Contenido

GUÍA DEL ESTUDIANTE .............................................................................................. 4

ESTRUCTURA DEL CURSO Y DESCRIPCIÓN DEL PLAN DE ESTUDIOS ......................... 4

RESULTADOS DE APRENDIZAJE ............................................................................... 13

ESTRUCTURA DEL MÓDULO Y TEMPORALIZACIÓN ................................................ 13

ACTIVIDADES DE APRENDIZAJE DEL MÓDULO ....................................................... 15

EVALUACIÓN ........................................................................................................... 18

METODOLOGÍA DIDÁCTICA ..................................................................................... 20

Recomendaciones de estudio ................................................................................. 25

BIBLIOGRAFÍA .......................................................................................................... 27

CALENDARIO........................................................................................................... 31

3
 GUÍA DEL ESTUDIANTE

Este módulo profesional contiene la formación necesaria para

desempeñar las funciones de aplicar soluciones de Big Data, gestionar y
monitorizar el almacenamiento de datos e información para tomar
decisiones en los negocios.
Estas funciones tienen relación con aspectos como:
• Conocer distintos modelos de negocios de las empresas u
organizaciones.
• Gestionar, seleccionar y transformar la información y datos de los
distintos negocios.
• Implantar modelos adecuados de minería de datos.
• Desarrollar e implementar soluciones a problemas propuestos.
• Validar los modelos para la toma de decisiones de negocio.
El módulo tiene una duración de 140 horas, de las cuales, 75 horas se
consideran lectivas, con un total de 8 ECTS a efectos de convalidación en
el sistema educativo.

4
 ESTRUCTURA DEL CURSO Y DESCRIPCIÓN DEL
PLAN DE ESTUDIOS
A continuación, se refieren las horas y ECTs de los módulos que componen
el título:
CÓDIGO MÓDULO HORAS ECTs CARÁCTER

5071 Modelos de Inteligencia Artificial 60 5 Obligatorio

Sistemas de Aprendizaje
5072 100 5 Obligatorio
Automático
5074 Sistemas de Big Data 100 6 Obligatorio
Programación de Inteligencia
5073 200 12 Obligatorio
Artificial
5075 Big Data Aplicado 140 8 Obligatorio
Total 600 36

Los contenidos que se abordarán en el módulo Big Data aplicado se

dividen en 5 Unidades Formativas, las siguientes:

UNIDADES FORMATIVAS

Gestión de soluciones con sistemas de almacenamiento y

UF1
herramientas del centro de datos para la resolución de problemas

UF2 Gestión de sistemas de almacenamiento y ecosistemas big data

Generación de mecanismos de integridad de los datos. Comprobación

UF3
de mantenimiento de sistemas de ficheros.

UF4 Monitorización, optimización y solución de problemas

Validación de técnicas big data en la toma de decisiones en

UF5
Inteligencia de negocios BI

5
1.1. Objetivos generales del curso que contribuyen a
alcanzar los aprendizajes de este módulo
Los objetivos generales de este módulo son:

a) Seleccionar datos relevantes de la empresa u organización para

desarrollar e implementar soluciones que faciliten la toma de
decisiones.

b) Aplicar técnicas de tratamiento de datos para gestionar la

transformación digital en las organizaciones.

c) Utilizar soluciones de Big Data para integrar sistemas de explotación

de datos.

d) Analizar y evaluar soluciones Big Data para su implantación en las

funcionalidades, procesos y sistemas de decisiones.

e) Determinar la documentación técnica y normativa vigente de los

procedimientos de protección de datos para ejecutar el sistema de
explotación de datos cumpliendo con los principios legales y éticos.

f) Determinar la solución de Inteligencia Artificial y Big Data para

configurar las herramientas y lenguajes específicos.

g) Aplicar técnicas Big Data para gestionar los datos de la organización

y obtener conocimiento a partir de ellos.

h) Analizar y utilizar los recursos y oportunidades de aprendizaje

relacionados con la evolución científica, tecnológica y organizativa
del sector y las tecnologías de la información y la comunicación,
para mantener el espíritu de actualización y adaptarse a nuevas
situaciones laborales y personales.

