Que estàs buscant?
E15. Dissenyar i planificar estratègies d'assegurament de la qualitat, test i anàlisi de dades de videojocs i productes interactius.
G1. Demostrar tenir i comprendre coneixements avançats de la seva àrea d'estudi que inclouen els aspectes teòrics, pràctics i metodològics, amb un nivell de profunditat que arriba fins a l'avantguarda del coneixement.
G2. Resoldre problemes complexos del seu àmbit laboral, mitjançant l'aplicació dels seus coneixements, l'elaboració d'arguments i procediments, i l'ús d'idees creatives i innovadores.
G3. Reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
G4. Comunicar informació, idees, problemes i solucions a un públic especialitzat com no especialitzat.
G5. Desenvolupar les habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
T1. Comunicar en un tercer idioma, que serà preferentment l'anglès, amb un nivell adequat de forma oral i per escrit i d'acord amb les necessitats que tindran els graduats i graduades.
L'assignatura introdueix a l'estudiant en el món de l'analítica de dades, amb aplicació a l'anàlisi de dades de videojocs. L'anàlisi de dades esdevé un aspecte fonamental del desenvolupament del joc, en múltiples aspectes:
L'assignatura es contextualitza en l'àrea de Producció i Negoci del Grau en Disseny i Producció de Videojocs. Els continguts es basen en una revisió de les mètriques més habituals en disseny i monetització de videojocs i realitza una introducció a l'estadística inferencial i a l'anàlisi de dades amb mètodes de machine learning. S'usa el llenguatge R al llarg de tota l'assignatura per als exercicis i exemples pràctics. La metodologia combina classes magistrals amb exercicis i activitats pràctiques. Les activitats d'avaluació són exercicis pràctics i un projecte d'analítica que compten un 60% de la nota i el 40% restant correspon a un examen final.
A nivell general, aquesta assignatura contribueix als següents resultats d'aprenentatge especificats per a la matèria a la qual pertany (Producció i Negoci):
Més concretament, al finalitzar el curs, l'estudiant serà capaç de:
L'assignatura es divideix en sessions teòriques i sessions pràctiques, corresponents a 4h i 2h setmanals respectivament.
La metodologia de treball combina:
Aquest curs, degut a la situació generada per la Covid-19, l’assignatura s’impartirà en modalitat de docència online. Tant les sessions pràctiques com les classes magistrals es realitzen a través de la plataforma Zoom, amb sessions síncrones. En algunes sessions pràctiques, els estudiants treballaran en grup a partir de l'eina breakout rooms de Zoom. El plantejament metodològic és el mateix en format presencial que en format virtual i es garanteix que l'estudiant assoleix els resultats d'aprenentatge i les competències de manera anàloga al format presencial.
El contingut de l'assignatura està format pels apartats que es llisten a continuació:
Els continguts s'aniran alternant amb casos pràctics d'aplicació per tal de veure la utilitat dels continguts que es tracten al llarg de l'assignatura.
L'estudiant haurà de realitzar diferents activitats al llarg de l'assignatura:
A1. Exercicis pràctics
L'objectiu dels exercicis pràctics és que l'alumne adquireixi els coneixements del conceptes teòrics vistos a classe i que tingui agilitat en l'ús de les eines d'analítica que es tractaran. Aquests exercicis no estaran necessàriament vinculats a l'analítica de videojocs, sinó que tenen com a objectiu consolidar treballar les competències següents:
Aquests exercicis són evidències per a l'assoliment del resultat d'aprenentatge E15.3 (planificar i desenvolupar el procés d'anàlisi de dades del joc).
Els exercicis es realitzaran a classe o a casa i es resoldran majoritàriament a classe. Els alumnes hauran de lliurar alguns d'ells, segons especifiqui la professora, però majoritàriament seran exercicis per consolidar coneixements i adquirir la pràctica necessària.
A2. Projectes d'analítica de dades
L'objectiu dels projectes d'analítica és que l'estudiant desenvolupi un o varis casos d'analítica de dades, on haurà d'aplicar de manera integral i fonamentada els coneixements vistos a classe. L'alumne haurà de resoldre una simulació d'un cas real, limitat en la seva complexitat i volum de dades, per a fer més senzilla la seva gestió per part de l'alumne.
En aquests projectes es desenvoluparan les competències següents:
i els resultats d'aprenentatge:
L'alumne realitzarà aquest treball en equip (de dues persones, idealment) i haurà de lliurar un informe detallat. Aquest informe haurà de contenir un resum executiu, un informe detallat a nivell executiu, un informe tècnic i un annex amb les dades resultats dels processos d'analítica aplicats. L'estudiant disposarà de l'índex del treball a lliurar, així com d'una rúbrica amb els paràmetres d'avaluació del treball.
L'alumne haurà de realitzar dues pràctiques d'analítica.
A3. Examen
Al final del curs, cada estudiant haurà de presentar-se a un examen final on se l'avaluarà dels continguts vistos al llarg de l'assignatura. L'examen és individual.
En aquest examen, s'avaluaran les competències específiques (E15), així com les competències G5, G1, G2, G3 i part de G4, i els resultats d'aprenentatge E15.2, E15.3 i E15.4 mencionats anteriorment.
L'avaluació de l'assignatura és:
Les activitats d'avaluació contínua s'han de lliurar en els terminis especificats al llarg del curs. Més enllà dels terminis especificats, l'alumne no podrà lliurar les activitats d'avaluació contínua, corrent el risc de suspendre l'assignatura per aquest motiu. A la convocatòria de recuperació no serà possible lliurar les activitats d'avaluació contínua.
Cal considerar atentament els següents aspectes:
de Vries, A., & Meys, J. (2015). R for Dummies. John Wiley & Sons.
Brett Lanz (2013). Machine Learning with R. Learn how to use R to apply powerful machine learning methods and gain an insight into real-world applications. PACKT Publishing.
Magy Seif El-Nasr & Anders Drachen (2013). Game Analytics: Maximizing the Value of Player Data. Springer.
Bernard Rosner (2016). Fundamentals of Biostatistics (8th edition). Cengage Learning.
Ugarte, M.D., Militino, Ana F., & Arnholt, A.T. (2020). Probability and Statistics with R (2nd edition). CRC Press.
Witten, I.H., Frank, E., & Hall, M.A. (2011). Data Mining. Practical Machine Learning Tools and Techniques. Third Edition. Morgan Kaufmann.
Bari, A., Chaouchi, M. & Jung, T. (2014). Predictive Analytics for Dummies. John Wiley and Sons.
Zumel, N. & Mount, J. (2014). Practical Data Science with R. Shelter Island: Manning.
Lewis, N.D. (2016). Deep Learning Made Easy with R. A Gentle Introduction for Data Science.
Viktor Mayer-Schönberger & Kenneth Cukier (2013). Big Data. A revolution that will transform how we live, work and think. Great Britain: John Murray.
Arun Sukumar, Lucian Tipi & Jayne Revill (2016). Applied Business Analysis. Disponible a: bookboon.com.
Brink, David (2010). Essentials of Statistics: Exercises. Disponible a: bookboon.com.