Programació
Informació general
| Mòdul | 5075 — Big Data Aplicat | Cicle | Curs d'especialització Intel·ligència Artificial i Big Data (CEIABD) |
|---|---|---|---|
| Hores totals | 99 hores al centre | Distribució | 3 hores/setmana · 33 setmanes |
| Centre | Institut Sa Palomera, Blanes | Professor | Francesc Barragán |
| Curs | 2026-2027 | ECTS | 8 |
Normativa
Titulació: Cursos d'especialització d'FP
- Reial decret 279/2021, de 20 d'abril (BOE), pel qual s'estableix el curs d'especialització d'Intel·ligència Artificial i Big Data.
- Reial decret 497/2024, de 21 de maig (BOE), pel qual es modifiquen determinats reials decrets pels quals s'estableixen, en l'àmbit de la Formació Professional, cursos d'especialització de grau mitjà i superior i es fixen els seus ensenyaments mínims.
- Resolució EDF/209/2025, de 27 de gener (DOGC), per la qual s'estableix el currículum del curs d'especialització d'Intel·ligència Artificial i Big Data — mòdul 5075. Big Data Aplicat, 99 hores lectives, 8 crèdits ECTS.
- Orientacions del Departament d'Educació i Formació Professional
Resultats d'Aprenentatge i Criteris d'Avaluació
Text literal de la Resolució EDF/209/2025, mòdul 5075. Big Data Aplicat.
RA1
1. Gestiona solucions a problemes proposats, utilitzant sistemes d'emmagatzematge i eines associades al centre de dades.
Criteris d'avaluació:
1.1 Caracteritza el procés de disseny i construcció de solucions a sistemes d'emmagatzematge de dades. 1.2 Determina els procediments i mecanismes per a la ingestió de dades. 1.3 Determina el format de dades adequat per a l'emmagatzematge. 1.4 Processa les dades emmagatzemades. 1.5 Presenta els resultats i les solucions al client final en una manera fàcil d'interpretar.
RA2
2. Gestiona sistemes d'emmagatzematge i l'ampli ecosistema al seu voltant facilitant el processament de grans quantitats de dades sense errors i de forma ràpida.
Criteris d'avaluació:
2.1 Determina la importància dels sistemes d'emmagatzematge per dipositar i processar grans quantitats de qualsevol tipus de dades ràpidament. 2.2 Comprova el poder de processament del seu model de computació distribuïda. 2.3 Prova la tolerància a fallades dels sistemes. 2.4 Determina que es poden emmagatzemar tantes dades com es vulgui i decideix com fer-les servir més tard. 2.5 Visualitza que el sistema pot créixer fàcilment afegint mòduls.
RA3
3. Genera mecanismes d'integritat de les dades, comprovant-ne el manteniment en els sistemes de fitxers distribuïts i valorant la sobrecàrrega que comporta el tractament de les dades.
Criteris d'avaluació:
3.1 Valora la importància de la qualitat de les dades en els sistemes de fitxers distribuïts. 3.2 Valora que a més volum de tractament de dades correspon un perill més gran relacionat amb la integritat de les dades. 3.3 Reconeix que els sistemes de fitxers distribuïts implementen una suma de verificació per a la comprovació dels continguts dels fitxers. 3.4 Reconeix el paper del servidor en els processos previs a la suma de verificació.
RA4
4. Realitza el seguiment de la monitorització d'un sistema, assegurant la fiabilitat i l'estabilitat dels serveis que es proveeixen.
Criteris d'avaluació:
4.1 Aplica eines de monitorització eficient dels recursos. 4.2 Recull mètriques, processament i visualització de les dades. 4.3 Genera alertes per detectar un risc o un mal funcionament. 4.4 Comprova que les eines utilitzades ofereixen un rendiment elevat amb rapidesa. 4.5 Comprova la fiabilitat de les dades segons les respostes. 4.6 Analitza l'estabilitat de serveis.
RA5
5. Valida les tècniques de Big Data per transformar una gran quantitat de dades en informació significativa, facilitant la presa de decisions de negocis.
Criteris d'avaluació:
5.1 Selecciona gran quantitat de dades estructurades i no estructurades per reforçar la funció de BI. 5.2 Realitzat la neteja i la transformació de dades en base als objectius predeterminats. 5.3 Comprova que el Big Data multiplica la rellevància i la utilitat del BI per al negoci. 5.4 Conjuga dins d'un model d'empresa dades de clients, financers de vendes, de productes, de màrqueting, de xarxes socials, de la competència, entre altres, per extreure una anàlisi valuosa i efectiva per al negoci. 5.5 Avalua i interpreta la informació extreta de les dades i la seva influència en l'èxit de diferents negocis. 5.6 Simula la implantació d'un model d'Intel·ligència de Negocis BI.
Continguts (orientatius)
Text literal de la Resolució EDF/209/2025, mòdul 5075. Big Data Aplicat.
- Gestió de solucions amb sistemes d'emmagatzematge i eines del centre de dades per a la resolució de problemes: 1.2 Emmagatzematge de dades massiu. 1.3 Processament de dades. 1.4 Analítica de Big Data als ecosistemes d'emmagatzematge. 1.5 Big Data i Cloud.
- Gestió de sistemes d'emmagatzematge i ecosistemes Big data: 2.1 Computació distribuïda. Computació paral·lela. 2.2 Sistemes d'emmagatzematge distribuïts. Tolerància a fallades. 2.3 Eines: Map Reduce; Pig, Hive, Flume; Sqoop, Oozie; Automatització de Jobs; Consultes Pig i Hive; Altres eines.
