Big Data Aplicado

Curso de Especialización en Inteligencia Artificial y Big Data · Curso 2026/27
Código del módulo: 5075 · 120 horas · 4 horas semanales · 8 ECTS

En Big Data Aplicado aprenderás a construir y comprobar sistemas que obtienen, almacenan, procesan y presentan datos. Trabajaremos desde el terminal Linux hasta la ingesta de información, el procesamiento distribuido, la calidad de los datos y los cuadros de mando.

El módulo empieza consolidando la base operativa en Linux: archivos, permisos, flujos de texto, Bash y automatización con cron. Sobre ella construiremos los componentes de un pipeline de datos de criptomonedas que servirá de conexión con el proyecto final del curso.

Unidades disponibles

• M00 · Fundamentos de terminal y automatización: terminal, archivos y permisos, flujos de texto y expresiones regulares, Bash scripting, cron y un proyecto de captura local.

Selecciona una unidad en el menú lateral para acceder a sus contenidos. Los siguientes módulos se enlazarán cuando estén publicados.

Planificación del módulo

BDA se organiza en seis módulos didácticos y una fase final de proyecto común. El curso tiene dos evaluaciones.

Módulo	Título	Evaluación o periodo
M00	Fundamentos de terminal y automatización	1.ª
M01	Almacenamiento y ecosistema de datos	1.ª
M02	Ingesta y orquestación	1.ª
M03	Procesamiento con Apache Spark	1.ª y 2.ª
M04	Monitorización, calidad e integridad	2.ª
M05	Business Intelligence y visualización	2.ª
Proyecto	Proyecto integrador: pipeline de criptomonedas	Del 26 de abril al 28 de mayo

Los exámenes están previstos del 25 al 28 de enero y del 19 al 22 de abril de 2027. Las fechas concretas y las condiciones de cada prueba se comunicarán en Aules.

La planificación curricular reserva 104 horas para M00–M05 y 16 para el proyecto. Las sesiones disponibles dependen del calendario escolar y no coinciden exactamente con este reparto.

Cómo trabajaremos

Combinaremos explicaciones, ejemplos, actividades de clase, prácticas de laboratorio y pruebas individuales. Los laboratorios utilizarán Docker cuando la tecnología lo permita. Aprenderemos a ejecutar los procesos, comprobar sus resultados y documentar las decisiones tomadas.

Esta web reúne los apuntes, ejemplos y recursos. Aules será el espacio para las entregas, los plazos y las comunicaciones de evaluación.

Las actividades de clase sirven para practicar y corregir errores y no tienen nota. Solo las actividades identificadas expresamente como calificables forman parte de la evaluación.

Al final de cada módulo conectaremos lo aprendido con el proyecto de criptomonedas mediante un componente, una decisión técnica o una evidencia reutilizable. La integración completa se realizará durante el proyecto común, junto con los demás módulos del curso.

Resultados de aprendizaje y sus pesos

La evaluación se organiza por resultados de aprendizaje (RA). Cada RA se concreta en criterios de evaluación (CE), que indican qué debes demostrar.

Resultado	Qué aprenderás —resumen—	Peso en la nota final
RA0	Utilizar el terminal Linux y automatizar tareas	Apoyo formativo, sin peso propio
RA1	Diseñar soluciones de almacenamiento y tratamiento de datos	20 %
RA2	Trabajar con almacenamiento y computación distribuida	20 %
RA3	Comprobar la integridad de los datos	8 %
RA4	Monitorizar sistemas, interpretar métricas y generar alertas	16 %
RA5	Transformar datos en información útil para tomar decisiones	16 %
RA6 · Proyecto	Integrar y documentar una solución de IA y Big Data	20 %

Los RA1–RA5 forman el bloque específico de BDA, que aporta el 80 % de la nota final. Sus pesos internos son, respectivamente, 25 %, 25 %, 10 %, 20 % y 20 %. El proyecto aporta el 20 % restante y se evalúa conjuntamente por el equipo docente.

Todos los CE tienen el mismo peso dentro de su RA, incluido el proyecto. La nota de cada RA es la media de sus CE. Un criterio conserva su peso aunque se trabaje en varios módulos didácticos.

Cómo se calcula la nota

En cada CE de los RA1–RA5, la modalidad ordinaria es:

• 70 % Exámenes, teóricos, prácticos o combinados.
• 30 % actividades calificables de Aules.

Un examen sigue siendo un Examen aunque se publique o entregue en Aules.

