AÑO LECTIVO

2023

PLANIFICACIÓN DE CÁTEDRA
Modalidad no presencial
UNIDAD ACADÉMICA: FACULTAD ESCUELA DE NEGOCIOS
CARRERA: ESPECIALIZACIÓN EN BIG DATA Y ANÁLISIS DE DATOS ESTRATÉGICOS
CÁTEDRA: Big Data I RÉGIMEN: Modular

EQUIPO DOCENTE
PROFESOR
Dr. Ing. Diego Lizondo

FUNDAMENTOS
En los últimos 25 años el mundo de la informática ha experimentado cambios profundos. Han surgido
nuevas arquitecturas de aplicaciones, nuevos paradigmas de programación y nuevas herramientas de
desarrollo de software, sumado a esto el incremento de la información crece de manera exponencial.
Este nuevo surgimiento, trajo nuevos desafíos y problemáticas, para ello, es muy importante entender
cómo desarrollar sistemas basados en Big Data y plataformas distribuidas, que estén a la altura de
requerimientos y necesidades crecientes.

OBJETIVOS
En esta asignatura los estudiantes podrán entender los conceptos relacionados a la programación dis-
tribuida y su aplicación en Data Science. Aprender conceptos de Big Data de manera teórica y aplicada.
Entender las funciones del rol del profesional de datos orientado a resolver problemas de Big Data
dentro de las organizaciones.

CONTENIDOS
UNIDAD 1: Conceptos generales de Big Data

Conceptos de Big Data. La plataforma Hadoop para soluciones distribuidas. Conceptos de bases de
datos NoSQL y su relación a las arquitecturas distribuidas. Rol del profesional de big data en las orga-
nizaciones (tales como data scientist, data engineer, etc.). Historia de la programación distribuida.

UNIDAD 2: Arquitectura distribuida

Introducción al concepto de cluster para aplicaciones relacionadas con problemáticas de big data. Im-
plementación de distribución y replicación de datos. Ventajas y desventajas. Problemáticas y técnicas
de escalabilidad en big data. Planificación a futuro. Introducción a arquitectura lambda

UNIDAD 3: Algoritmos de data mining

Problemáticas de clasificación y algoritmos tales como Naive Bayes, Decisión Tree, etc. Problemáticas
de regresión y su diferencia con clasificación. Problemáticas de clustering y algoritmos tales como
k-means y variantes. Reducción dimensional, usos y aplicaciones.
 2

UNIDAD 4: Lenguajes y motores de procesamiento

Nociones generales de Java, Scala y Python para ambientes distribuidos. Primitivas fundamentales de
Spark y Map reduce. Procesamiento real time vs procesamiento batch en herramientas distribuidas.

METODOLOGÍA
Las tareas específicas que los alumnos y docentes de sistema de educación a distancia en relación a
las prácticas de enseñar y aprender giran alrededor de las siguientes actividades:

- Actividades de los Alumnos: Lectura del módulo, lectura de bibliografía; Elaboración de actividades
propuestas; Asistencia a consultas tutoriales o clases satelitales. Participación en el foro; Asistencias
a instancias de evaluación; Trabajo con material audiovisual.
- Actividades del Docente: Planificación de la propuesta didáctica; Elaboración del material de estu-
dios; Organización del e-learning; Coordinación de los foros académicos; Evaluación de actividades
de Integración; Evaluación de exámenes; Evaluación de la propia práctica. Reuniones con autorida-
des académicas; Capacitación en servicio; Tareas administrativas.
- Actividades Prácticas: Los aspectos metodológicos se sustentan en la integración teoría-practica.
Se trabajará con bibliografía seleccionada para una lectura comprensiva, de manera que sea posible.
la reflexión comprensión, formulación de dudas, la confrontación de ideas como casos reales y trans-
ferencia a su realidad profesional mediante la participación en foros de discusión.

EVALUACIÓN
Criterios: Presentación en tiempo y forma de los Trabajos Prácticos y Actividades de Autoevaluación.
Participación en foros de discusión e intercambio. Uso pertinente de los conceptos teóricos en el análisis
de las diferentes situaciones presentadas. Claridad en la presentación de los trabajos que den cuenta
el manejo del vocabulario especifico.

Sobre los trabajos Prácticos: Son actividades a través de las cuales, se pretende integrar teoría práctica,
son de carácter individual, y el último trabajo práctico tiene carácter de integrador.

RECURSOS DIDÁCTICOS
El OPAC de Bibliotecas UCASAL está enriquecido por Fuentes Externas OAI (Open Archives Initiative),
que permiten acceder a documentos de acceso abierto que se encuentran en distintos repositorios di-
gitales institucionales académicos. Desde el punto de vista del investigador, hace posible la integración
de documentos de una misma temática, área geográfica, tipología, etc. en una única herramienta. Se
sumaron Repositorios institucionales de universidades nacionales y extranjeras, acceso a publicaciones
científicas. En total 23 enlaces a fuentes externas, en constante desarrollo y evaluación.

Además, están las siguientes bases de datos suscriptas:

- Biblioteca Digital Proview - Thomson Reuters (Acceso en Biblioteca).

- Biblioteca electrónica de MINCyT (Acceso en biblioteca).
- Biblioteca online ENI (Acceso remoto).
- Cheekpoint - Thomson Reuters (Acceso en Biblioteca).
- E-libro. Colección Cátedra (Acceso remoto).
- Información legal online - Thomson Reuters (Acceso en Biblioteca).
- Iram Colección (Acceso en Biblioteca central).
- Revista Mercado (Acceso en Biblioteca).
- Revista WOBI (Acceso en Biblioteca).
- Tarifar (Acceso en Biblioteca central).
 3

BIBLIOGRAFÍA
BIBLIOGRAFÍA BÁSICA
LUGAR Y AÑO
AUTOR TÍTULO EDITORIAL
DE EDICIÓN
García AlsinaMontserrat Big Data: gestión y explotación degrandes volú- UOC 2017
menes de datos
López Murphy, JuanJosé; La ingeniería del big data: cómotrabajar con datos UOC 2017
Zarza, Gonzalo
Macías, Mario; Gómez,Mauro Introducción a Apache Spark: para empezar a pro- UOC 2015
gramar el big data
BIBLIOGRAFÍA COMPLEMENTARIA
Power Data Del bit... al Big Data Power Data 2016
Masclef, Alejandra Arboles de Decisión: caso de aplicación UNSTA 2016
LINK Y RECURSOS CON INTERNET
- Videos informativos sobre conceptos de Big Data: https://www.youtube.com/watch?v=CcDCqW88uNY
- Videos informativos sobre conceptos de Big Data: https://www.youtube.com/watch?v=yoSqojO2-CQ
- Motor de análisis unificado para el procesamientode datos a gran escala: https://spark.apache.org/
- Apache™ Hadoop® desarrolla software de código abierto para computación distribuida, escalable y confiable:
https://hadoop.apache.org/
- Mongo DB es una base de datos distribuida: https://www.mongodb.com/es