RA10, RA11, RA12, RA22, RA23, RA24, RA25, RA26, RA27

50%

50%

100%

3

3

2

En un mundo cada vez más digitalizado, la investigación en ciencia de datos es uno de los elementos clave para la transformación de las organizaciones, facilitando la comprensión y predicción del comportamiento de los sistemas complejos que las componen, y permitiendo la toma de decisiones informadas e inteligentes. La asignatura "Investigación en Ciencia de Datos" se centra en la aplicación de la ciencia de datos dentro del contexto organizacional. Es fundamental entender las bases y los límites de la ciencia de datos para orientar la investigación de manera que promueva un salto cualitativo en la generación de ventajas competitivas y en el desarrollo de nuevos productos y servicios.

En la asignatura se presentan las bases para poder desarrollar un trabajo de investigación en ciencia de datos, planteando de manera adecuada la definición de objetivos de la investigación a partir de la compresión del contexto tecnológico y de negocio de la organización y sus procesos de decisión, la elección de herramientas y técnicas, la definición y tratamiento del problema práctico real a resolver, así como los aspectos metodológicos para el desarrollo formal de la investigación, con especial atención al estudio de antecedentes y el manejo de referencias.

En particular entre las técnicas de la ciencia de datos se introducirán las principales herramientas de NLP (Natural Language Processing ) y sus aplicaciones empresariales. Al contrario de lo que ocurre con los lenguajes formalizados, como p. ej. los lenguajes de programación, el lenguaje natural, hablado o escrito, se caracteriza por una gran dosis de ambigüedad y requiere para ser correctamente entendido de un conocimiento profundo del contexto en el que se genera. Esto hace que resulte difícil de procesar y de manipular de forma automática por medio de máquinas. Pese a ello, los desarrollos habidos en áreas como la estadística, la inteligencia artificial o la lingüística computacional están consiguiendo solventar estas dificultades y han producido en los últimos años una auténtica revolución en el campo del procesamiento del lenguaje natural.

Al finalizar, los estudiantes estarán capacitados para liderar proyectos de análisis de datos que impulsen la evolución digital y la innovación en las organizaciones.

Conocimientos básicos de R y/o Python.

Contextualizar la investigación de ciencia de datos dentro del reto más general de la transformación actual de las organizaciones.

Conocer las principales fuentes de literatura científica en Ciencia de Datos, la estructura de los artículos de investigación y de su bibliografía.

Familiarizarse con las ideas básicas y las herramientas usadas en minería de textos y procesamiento del lenguaje natural y sus principales aplicaciones empresariales.

Fundamentos de investigación en Ciencia de Datos.
Herramientas básicas de Minería de Textos y Procesamiento del Lenguaje natural (NLP).
Aplicaciones empresariales de NLP.
Deep Learning para el procesamiento del lenguaje natural.
Contexto de aplicación de la ciencia de datos en el actual proceso de transformación de las organizaciones.
Procesos de toma de decisión basada en datos y gobierno del dato.
Aplicaciones y casos prácticos de la ciencia de datos a las organizaciones.
Introducción a modelos y arquitecturas avanzadas para la integración de soluciones basadas en ciencia de datos.

Cualquier alumno tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso.

La nota final será la mayor entre la calificación obtenida en dicha prueba final y la que resulte de los siguientes items de calificación, calculada con las ponderaciones que se indican:
Pruebas periódicas (20%)
Prueba final (50%)
Participación en el aula (5%)
Realización de casos prácticos (25%)

- Aggarwal, C. C. (2023): Neural Networks and Deep Learning (2ª ed.). Springer.
- Aven, T. (2019): The science of risk analysis: Foundation and practice. Routledge.
- Eisenstein, J. (2019): Introduction to Natural Language Processing. The MIT Press.
- Hvitfeldt, E. y Silge, J. (2022): Supervised Machine Learning for Text Analysis in R. CRC Press.
- Jurafsky, D. y Martin, J. H. (2009): Speech and Text Processing (2ª ed.). Pearson.
- Kane, G. C. et al. (2015): Strategy, not technology, drives digital transformation. MIT Sloan Management Review.
- Keidana, S. (2023): Deep Learning and Scientific Computing with R torch. CRC Press.
- Kwartler, T. (2017): Text Mining in Practice with R. John Wiley and Sons.
- Lane, H. y Dyshel, M (2019): Natural Language Processing in Action. Manning.
- Marco, J. N., Morales, D. V., Lorente, J., Vizcaino, J., y Lucas, J. P. (2023): Economía digital en la Unión Europea: apoyando a las pymes (Vol. 3). Sanz y Torres.
- Márquez, A. C., et al. (2022): Digital maintenance management. Springer Series in Reliability Engineering,
- Montes, R. et al. (2021): Inteligencia Artificial y tecnologías Digitales para los ODS. Spain’s Royal Academy of Engineering: Madrid, Spain.
- Silge, J. y Robinson, D. (2017): Text Mining with R. A Tidy Approach. O'Reilly.
- Lee, R. S. T. (2024): Natural Language Processing. A Textbook with Python Implementation. Springer.
- Raff, E. (2022): Inside Deep Learning. Manning.
- Rogers, D. L. (2021): Guía estratégica para La Transformación Digital. Empresa Activa.
- Sanchez-Segura, M. I. et al. (2020): Knowledge, People, and Digital Transformation: Approaches for a Sustainable Future. Tittle of the participation: Altus: A Process-Oriented Knowledge Governance Maturity Model. Pages 133-162. Springer.
- Weill, P. y Woerner, S. (2018): What's your digital business model?: six questions to help you build the next-generation enterprise. Harvard Business Press.

Ficha aprobada el 20 de junio de 2024 en Comisión Permanente del Departamento de Organización de Empresas