de asociación, clasificación bayesiana, árboles de decisión, aprendizaje automático, máquinas de vectores de soporte, redes neuronales, lógica borrosa.

Bloque 3. Técnicas de análisis de datos que incorporan información espacial

Análisis de componentes principales ponderados geográficamente (GWPCA).

Regresión geográficamente ponderada (GWR).

Estadística espacial: particularidades de los datos espaciales, áreas de la estadística espacial.

Sistemas de Información Geográfica.  Big data en SIG.

PRÁCTICAS DE ORDENADOR

Práctica 1. Internet de las Cosas: análisis de datos de monitorización ambiental (Things Speak).

Práctica 2. Cloud Computing: QGIS Cloud.

Práctica 3. Bases de Datos geoespaciales: PostgreSQL.

Práctica 4. Técnicas de reducción de dimensionalidad para clasificación de imagen. PCA.

Práctica 5. Análisis estadístico en QGIS con R: correlación y regresión.

Práctica 6. Análisis estadístico en QGIS con R: interpolación espacial.

Práctica 7. Procesamiento de Big Data en Sistemas de Información Espacial. Ejemplo de LíDAR.

FOTHERINGHAM S, ROGERSON P. Spatial Analysis and GIS. Taylor & Francis 1994.

GARCÍA J, MOLINA JM, BERLANDA A, PATRICIO MA, BUSTAMANTE AL, PADILLA WR. Ciencia de Datos. Técnicas analíticas y aprendizaje estadístico en un enfoque práctico. Altaria, 2018.

MATEOS-APARICIO MORALES G, HERNÁNDEZ ESTRADA A. Análisis multivariante de datos. Cómo buscar patrones de comportamiento en big data. Pirámide, 2021.

RÍOS INSÚA D, GÓMEZ-ULLATE OTEIZA D. Big data. Conceptos, tecnologías y aplicaciones. CSIC, 2019.

Material preparado por las profesoras y disponible en https://studium.usal.es

BRUNSDON C, FOTHERINGHAM S, CHARLTON M (1998). Geographically weighted regression -modelling spatial non-stationarity. The Statistician, 47, 431-443.

HARRIS P, BRUNSDON C,CHARLTON M (2011). Geographically weighted principal components análisis. International Journal of Geographical Information Science, 25, 1717-1736.

JUANES NOTARIO P. La Geografía y la Estadística. Dos necesidades para entender Big Data. https://gredos.usal.es/handle/10366/125197

OLAYA V. Sistemas de Información Geográfica: https://volaya.github.io/libro-sig/

HENGL T (2009). A practical guide to Geostatistical Mapping: http://spatial-analyst.net/book/system/files/Hengl_2009_GEOSTATe2c1w.pdf

MAS J-F (2018). Análisis Espacial con R: Usa R como un Sistema de Información Geográfica: http://eujournal.org/files/journals/1/books/JeanFrancoisMas.pdf

La calificación obtenida por el alumno en las tareas desarrolladas a lo largo del curso supondrá un 60% de la calificación final. La calificación obtenida en los exámenes supondrá el 40% restante de la calificación.

Cuestionarios, prácticas, examen

Consideraciones Generales

La evaluación se llevará a cabo teniendo en cuenta:

-Las tareas desarrolladas por el alumno a lo largo del curso: cuestionarios, prácticas propuestas, exposición de trabajos.

-El examen realizado al final del semestre.

Recomendaciones para la evaluación

Se recomienda hacer uso de las tutorías, ya que hacen posible un seguimiento y control crítico y eficaz de los objetivos y actividades que se proponen a los alumnos.

También se aconseja la utilización de los libros de consulta para afianzar conocimientos y adquirir una mayor destreza en la materia.

Recomendaciones para la recuperación

Es recomendable que el alumno acuda a las revisiones de exámenes y de tareas para que pueda mejorar las deficiencias presentadas.