Informació general


Tipus d'assignatura: Obligatòria

Coordinador: Jesus Ezequiel Martínez Marín

Trimestre: Tercer trimestre

Crèdits: 2

Professorat: 

Manuel Guerris Larruy

Competències


Competències bàsiques
  • CB7. Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi. 

  • CB8 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, sent incompleta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis

  • CB9. Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats 

Competències específiques
  • CE1. Mostrar autonomia amb distància crítica en temes o qüestions vinculats a l'negoci marítim, la logística i la cadena de subministraments i en l'aplicació d'idees innovadores en aquests àmbits.

  • CE2. Aplicar eines i metodologies que faciliten el pensament creatiu i innovador en les situacions quotidianes lligades a l'entorn de la cadena de subministraments i els negocis logístics i marítims.

  • CE5. Dissenyar i posar en marxa sistemes logístics, valorant les diferents alternatives possibles, les restriccions tècniques i de recursos i tenint en compte la direcció i gestió coordinada al llarg de la cadena de subministrament.

  • CE6. Avaluar el rendiment de tot el sistema logístic, tenint en compte el compliment / no dels objectius de qualitat, cost i servei planificats per detectar i prioritzar àrees de millora.

  • CE7. Gestionar (planificar, programar i controlar) el flux de materials i informació (flux de la cadena de subministraments) a través de l'adreça i gestió coordinada de les àrees de compres, producció i distribució física de l'empresa. 

Competències transversals
  • CT1. Mostrar disposició per conèixer noves cultures, experimentar noves metodologies i fomentar l'intercanvi internacional en el context de la logística, la cadena de subministraments i els negocis marítims.

  • CT2. Mostrar habilitats emprenedores de lideratge i direcció, que reforcin la confiança personal i redueixin l'aversió al risc. 

  • CT3. Desenvolupar tasques aplicant amb flexibilitat i creativitat els coneixements adquirits i adaptant-los a contextos i situacions noves. 

Descripció


Data Mining i Big Data per a la Logística.

 

Aquesta assignatura disposa de recursos metodològics i digitals per fer possible la seva continuïtat en modalitat no presencial en el cas de ser necessari per motius relacionats amb la Covid-19. D’aquesta forma s’assegurarà l’assoliment dels mateixos coneixements i competències que s’especifiquen en aquest pla docent.

El TecnoCampus posarà a l’abast del professorat i l’alumnat les eines digitals necessàries per poder dur a terme l’assignatura, així com guies i recomanacions que facilitin l’adaptació a la modalitat no presencial.

Resultats d'aprenentatge


  • Reconèixer els conceptes del Data Mining i Big Data a través del relat de casos reals i el funcionament dels principals algoritmes utilitzats en l'actualitat. 

  • Avaluar les diferents eines disponibles al mercat i fer una elecció d'acord a les necessitats logístiques de l'empresa. 

 

Metodologia de treball


Les sessions del curs combinaran les següents metodologies docents: 

 

Sessions teòriques 

  • MD1.Clase magistral: Sessions de classe expositives basades en l'explicació del professor en què assisteixen tots els estudiants matriculats a l'assignatura 

  • MD3. Presentacions: Formats multimèdia que serveixen de suport a les classes presencials 

 

Aprenentatge dirigit grupal 

  • MD5. Seminaris: Format presencial en petits grups de treball. Són sessions lligades a les sessions presencials de l'assignatura que permeten oferir una perspectiva pràctica i en la qual la participació de l'estudiant és clau 

  • MD7. Estudi de casos: Dinàmica que parteix de l'estudi d'un cas que serveix per contextualitzar l'estudiant en una situació en concret, el professor pot proposar diferents activitats, tant a nivell individual com en grup, entre els seus estudiants 

 

Aprenentatge Autònom individual 

  • MD9. Resolució d'exercicis i problemes: Activitat no presencial dedicada a la resolució d'exercicis pràctics a partir de les dades subministrades pel professor 

Continguts


Big data:  

  • Història, definició i context 

  • El Big data com a factor estratègic en les empreses 

Dades i el seu tractament 

  • Estructura de dades 

  • Tecnologies d'emmagatzematge 

  • Llenguatges. 

Data Mining:  

  • Què és el Data Mining 

  • Objectius i potencialitat 

  • Mètodes d'anàlisi avançats: machine learning 

Eines informàtiques per al seu processament 

  • Programari lliure 

  • Programari propi 

  • Programari com a Servei (SaaS) 

Big data i logística 

  • Aplicacions específiques 

  • Tendència sectorial. 

 

Activitats d'aprenentatge


Sessions teòriques 

  • MD1. Classe magistral.

  • MD3. Presentacions.

 

Aprenentatge dirigit grupal 

  • MD5. Seminaris.

  • MD7 Estudi de casos.

Aprenentatge Autònom individual 

  • MD9. Resolució d'exercicis i problemes. 

Sistema d'avaluació


  • Participació en les activitats plantejades dins de l'aula: 30% de la nota final 

  • Activitat individual a presentar un cop acabin les sessions de l'assignatura: 70% de la nota final 

Bibliografia


Bàsic

Samelson, S. (2019). Machine Learning: The 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.

Complementary

Bibliografia recomanada 

Presentacions i fitxers de dades proporcionades pel docent 

Utilització de programari per a desenvolupar exercicis i casos de datamining. Segons la necessitat s'utilitzarà OpenSource WEKA, R Studio amb R, o RapidMiner Studio i s'informarà prèviament als alumnes perquè instal·lin en els seus ordinadors el programari necessari 

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