6
 i) Desarrollar la creatividad y el espíritu de innovación para responder
a los retos que se presentan en los procesos y en la organización del
trabajo y de la vida personal.

j) Evaluar situaciones de prevención de riesgos laborales y de

protección ambiental, proponiendo y aplicando medidas de
prevención personal y colectiva, de acuerdo con la normativa
aplicable en los procesos de trabajo, para garantizar entornos
seguros.

k) Identificar y proponer las acciones profesionales necesarias, para

dar respuesta a la accesibilidad universal, al «diseño para todas las
personas», así como para evitar posibles sesgos de género en el
desarrollo y aplicaciones de Inteligencia Artificial y Big Data.

l) Identificar y aplicar parámetros de calidad en los trabajos y

actividades realizados en el proceso de aprendizaje, para valorar la
cultura de la evaluación y de la calidad y ser capaces de supervisar y
mejorar procedimientos de gestión de calidad.

1.2. Objetivos específicos del módulo

A continuación, se detallan los objetivos específicos que se abordarán en
este módulo, unidad a unidad.

Unidad Formativa 1. Gestión de soluciones con sistemas de

almacenamiento y herramientas del centro de datos para la resolución
de problemas

Entenderás en qué consiste el procesamiento de Hadoop con MapReduce

y verás herramientas dentro del ecosistemas de Hadoop que ayudan a
realizar dicho procesamiento de una manera más sencilla y cómoda
siempre usando como base MapReduce. Dentro de estas aplicaciones
conocerás algunas como Hive o Impala que permiten realizar consultas

7
analíticas de la información almacenada en HDFS a través del
procesamiento con MapReduce.

En este módulo, también verás los distintos proveedores que se

encuentran en cloud aplicado al big data, con sus características
principales, ventajas, modelos, así como casos de uso de servicios en la
nube.

El proveedor por excelencia hoy en día es Amazon Web Services (AWS).

Por ello, dedicaremos parte de este tema a explorar los servicios que
ofrece y cómo está organizado, de forma que tengamos una idea de las
tecnologías big data estudiadas en sus servicios cloud, o qué servicios nos
ofrece como alternativa para alcanzar los mismos objetivos de gestión
(almacenamiento y procesado) de grandes cantidades de datos.

Unidad Formativa 2. Gestión de sistemas de almacenamiento y

ecosistemas big data

Ya se vio en la unidad formativa anterior el paradigma de programación

distribuida MapReduce y las deficiencias que tenía. En la presente lección,
conoceremos Apache Spark, un nuevo framework de programación
distribuida más intuitivo y rápido que nació para tratar de resolver las
deficiencias de MapReduce.

Los objetivos que persigue este tema son:

8
• Entender por qué Spark es superior a MapReduce atendiendo a su
diseño.

• Identificar los módulos que componen Spark y el propósito de cada

uno.

• Conocer la arquitectura y el funcionamiento interno de Spark.

• Practicar con algunas funciones típicas de procesamiento de datos

con Spark.

• Conocer la API estructurada de Spark y su principal estructura de

datos, el dataframe.

• Identificar las ventajas de usar dataframes en lugar de RDD.

• Conocer Spark SQL, así como sus similitudes y diferencias con la API
estructurada.

• Practicar con algunas funciones típicas de procesamiento de

dataframes, tanto con la API estructurada como con Spark SQL.

• Introducir al alumno en los módulos de alto nivel de Spark.

• Presentar las capacidades de Spark MLlib mediante ejemplos de

uso.

• Mostrar las ideas básicas y un ejemplo sencillo de Spark Structured

Streaming.

9
Unidad Formativa 3. Generación de mecanismos de integridad de los
datos. Comprobación de mantenimiento de sistemas de ficheros

Se empieza en esta unidad entendiendo la importancia que tiene, ya no

solo el hecho de tener muchos datos, si no de que esos datos sean válidos,
es decir, que tengan precisión, integridad, relevancia y coherencia entre
otras características para que los análisis obtenidos a partir de ellos sean
válidos y generen resultados útiles.
Seguidamente, veremos cómo poder mantener la integridad de los
datos para asegurarnos de que la información almacenada en los sistemas
distribuidos se mantiene igual en todos los nodos del clúster.
Y, para finalizar, vamos a ver las propiedades clave del movimiento de
datos, analizando las herramientas de bajo y alto nivel que se pueden usar
para mover los datos con algunas técnicas simples, como usar la línea de
comando a técnicas más avanzadas como DistCp.