- Generació de mecanismes d'Integritat de les dades. Comprovació de manteniment de sistemes de fitxers: 3.1 Qualitat de les dades. 3.2 Comprovació de la integritat de dades dels sistemes de fitxers distribuïts. Sumes de verificació. 3.3 Moviment de dades entre clústers. Actualització i migració. Metadades.
- Monitorització, optimització i solució de problemes: 4.1 Eines de monitorització: Interfície web del Jobtracker i Namenode, entre d'altres. 4.2 Anàlisi dels històrics. 4.3 Monitorització del clúster: Ganglia, entre d'altres.
- Validació de tècniques Big Data en la presa de decisions a Intel·ligència de negocis BI: 5.1 Models d'Intel·ligència de Negocis. 5.2 Procés del model KDD (Knowledge Discovery in Databases). 5.3 Etapes: selecció, neteja, transformació de dades, mineria de dades, interpretació i avaluació de dades. 5.4 Implantació de models d'Intel·ligència de Negocis BI. 5.5 Tècniques de validació de models BI.
Resultats d'Aprenentatge — hores i pes
| RA | Nom | Hores | Pes |
|---|---|---|---|
| RA1 | Gestiona solucions a problemes proposats, utilitzant sistemes d'emmagatzematge i eines associades al centre de dades. | 18h | 18% |
| RA2 | Gestiona sistemes d'emmagatzematge i l'ampli ecosistema al seu voltant facilitant el processament de grans quantitats de dades sense errors i de forma ràpida. | 45h | 46% |
| RA3 | Genera mecanismes d'integritat de les dades, comprovant-ne el manteniment en els sistemes de fitxers distribuïts i valorant la sobrecàrrega que comporta el tractament de les dades. | 9h | 9% |
| RA4 | Realitza el seguiment de la monitorització d'un sistema, assegurant la fiabilitat i l'estabilitat dels serveis que es proveeixen. | 15h | 15% |
| RA5 | Valida les tècniques de Big Data per transformar una gran quantitat de dades en informació significativa, facilitant la presa de decisions de negocis. | 12h | 12% |
| TOTAL | 99h | 100% |
Blocs Formatius
A partir dels RA, hem definit blocs formatius alineats 1 a 1 amb cada RA. El mòdul té una càrrega lectiva de 99h al centre, repartides en 3 sessions setmanals al llarg de 33 setmanes.
| Blocs Formatius | RA1 | RA2 | RA3 | RA4 | RA5 |
|---|---|---|---|---|---|
| 1. Arquitectura i emmagatzematge distribuït | |||||
| 1.1 Well-Architected Framework | 6 | ||||
| 1.2 Arquitectures Lambda, Kappa i Delta | 6 | ||||
| 1.3 Emmagatzematge i formats | 6 | ||||
| 2. Ecosistema i processament distribuït | |||||
| 2.1 Hadoop, HDFS i YARN | 9 | ||||
| 2.2 L'ecosistema Hadoop (Hive, HBase, Sqoop, Oozie, ZooKeeper) | 6 | ||||
| 2.3 Apache Spark | 15 | ||||
| 2.4 Apache NiFi | 6 | ||||
| 2.5 Apache Kafka | 6 | ||||
| 2.6 Big Data al núvol | 3 | ||||
| 3. Integritat en sistemes de fitxers distribuïts | |||||
| 3.1 Checksums, fsck i migració de dades | 9 | ||||
| 4. Monitorització de sistemes | |||||
| 4.1 Monitorització de sistemes Big Data | 15 | ||||
| 5. Big Data aplicat a la presa de decisions | |||||
| 5.1 BI aplicat: KDD i quadres de comandament | 12 | ||||
| Total — 99h | 18h | 45h | 9h | 15h | 12h |
| Percentatge | 18% | 46% | 9% | 15% | 12% |
Planificació temporal
---
config:
theme: base
themeVariables:
background: "#FFFFFF"
primaryTextColor: "#1F2937"
secondaryTextColor: "#fafafa"
lineColor: "#64748B"
nodeBorder: "#CBD5E1"
cScale0: "#2563EB"
cScale1: "#16A34A"
cScale2: "#7C3AED"
---
timeline
title Big Data Aplicat — 5075
section 1r Avaluació
Arquitectura i emmagatzematge distribuït
: Well-Architected Framework
: Arquitectures Lambda, Kappa i Delta
: Emmagatzematge i formats
Ecosistema i processament distribuït (part 1)
: Hadoop, HDFS i YARN
: Ecosistema Hadoop
section 2a Avaluació
Ecosistema i processament distribuït (part 2)
: Apache Spark
: Apache NiFi
: Apache Kafka
: Big Data al núvol
Integritat en sistemes de fitxers distribuïts
: Checksums, fsck i migració de dades
section 3a Avaluació
Monitorització de sistemes
: Monitorització de sistemes Big Data
Big Data aplicat a la presa de decisions
: BI aplicat, KDD i quadres de comandamentAvaluació
Per a l'avaluació del mòdul de Big Data Aplicat es ponderaran els resultats d'aprenentatge respecte als percentatges indicats a l'apartat anterior.
Per a l'avaluació de cada RA, s'utilitzaran diferents Instruments d'Avaluació (IA):
- Activitats d'ensenyament/aprenentatge (AC), normalment realitzades a l'aula, qualificades sobre una escala de 3 punts.
- Activitats de reforç (AR), per consolidar criteris d'avaluació no assolits, també sobre 3 punts.
- Pràctiques (PR), amb una càrrega temporal d'una a dues setmanes, qualificades sobre 10 punts amb rúbriques detallades.
- Prova escrita (PE), qualificada sobre 10 punts.
Per calcular la qualificació de cada RA, es realitzarà la mitjana ponderada simple dels instruments d'avaluació emprats. Per comprovar la cobertura de tots els criteris d'avaluació, consulteu la pàgina de Validació als annexos.