Data Science

• Se pasa un 80–90 % del tiempo importando datos, organizándolos y optimizando su tratamiento
• Estudiaremos las abstracciones del modelado de datos y las herramientas disponibles: las bases de datos
  • ¿Cómo se organizan y modelan los datos?
  • ¿Cómo se consultan de forma eficiente?
  • ¿Cómo se tratan los datos heterogéneos?
  • ¿Cómo se gestionan cantidades de datos que no caben en una máquina (big data)?
  • Modelado relacional, índices, desnormalización, duplicación y agregación
• Estudiaremos modelado de datos SQL, NoSQL y NewSQL

Cuarto paradigma

• Hoy: exploración basada en datos
  • Unifica teoría, experimentación y simulación
  • Los datos se capturan por instrumentos o se generan por simulaciones
  • Son procesados por software; la información y el conocimiento extraído se almacenan en ordenadores
  • Los científicos analizan ficheros y bases de datos con nuevas herramientas estadísticas y de datos, capaces de gestionar cada vez más volumen
  • En vez de «preguntar al mundo», se combinan conjuntos de datos «descargados» de formas antes no previstas
• Jim Gray, The Fourth Paradigm, Microsoft Research, 2009

Estructura de todos los boletines de prácticas

• Ejercicios numerados con una celda vacía a continuación para escribir la
  solución y una comprobación automática (assert) justo después de cada uno, para saber al momento si vas bien
• Guía de estudio para el examen: cada boletín termina con una lista de cuestiones importantes que debes saber hacer sin la IA delante
• Sirven como guía de práctica (aprendes haciendo), guía de estudio (repasas antes del examen) e instrumento de autoevaluación (los assert te dicen si lo has entendido)
• Los boletines marcados con * en el cronograma son evaluables: se califican y cuentan hacia la nota final

Sistema de evaluación de los boletines evaluables

• Identificador personal: al principio de cada boletín evaluable, declares tu DNI
• Parámetros personalizados: los umbrales, años y actividad mínima de cada ejercicio salen de tu identificador; cada alumno resuelve una variante distinta
• Entrega única: una celda final con una única consulta pequeña y determinista que, al ejecutarse, envía un «indicio» de ejecución a un servidor de evidencias
• Acuse de recibo: el servidor devuelve un ID que identifica de forma única tu entrega; puedes comprobarlo en cualquier momento

Dentro de ese 30 % de prácticas

• 15 % la entrega de los boletines evaluables, con el envío automático que acabamos de ver
• 15 % la parte práctica de la prueba final: modelar, escribir una consulta, interpretar un plan o reparar una solución
• La prueba final es teórico-práctica, y el reparto global de la guía no cambia
• No hay nota mínima por parte: se aprueba con 5 sobre 10 en la suma ponderada
• No presentar las prácticas o la prueba final supone «No presentado»

El boletín no es la prueba de que has aprendido: es la preparación para demostrarlo

Prácticas interactivas: cómo usarlas

• Los datos son los de Stack Overflow en español; en Cassandra, un conjunto sintético pequeño
• Cada ejercicio permite comprobar tu resultado contra el de referencia
• El motor del navegador no es exactamente el de los boletines (MySQL 8, MongoDB, Cassandra, Neo4j): en Cassandra es un simulador de un subconjunto de CQL, y lo que depende del producto, como EXPLAIN ANALYZE o APOC, sigue necesitando el boletín en Colab/Jupyter
• Sirven para practicar en cada base de datos