Unidad Formativa 4. Monitorización, optimización y solución de

problemas

En esta unidad, vamos a ver la importancia que tiene la monitorización de

nuestros sistemas y nodos a la hora de ejecutar cualquier proceso dentro
de un clúster debido a la cantidad de complicaciones que pueden ocurrir.

En un entorno de producción real, la supervisión puede ser muy compleja

con muchos componentes y configuraciones. Puede haber diferentes
zonas de seguridad, diferentes formas en las que se configuran los
servidores o la misma base de datos puede haber sido utilizada de muchas
formas diferentes con servidores que escuchan varios puertos de servicio.

10
Es por ello que vamos a ver algunas herramientas, sistemas y métricas que
nos ayuden a gestionar de una manera sencilla todo esto y donde veremos
también algunas distribuciones big data como Cloudera o Hortonworks,
las cuales nos facilitan bastante el poder gestionar de manera.

Unidad Formativa 5. Validación de técnicas big data en la toma de

decisiones en inteligencia de negocios BI

En esta unidad, revisaremos las diferentes metodologías que nos

encontramos en el mundo analítico y, más en concreto, en el desarrollo de
inteligencia de negocio (BI) en empresas y organizaciones con el objetivo
de conseguir crear infraestructuras tecnológicas y metodológicas
dedicadas a transformar una gran cantidad de datos en información
significativa. Ello conduce a la creación de modelos ampliamente
utilizados para facilitar la toma de decisiones de negocios.

11
1.3. Aplicaciones utilizadas en este módulo formativo
En este módulo se trabajará con las siguientes aplicaciones:

12
 RESULTADOS DE APRENDIZAJE

RESULTADOS DE APRENDIZAJE
A continuación, se detallan los resultados de aprendizaje que alcanzarán los
alumnos al finalizar este módulo profesional:
1. Gestiona soluciones a problemas propuestos, utilizando sistemas de
almacenamiento y herramientas asociadas al centro de datos.
2. Gestiona sistemas de almacenamiento y el amplio ecosistema alrededor de
ellos facilitando el procesamiento de grandes cantidades de datos sin fallos
y de forma rápida.
3. Genera mecanismos de integridad de los datos, comprobando su
mantenimiento en los sistemas de ficheros distribuidos y valorando la
sobrecarga que conlleva en el tratamiento de los datos.
4. Realiza el seguimiento de la monitorización de un sistema, asegurando la
fiabilidad y estabilidad de los servicios que se proveen.
Valida las técnicas de Big Data para transformar una gran cantidad de datos en
información significativa, facilitando la toma de decisiones de negocios.

ESTRUCTURA DEL MÓDULO Y

TEMPORALIZACIÓN

UNIDADES LECCIONES HORAS

FORMATIVAS

UF 1. Gestión de
soluciones con 1. Almacenamiento de datos masivo.
sistemas de 2. Procesamiento de datos.
almacenamiento y 3. Analítica de Big Data en los ecosistemas 28
herramientas del de almacenamiento.
centro de datos para 4. Big Data y Cloud.
la resolución de
problemas.
UF 2. Gestión de 1. Computación distribuida. Computación
28
sistemas de paralela,

13
 UNIDADES LECCIONES HORAS
FORMATIVAS

almacenamiento y 2. Sistemas de almacenamiento

ecosistemas Big Data. distribuidos. Tolerancia a fallos.
3. Herramientas:
• Map Reduce.
• Pig, Hive, Flume.
• Sqoop, Oozie.
• Automatización de Jobs.
• Consultas Pig y Hive.
• Otras herramientas.

