Información general


Tipo de asignatura: obligatoria

Coordinador: Jesus Ezequiel Martínez Marín

trimestre: Tercer trimestre

Créditos: 2

Profesorado: 

Manuel Guerris Larruy

Competencias


competencias básicas
  • CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. 

  • CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

  • CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de forma clara y sin ambigüedades 

Competencias específicas
  • CE1. Mostrar autonomía con distancia crítica en temas o cuestiones vinculadas al negocio marítimo, logística y cadena de suministros y en la aplicación de ideas innovadoras en estos ámbitos.

  • CE2. Aplicar herramientas y metodologías que faciliten el pensamiento creativo e innovador en las situaciones cotidianas ligadas al entorno de la cadena de suministros y los negocios logísticos y marítimos.

  • CE5. Diseñar y poner en marcha sistemas logísticos, valorando las distintas alternativas posibles, las restricciones técnicas y de recursos y teniendo en cuenta la dirección y gestión coordinada a lo largo de la cadena de suministro.

  • CE6. Evaluar el rendimiento de todo el sistema logístico, teniendo en cuenta el cumplimiento/no de los objetivos de calidad, coste y servicio planificados para detectar y priorizar áreas de mejora.

  • CE7. Gestionar (planificar, programar y controlar) el flujo de materiales e información (flujo de la cadena de suministros) a través de la dirección y gestión coordinada de las áreas de compras, producción y distribución física de la empresa. 

competencias transversales
  • CT1. Mostrar disposición para conocer nuevas culturas, experimentar nuevas metodologías y fomentar el intercambio internacional en el contexto de la logística, cadena de suministros y negocios marítimos.

  • CT2. Mostrar habilidades emprendedoras de liderazgo y dirección, que refuercen la confianza personal y reduzcan la aversión al riesgo. 

  • CT3. Desarrollar tareas aplicando con flexibilidad y creatividad los conocimientos adquiridos y adaptándolos a contextos y situaciones nuevas. 

Descripción


Data Mining y Big Data para la Logística.

 

Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en el caso de ser necesario por motivos relacionados con la Covidien-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente.

El TecnoCampus pondrá al alcance del profesorado y el alumnado las herramientas digitales necesarias para poder llevar a cabo la asignatura, así como guías y recomendaciones que faciliten la adaptación a la modalidad no presencial.

Resultados de aprendizaje


  • Reconocer los conceptos del Data Mining y Big Data a través del relato de casos reales y el funcionamiento de los principales algoritmos utilizados en la actualidad. 

  • Evaluar las diferentes herramientas disponibles en el mercado y realizar una elección de acuerdo a las necesidades logísticas de la empresa. 

 

Metodología de trabajo


Las sesiones del curso combinarán las siguientes metodologías docentes: 

 

sesiones teóricas 

  • MD1.Clase magistral: Sesiones de clase expositivas basadas en la explicación del profesor en la que asisten todos los estudiantes matriculados en la asignatura 

  • MD3. Presentaciones: Formatos multimedia que sirven de apoyo a las clases presenciales 

 

Aprendizaje dirigido grupal 

  • MD5. Seminarios: Formato presencial en pequeños grupos de trabajo. Son sesiones ligadas a las sesiones presenciales de la asignatura que permiten ofrecer una perspectiva práctica y en la que la participación del estudiante es clave 

  • MD7. Estudio de casos: Dinámica que parte del estudio de un caso que sirve para contextualizar al estudiante en una situación en concreto, el profesor puede proponer diferentes actividades, tanto a nivel individual como en grupo, entre sus estudiantes 

 

Aprendizaje Autónomo individual 

  • MD9. Resolución de ejercicios y problemas: Actividad no presencial dedicada a la resolución de ejercicios prácticos a partir de los datos suministrados por el profesor 

contenidos


Big data:  

  • Historia, definición y contexto 

  • El Big data como factor estratégico en las empresas 

Datos y su tratamiento 

  • Estructura de datos 

  • Tecnologías de almacenamiento 

  • Lenguajes. 

Fecha Mining:  

  • ¿Qué es el Data Mining 

  • Objetivos y potencialidad 

  • Métodos de análisis avanzados: machine learning 

Herramientas informáticas para su procesamiento 

  • Software libre 

  • Software propio 

  • Software como Servicio (SaaS) 

Big fecha y logística 

  • Aplicaciones específicas 

  • Tendencia sectorial. 

 

Actividades de aprendizaje


sesiones teóricas 

  • MD1. Clase magistral.

  • MD3. Presentaciones.

 

Aprendizaje dirigido grupal 

  • MD5. Seminarios.

  • MD7 Estudio de casos.

Aprendizaje Autónomo individual 

  • MD9. Resolución de ejercicios y problemas. 

Sistema de evaluación


  • Participación en las actividades planteadas en el aula: 30% de la nota final 

  • Actividad individual a presentar una vez acaben las sesiones de la asignatura: 70% de la nota final 

Bibliografía


Básico

Samelson, S. (2019). Machine Learning: Absolute Complete Beginner's Guide to Learn and Understand Machine Learning From Beginners, Intermediate, Advanced, To Expert Concepts. Amazon.

Marr, B. (2015). Big Data: Using SMART Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. Wiley.

Roldán, María C. (2013). Pentaho Data Integration Beginner's Guide. 2nd ed. Packt Publishing.

Complementario

Bibliografía recomendada 

Presentaciones y archivos de datos proporcionados por el docente 

Utilización de software para desarrollar ejercicios y casos de datamining. Según la necesidad se utilizará OpenSource WEKA, R Studio con R, o RapidMiner Studio y se informará previamente a los alumnos para que instalen en sus ordenadores el software necesario 

Robertson, PW (2020). Supply Chain Analytics: Using Data to Optimise Supply Chain Processes. 1st ed. Routledge.