Cuando un CE tenga previsto un único Examen y ninguna otra actividad calificable, podrá evaluarse mediante 100 % Examen. Se anunciarán previamente los criterios afectados y las condiciones. Esta modalidad no se aplicará para compensar una actividad no entregada.

Las evidencias completas y comparables de un mismo CE se promedian dentro de su bloque. Cuando evalúen partes complementarias, se combinarán según los indicadores y puntos anunciados.

La nota final se calcula así:

Nota final = 20 % RA1 + 20 % RA2 + 8 % RA3 + 16 % RA4 + 16 % RA5 + 20 % Proyecto.

Para aprobar debes alcanzar al menos un 5 en cada RA1–RA5 y en el proyecto. No hay un mínimo independiente de Examen ni es obligatorio aprobar cada actividad o cada CE por separado, siempre que existan evidencias suficientes.

Las notas de las dos evaluaciones son provisionales: se calculan con los CE evaluados y sus pesos normalizados. La nota final no es la media de las dos evaluaciones. Un RA todavía no iniciado no bloquea la nota; si un RA trabajado está por debajo de 5, la nota de evaluación será como máximo 4.

Los cálculos conservan todos sus decimales y solo se redondea la nota del boletín al entero más próximo, con las mitades hacia arriba. El redondeo no aprueba un RA pendiente. Si al cierre algún RA1–RA5 o el proyecto no alcanza 5, la nota final será como máximo 4.

La asistencia y la actitud no tienen un porcentaje propio. La pérdida del derecho a evaluación continua se rige por las normas del centro.

Entregas y ausencias a exámenes

• Entrega fuera de plazo: máximo 5 en esa entrega, dentro del plazo de recuperación anunciado.
• No entrega injustificada: 0 en esa actividad.
• Ausencia justificada a un Examen: prueba equivalente en otra fecha, sin penalización.
• Ausencia injustificada a un Examen: 0 en ese Examen, con posibilidad de recuperación.

Estas incidencias afectan a la entrega o al Examen correspondiente; no se trasladan automáticamente a todo el CE o RA. Los plazos y procedimientos se comunicarán en Aules.

Recuperación

Habrá oportunidades de recuperación al terminar cada módulo didáctico, con plazos anunciados en Aules.

Si no superas un RA, dispondrás de un plan individual de recuperación con los aprendizajes y CE pendientes, las evidencias que debes aportar y sus fechas. Se conservarán las notas y evidencias válidas. No tendrás que repetir los RA superados ni recuperar por separado CE inferiores a 5 de un RA ya aprobado con evidencias suficientes.

La recuperación mantiene los criterios, pesos y modalidades de evaluación. Para evidencias del mismo alcance, se conserva la mayor nota y se recalculan el bloque, el CE y el RA. Una recuperación parcial solo sustituye la parte que comprueba.

No hay un límite general de 5 por recuperar; se mantiene el límite específico de las entregas tardías.

Antes del cierre de la primera convocatoria se realizarán las pruebas y entregas que sigan pendientes. Para recuperar el proyecto, el equipo docente señalará las partes que debes completar o corregir y realizarás una defensa individual.

La segunda convocatoria será el 15 de junio de 2027, con un plan individual centrado en los aprendizajes pendientes.

Formación en empresa

BDA no incluye formación en empresa. No tiene horas ni criterios asignados a esta fase y no se aplica una ponderación de centro y empresa. El proyecto transversal es una actividad conjunta del curso y aporta el 20 % de la nota final.

Resultados de aprendizaje y criterios de evaluación completos

La tabla anterior facilita la consulta de los pesos; no sustituye los resultados y criterios completos, que se presentan a continuación. Los RA1–RA5 son los resultados oficiales; RA0 es un resultado propio de apoyo y RA6 corresponde al proyecto transversal. Se conserva la redacción curricular de RA1–RA6 en valenciano.

RA0 (RA propio). Utiliza el terminal de Linux.

• RA0.a Se han utilizado comandos.
• RA0.b Se han realizado tareas administrativas desde el terminal.
• RA0.c Se han programado scripts.

RA1. Gestiona solucions a problemes proposats, utilitzant sistemes d'emmagatzematge i eines associades al centre de dades.

• RA1.a S’ha caracteritzat el procés de disseny i construcció de solucions en sistemes d’emmagatzematge de dades.
• RA1.b S’han determinat els procediments i mecanismes per a la ingestió de dades.
• RA1.c S’ha determinat el format de dades adequat per a l’emmagatzematge.
• RA1.d S’han processat les dades emmagatzemades,
• RA1.e S’han presentat els resultats i les solucions al client final en una forma fàcil d’interpretar.