UF 3. Generación de 1. Calidad de los datos.

mecanismos de 2. Comprobación de la integridad de
Integridad de los datos de los sistemas de ficheros
distribuidos. Sumas de verificación. 28
datos. Comprobación
de mantenimiento de 3. Movimiento de datos entre clusters.
sistemas de ficheros. Actualización y migración. Metadatos.
1. Herramientas de monitorización:
UF 4. Monitorización, Interfaz web del Jobtracker y
optimización y Namenode, entre otras.
2. Análisis de los históricos. 28
solución de
problemas. 3. Monitorización del clúster: Ganglia,
entre otros.
1. Modelos de Inteligencia de negocios.
2. Proceso del modelo KDD (Knowledge
Discovery in Databases).
UF 5. Validación de 3. Etapas: Selección, limpieza,
técnicas Big Data en transformación de datos, minería de
la toma de decisiones datos, interpretación y evaluación de 28
en Inteligencia de datos.
negocios BI. 4. Implantación de modelos de
inteligencia de negocios BI.
5. Técnicas de validación BI

14
 ACTIVIDADES DE APRENDIZAJE DEL MÓDULO
A continuación, se expone la temporalización y carácter de las actividades
de aprendizaje del módulo, teniendo en cuenta que seguimos la
evaluación continua y que su realización representa el 60% de nota final
del módulo.

TIPO ACTIVIDAD FECHA

PESO CARÁCTER
ACTIVIDAD ENTREGA

Ejecutando el proceso
UF1. Refuerzo 0% -- Sin entrega
MapReduce

UF1. Refuerzo Hive 0% - Sin entrega

Trabajando con datos

UF1. Refuerzo 0% - Sin entrega
complejos en Hive

UF1. Refuerzo Empezando con Hive 0% - Sin entrega

Actividad
UF1. Desarrollo Hadoop 15% 21/05/2023
obligatoria

15
 TIPO ACTIVIDAD FECHA
PESO CARÁCTER
ACTIVIDAD ENTREGA

Actividad
UF1. Test de evaluación 10% 14/05/2023
obligatoria

UF2. Refuerzo Trabajando con RDDs 0% -- Sin entrega

Trabajando con Spark

UF2. Refuerzo 0% -- Sin entrega
SQL

Las diferentes APIs de Actividad

UF2. Desarrollo 20% 04/06/2023
Spark obligatoria

Actividad
UF2. Test de evaluación 10% 28/05/2023
obligatoria

Frameworks para Big

UF3. Refuerzo 0% -- Sin entrega
Data

Frameworks para Big

UF3. Refuerzo 0% -- Sin entrega
Data (II)

16
 TIPO ACTIVIDAD FECHA
PESO CARÁCTER
ACTIVIDAD ENTREGA

Actividad
UF3. Test de evaluación 10% 04/06/2023
obligatoria

UF4. Refuerzo Monitorización 0% -- Sin entrega

UF4. Refuerzo Máquina virtual HDP 0% -- Sin entrega

Actividad
UF4. Test de evaluación 10% 11/06/2023
obligatoria

UF5. Refuerzo Sistemas expertos 0% -- Sin entrega

Técnicas de validación
UF5. Refuerzo 0% -- Sin entrega
de modelos

17
 TIPO ACTIVIDAD FECHA
PESO CARÁCTER
ACTIVIDAD ENTREGA

Actividad
UF5. Desarrollo Elastic Stack 15% 18/06/2023
obligatoria

Actividad
UF5. Test de evaluación 10% 18/06/2023
obligatoria

* Todas las actividades de refuerzo se recomienda hacerlas de forma

individual.

EVALUACIÓN
Se seguirá el modelo de evaluación continua. Este planteamiento
potencia el trabajo constante y continuado para conseguir el máximo
aprovechamiento y adquirir las competencias orientadas a los resultados
de aprendizaje.

Cada módulo profesional del programa será evaluado en una única

convocatoria de evaluación final, o convocatoria ordinaria al término de
las actividades formativas. Al finalizar el programa, si se ha suspendido
algún módulo existirá la posibilidad de una convocatoria extraordinaria
para los módulos no superados.

18
La calificación de cada módulo será numérica entre uno y diez puntos, sin
decimales, dicha calificación se tomará conforme a los criterios
establecidos en la programación didáctica del programa. Se considerará
superado aquel módulo profesional que obtenga una calificación igual o
superior a cinco puntos.

Para superar el programa se requiere la superación de todos los módulos

que lo componen. El programa superado contará con una calificación final
obtenida como resultado de la media aritmética de todos los módulos
profesionales que incluya.

El alumnado que haya superado alguno o algunos de los módulos

profesionales incluidos en el programa sin superar el mismo podrá repetir
estas enseñanzas sin necesidad de cursar los módulos profesionales
superados, de los cuales trasladará la calificación obtenida.

Los módulos profesionales incluidos en el programa no podrán ser objeto

de convalidación ni exención.

La convocatoria ordinaria seguirá los principios de la evaluación continua.

Para la convocatoria extraordinaria no será necesaria la evaluación
continua, si bien se tendrá en cuenta la actividad del alumno durante el
periodo de impartición de cada módulo.

19
 METODOLOGÍA DIDÁCTICA
Todos los módulos formativos son online. Los estudiantes tendrán a tu
disposición todos los contenidos formativos, actividades, recursos
adicionales, etc. en el Campus del Instituto. El curso tiene una estructura
modular enfocada a la adquisición de competencias técnicas y habilidades
“soft” de manera progresiva, con tres principios: la práctica, la
colaboración y la autonomía.

Se seguirá una metodología online con clases virtuales en tiempo real.

Todos los contenidos curriculares agrupados en Unidades Formativas

tienen un desarrollo multimedia para facilitar el estudio, tanto para poder
estudiar online, como para poder descargar los contenidos y facilitar así su
aprendizaje offline. En este entorno de aprendizaje se facilita también el
aprendizaje colaborativo. Tendrán a su disposición herramientas de
comunicación, entornos reales de programación, máquinas virtuales con
las aplicaciones necesarias para poner en práctica los contenidos
aprendidos.

20
Para desarrollar la metodología se tendrán en cuenta los siguientes
principios psicopedagógicos y didácticos:

• Partir de los conocimientos previos.

• Promover la adquisición de aprendizajes significativos.

• Utilizar una metodología:

o Activa tanto por parte del profesor como de los alumnos.

o Participativa por parte del alumno.

o Motivadora por parte del profesor.

• Favorecer el desarrollo integral del alumno/a.

• Tener presente la inminente incorporación del alumno al mundo del

trabajo.

• Promover la coordinación con el profesorado de otros módulos.

• Que las clases sean activas y participativas para que así el alumno
potencie su creatividad, espíritu crítico y capacidad de trabajo en
grupo, utilizando todos los recursos didácticos disponibles.

Teniendo en cuenta estos principios, la metodología se basará en la

combinación de la exposición teórica de los principales contenidos y en la
resolución de ejercicios y casos prácticos en clase. También será
importante el trabajo autónomo del alumno (individual y en grupo) como
instrumento para afianzar los conocimientos adquiridos.

Tanto en la exposición teórica como en la resolución de ejercicios

prácticos, se buscará la participación activa de los estudiantes a través del

21
planteamiento de preguntas que promuevan el pensamiento crítico, la
reflexión y la creatividad.

Sobre las clases presenciales

Son siempre grupales. Se recomienda asistencia a todas las clases

semanales, aunque serán grabadas y puestas a disposición en el campus
para su visualización posterior.

• Dos clases semanales de 1,5 horas de duración impartidas por los

profesores de cada uno de los módulos. Se trata de clases en
tiempo real, vía aula virtual, donde el estudiante asistirá a la
exposición del profesor y podrá profundizar en conceptos,
participar de forma activa tras las exposiciones planteando dudas o
compartiendo su conocimiento. Son clases expositivas, pautadas,
con objetivos de aprendizaje específicos que aúnan distintos puntos
clave de cada uno de los módulos de aprendizaje.

• Clases de resolución de dudas. Son clases de apoyo que darán

soporte a las clases magistrales con el objetivo de que los
estudiantes puedan afianzar sus conocimientos, plantear sus
inquietudes y enriquecerse en la interacción con los compañeros de
curso. Tanto las clases expositivas como las de resolución de dudas
están marcadas en el calendario. El horario será de 19:30 a 21:00
horas (salvo cambios de última hora que se puedan producir).

• Clases de tutoría. Lideradas por el coordinador/a del programa. Son

periódicas y están orientadas al planteamiento de cuestiones
generales del curso: marcha del proyecto, trabajos grupales, etc.

22
 • Participación en talleres y/o trabajos en grupo. En algunos
módulos se plantearán trabajos colaborativos donde los estudiantes
deben participar: asistencia a talleres o trabajos en equipo
utilizando las herramientas de comunicación y de trabajo
disponibles en el Campus.