RA2. Gestiona sistemes d'emmagatzematge i l'ampli ecosistema al voltant d'ells facilitant el processament de grans quantitats de dades sense fallades i de manera ràpida.

• RA2.a S’ha determinat la importància dels sistemes d’emmagatzematge per a dipositar i processar grans quantitats de qualsevol tipus de dades ràpidament.
• RA2.b S’ha comprovat el poder de processament del seu model de computació distribuïda.
• RA2.c S’ha provat la tolerància a fallades dels sistemes.
• RA2.d S’ha determinat que es poden emmagatzemar tantes dades com es desitgi i decidir com utilitzar-los més tard.
• RA2.e S’ha visualitzat que el sistema pot créixer fàcilment afegint mòduls.

RA3. Genera mecanismes d'integritat de les dades, comprovant el seu manteniment en els sistemes de fitxers distribuïts i valorant la sobrecàrrega que comporta en el tractament de les dades.

• RA3.a S’ha valorat la importància de la qualitat de les dades en els sistemes de fitxers distribuïts.
• RA3.b S’ha valorat que a major volum de tractament de dades correspon un major perill relacionat amb la integritat de les dades.
• RA3.c S’ha reconegut que els sistemes de fitxers distribuïts implementen una suma de verificació per a la comprovació dels continguts dels arxius.
• RA3.d S’ha reconegut el paper del servidor en els processos previs a la suma de verificació.

RA4. Realitza el seguiment del monitoratge d'un sistema, assegurant la fiabilitat i estabilitat dels serveis que es proveeixen.

• RA4.a S’han aplicat eines de monitoratge eficient dels recursos.
• RA4.b S’han recollit mètriques, processament i visualització de les dades.
• RA4.c S’han generat alertes per a detectar un risc o mal funcionament.
• RA4.d S’ha comprovat que les eines usades ofereixen un rendiment elevat amb rapidesa.
• RA4.e S’ha comprovat la fiabilitat de les dades segons respostes.
• RA4.f S’ha analitzat l’estabilitat de serveis.

RA5. Valida les tècniques de Big Data per a transformar una gran quantitat de dades en informació significativa, facilitant la presa de decisions de negocis.

• RA5.a S’han seleccionat gran quantitat de dades estructurades i no estructurats per a reforçar la funció de BI.
• RA5.b S’ha realitzat la neteja i transformació de dades sobre la base dels objectius predeterminats.
• RA5.c S’ha comprovat que el Big Data multiplica la rellevància i la utilitat del BI per al negoci.
• RA5.d S’han conjugat dins d’un model d’empresa dades de clients financers de vendes, de productes, de màrqueting, de xarxes socials, de la competència, entre altres, per a extreure una anàlisi valuosa i efectiu per al negoci.
• RA5.e S’ha avaluat i interpretat la informació extreta de les dades i la seva influència en el triomf de diferents negocis.
• RA5.f S’ha simulat la implantació d’un model d’Intel·ligència de negocis BI.

RA6. (Projecte transversal) Desenvolupa un projecte integrador que combine tècniques d'intel·ligència artificial i anàlisi de dades massives, aplicant models, algorismes i sistemes de Big Data per resoldre un problema real o simulat d'interès social, científic o empresarial, gestionant tot el cicle de vida del projecte des de l'obtenció de dades fins a la presentació de resultats.

• RA6.a Defineix el problema i els objectius del projecte, contextualitzant-ne la rellevància i la viabilitat tècnica.
• RA6.b Selecciona i justifica les fonts de dades, garantint-ne la qualitat, fiabilitat i adequació al propòsit del projecte.
• RA6.c Dissenya i entrena models d’intel·ligència artificial aplicant tècniques d’aprenentatge supervisat, no supervisat o profund segons corresponga.
• RA6.d Implementa algorismes d’aprenentatge automàtic, utilitzant eines i llibreries adequades i avaluant-ne el rendiment mitjançant mètriques pertinents.
• RA6.e Desenvolupa sistemes de Big Data per a la ingesta, emmagatzematge i processament eficient de grans volums dinformació.
• RA6.f Integra els components del projecte (models, algorismes, sistemes i visualitzacions) en una solució funcional i documentada.
• RA6.g Analitza i comunica els resultats obtinguts, elaborant informes tècnics i presentacions visuals que facilitin la interpretació de les dades i les conclusions.
• RA6.h Avalua críticament les limitacions del model o sistema, i proposa possibles millores o línies futures de treball.
• RA6.i Treballa de forma col·laborativa i ètica, mostrant autonomia, responsabilitat i respecte a la normativa de protecció de dades i propietat intel·lectual.