Masterclasses

• Ponencias impartidas por expertos y profesionales que aportarán su

experiencia compartiendo su conocimiento con la comunidad
educativa. Son ponencias inspiracionales que orientarán a los
estudiantes en la profesión. Se recomienda la asistencia a estas
masterclass y plantear dudas e inquietudes con los expertos.

Sobre las actividades de aprendizaje

Se plantean distintos tipos de actividades individuales y de grupo, de

refuerzo y de desarrollo, de autoevaluación.

• Actividades individuales de refuerzo o complementarias: serán

optativas (aunque recomendables) con la finalidad de afianzar los
conocimientos de las unidades de aprendizaje. No se consideran
evaluables.

• Actividades de desarrollo: abiertas con distintas posibles

soluciones. Son de desarrollo individual y el estudiante debe poner
en práctica los conocimientos adquiridos a partir del material
didáctico disponible en el Campus. Son evaluables y los profesores
de cada módulo ofrecerán el feedback correspondiente una vez
cumplido el período de entrega. El peso específico de este tipo de

23
 actividades aparece detallado en la guía de estudiante de cada
módulo.

• Test de evaluación: en algunos módulos puede haber test de

evaluación que contabilizarán para la nota de la evaluación
continua. El peso dentro de la evaluación estará reflejado en la guía
del estudiante de cada módulo y podrá contar con distintas
tentativas de realización dependiendo de los criterios que
establezcan los profesores.

• Actividades grupales: por la naturaleza de los contenidos, en

algunos módulos se plantean actividades grupales. Los grupos los
conformarán los profesores. Estas actividades se plantean para
desarrollar habilidades del trabajo en grupo tan necesarias en el
entorno laboral. En estas actividades se plantearán distintos roles
para que los estudiantes puedan desempeñar distintas funciones
dentro del grupo. Cada profesor evaluará tanto de forma individual
como grupal, el desempeño en estas actividades. Su peso específico
en la evaluación estará indicado en la guía del estudiante de cada
módulo siguiendo los criterios que marque cada profesor.

• Casos prácticos (Retos): Se ubican dentro de cada módulo, pueden

ser de carácter individual o grupal y suponen un aprendizaje
significativo, ya que aúnan todo el contenido de cada módulo.
Pueden tener un peso importante en la nota final de cada módulo,
especificado en la guía del estudiante correspondiente. La mayoría
de los retos planteados no tienen una única solución, y al igual que
las actividades individuales de desarrollo serán corregidas por los
profesores quienes aportarán feedback y acompañarán a los
estudiantes en la resolución de los mismos, tanto en las clases
virtuales como a través de los distintos espacios de comunicación

24
 disponibles en el campus. Se recomienda el uso del foro para
plantear dudas y enriquecer el conocimiento compartido con el
intercambio de ideas con el resto de los estudiantes.

• Test de autoevaluación: Al finalizar cada Unidad Formativa se abrirá

en el campus una prueba de autoevaluación. Permitirá intentos
ilimitados y no tendrá influencia en la nota final tanto del módulo
como del curso.

• Examen: El examen al finalizar cada módulo tendrá dos

componentes, una parte teórica compuesta por un test de
evaluación que se realizará directamente en el Campus el día
marcado en el calendario del programa; una parte práctica
compuesta por preguntas de desarrollo. Cada profesor en cada
módulo marcará los criterios de evaluación de esta parte práctica.

RECOMENDACIONES DE ESTUDIO
El curso tiene una estructura modular con una secuencia temporal
continua en la que se suceden los módulos.

Las 600 horas del programa de la edición on line se distribuyen a lo largo

de 27 semanas lectivas en las que se recomienda que el estudiante
dedique tiempo al estudio autónomo, al trabajo en grupo, a la realización
de actividades o solución de retos y muy importante, a la asistencia a las
clases virtuales en tiempo real programadas. Se ha estimado un tiempo de
dedicación de 20 horas semanales para la correcta asimilación de los
contenidos; lo cual requerirá esfuerzo y compromiso para conseguir los
objetivos de aprendizaje establecidos.

25
Se recomiendan 20 horas de dedicación entre estudio autónomo, trabajo
en grupo, realización de actividades y asistencia a las clases o masterclass.
Toda la actividad se desarrollará en el Campus Virtual del Instituto.

26
 BIBLIOGRAFÍA

Agencia Española de Protección de Datos. www.aepd.es

Andy. (17 de agosto de 2018). What are expert systems? moral-

robots.com. Recuperado de: https://moral-robots.com/ai-society/what-
are-expert-systems/

Almuzara, C. (coord.). (2007). Estudio práctico sobre la protección de

datos de carácter personal. Valladolid: Editorial Lex Nova.

Artificial Intelligence for Robotics. De Francis X. Govers. Ed. Packt. 2018.

Artificial Vision and Language Processing for Robotics. Álvaro Morena

Alberola, Gonzalo Molina Gallego, Unai Garay Maestre. Ed. Packt. 2019.

Aplicaciones prácticas del procesamiento del lenguaje natural: Búsqueda

de Respuestas. https://youtu.be/49_KA89mPHg

Bornet, Pascal; Barkin, Ian; Wirtz, Jochen. INTELLIGENT AUTOMATION:

Learn how to harness Artificial Intelligence to boost business & make
our world more human. Pascal Bornet, Ian Barkin and Jochen Wirtz.
Edición de Kindle.

Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford:

Oxford University Press.

Collobert, R., Weston, J., Bottou, L., Karlen, M., Kavukcuoglu, K. y Kuksa, P.
(2011). Natural language processing (almost) from scratch. The Journal
of Machine Learning Research, 12, 2493–2537.

Congreso Internacional de la Sociedad Española para el Procesamiento del

Lenguaje Natural. http://www.sepln2018.com/

Comisión Europea. ec.europa.eu/justice/data-protection/index_en.htm

27
Dan Bergh Johnsson; Daniel Deogun; Daniel Sawano (2019): Editorial
Manning.

Derecho TIC. www.derechotics.com/

Diseño de sistemas expertos (vídeo de UnirTv).

https://tv.unir.net/videos/23358/47/3844/4153/0/Diseno-de-sistemas-
expertos

Domingos, P. (2014). The master algorithm. How the quest for the
ultimate learning machine will remake our world. United Kingdom:
Penguin.

Fillmore, C. J. (1968). The case for case. En E. W. Bach y R. T. Harms, (Eds.),

Universals in Linguistic Theory (pp. 1-88). Nueva York, Estados Unidos:
Holt, Rinehart & Winston.

Jantzen, J. (1999). Design Of Fuzzy Controllers. Tech. report no 98-E 864

(design). Technical University of Denmark, Department of Automation.

Jurafsky, D. y Martin, J. H. (2009). Speech and Language Processing: An

Introduction to Natural Language Processing, Speech Recognition and
Computational Linguistics. New Jersey, Estados Unidos: Prentice-Hall.

La Era de las máquinas inteligentes. Comunidad IAAR. Disponible en:

https://iaarbook.github.io/

Negnevitsky, M. (2011). Artificial Intelligence. A Guide to Intelligent

Systems. UK: Addison-Wesley.

Manning, C. y Schütze, H. (1999). Foundations of Statistical Natural

Language Processing. Cambridge, Estados Unidos: MIT Press.

Moret et al. (2004). Fundamentos de Inteligencia Artificial. Servicio de

Publicaciones UDC, 2004.

28
Murphy, K. P. & others. (2006). Naive bayes classifiers. University of British
Columbia, 18, 60.

Parlamento Europeo. www.europarl.europa.eu/sides/getDoc.do?pubRef=-

//EP//TEXT+TA+P7-TA-2014-0212+0+DOC+XML+V0//ES

Penrose, R. y García Sanz, J. J. (2002). La mente nueva del emperador.

México: Fondo de Cultura Económica (FCE).

Proyectos De Python Robotics. Del Prof. Diwakar Vaish. Ed. Packt. 2019.

¿Quién eres? Soy una IA, un robot pensante. Podcast

https://omny.fm/shows/cuidado-con-las-macros-ocultas/quien-eres-
soy-una-ia-un-robot-pensante

Roman V. Yampolskiy. Turing Test as a Defining Feature of AI-

Completeness in Artificial Intelligence, Evolutionary Computation and
Metaheuristics (AIECM).

Russell, S. y Norving, P. (2004). Inteligencia Artificial: un enfoque

moderno. Madrid: Pearson Educación.

The Economist. (26 de agosto de 2017). Artificial Intelligence will create

new ways of work. Economist.com. Recuperado de:
https://www.economist.com/news/business/21727093-humans-will-
supply-digital-services-complement-ai-artificial-intelligence-will-create-
new

Sociedad Española para el Procesamiento del Lenguaje Natural.

http://www.sepln.org/

ROS ROBOTICS PROJECTS. RAMKUMAR GANDHINATHAN , LENTIN JOSEPH. Ed. Packt.

2019.

Russell, S. y Norvig, P. (2004). Inteligencia artificial: un enfoque moderno.

México: Pearson Educación.

29
Silver, D. et al. (2016). Mastering the game of Go with deep neural
networks and tree search. Nature, 529(7587), 484-489. doi:
10.1038/nature16961. Recuperado de:
https://storage.googleapis.com/deepmind-
media/alphago/AlphaGoNaturePaper.pdf

Texto del Reglamento General de Protección de Datos.

https://www.aepd.es/es/documento/reglamento-ue-2016-679-
consolidado.pdf

30
 CALENDARIO
Septiembre 2022 Octubre 2022 Noviembre 2022 Diciembre 2022
Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do 4 Lu Ma Mi Ju Vi Sá Do

1 2 3 4 1 2 1 2 3 4 5 6 1 2 3 4

5 6 7 8 9 10 11 3 4 5 6 7 8 9 7 8 9 10 11 12 13 5 6 7 8 9 10 11

12 13 14 15 16 17 18 10 11 12 13 14 15 16 14 15 16 17 18 19 20 12 13 14 15 16 17 18

19 20 21 22 23 24 25 17 18 19 20 21 22 23 21 22 23 24 25 26 27 19 20 21 22 23 24 25

26 27 28 29 30 24 25 26 27 28 29 30 28 29 30 26 27 28 29 30 31

31

8 APERTURA CURSO OFICIAL FP 7 APERTURA MÓDULO 1 5 DÍAS NO LECTIVOS

8 MÓDULO 1. TUTORÍA INICIAL

01 WEBINARS 28 EXAMEN MÓDULO 1

29 TUTORÍA INICIAL MÓDULO 2

Enero 2023 Febrero 2023 Marzo 2023 Abril 2023

Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do
3 4 5
1 1 2 3 4 5 1 2 3 4 5 1 2

2 3 4 5 6 7 8 6 7 8 9 10 11 12 6 7 8 9 10 11 12 3 4 5 6 7 8 9

9 10 11 12 13 14 15 13 14 15 16 17 18 19 13 14 15 16 17 18 19 10 11 12 13 14 15 16

16 17 18 19 20 21 22 20 21 22 23 24 25 26 20 21 22 23 24 25 26 17 18 19 20 21 22 23

23 24 25 26 27 28 29 27 28 27 28 29 30 31 24 25 26 27 28 29 30

30 31

19 EXAMEN MÓDULO 2 23 EXAMEN MÓDULO 3

20 APERTURA MÓDULO 3 24 APERTURA MÓDULO 4

24 TUTORÍA INICIAL MÓDULO 3 28 TUTORÍA INICIAL MÓDULO 4

Mayo 2023 Junio 2023 Julio 2023

Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do Lu Ma Mi Ju Vi Sá Do

1 2 3 4 5 6 7 1 2 3 4 1 2
5 3
8 9 10 11 12 13 14 5 6 7 8 9 10 11 3 4 5 6 7 8 9

15 16 17 18 19 20 21 12 13 14 15 16 17 18 10 11 12 13 14 15 16

22 23 24 25 26 27 28 19 20 21 22 23 24 25 17 18 19 20 21 22 23

29 30 31 26 27 28 29 30 24 25 26 27 28 29 30

8 EXAMEN MÓDULO 4 21 EXAMEN MÓDULO 5

APERTURA Y SESIÓN INICIAL MODULO

9 27-28 EXÁMENES RECUPERACIÓN
5

30 CIERRE DE ACTAS

EL PROFESOR DEL MÓDULO BIG DATA APLICADO IMPARTIRÁ CLASES

LOS MARTES Y JUEVES DE 19:30 A 21:00.
31
32
33