SILABO DEL CURSO

BASE DE DATOS AVANZADAS Y BIG DATA

I. INFORMACIÓN GENERAL

Ingeniería de Sistemas
Facultad Ingeniería Carrera profesional Ciclo 6° Créditos 4
Computacionales
HT HP HL PC
Código de curso ISOF1304 Requisitos Base de datos Horas
2 0 4 0
Periodo
Tipo de curso Obligatorio Modalidad del curso Presencial 2024-1
lectivo
El curso aporta a la(s) ● Pensamiento Creativo y Crítico
competencia(s) • Mentalidad sistémico digital
general(es):
El curso aporta a la(s) ● Ética
competencia(s) ● Indagación
específica(s): • Uso de Herramientas
El curso desarrolla el
componente: • Experiencia Preprofesional

II. SUMILLA

El curso es de naturaleza teórico - práctico y tiene como propósito que el estudiante ponga en práctica sus habilidades para implementar el intercambio
de datos y la automatización de procesos a través de objetos, implementar políticas de administración de BD que permitan asegurar adecuadamente
el activo más importante de las organizaciones. Además, diseña soluciones de inteligencia de negocios que permiten a las organizaciones tomar
decisiones en base a datos e implementa aplicaciones de big data haciendo uso de tecnologías y herramientas para la recopilación de información en
grandes volúmenes.

Los temas principales son: automatización de procesos de base de datos, business intelligence, y big data.

III. LOGRO DEL CURSO

Al finalizar el curso, el estudiante implementa un proyecto donde integra la implementación de base datos seguras, toma de decisiones adecuadas a
través de la inteligencia de negocios y big data para el correcto tratamiento de grandes volúmenes de datos, haciendo uso correcto de metodologías y
herramientas existentes, asegurando la integridad de los datos en todos los contextos.

IV. METODOLOGÍA DE ENSEÑANZA APRENDIZAJE

Para alcanzar el logro de aprendizaje del curso y de las unidades, el docente integra métodos activos, estrategias y técnicas de manera reflexiva y
crítica, buscando motivar, estimular y guiar el aprendizaje del estudiante.
Las estrategias y técnicas didácticas que se utilizan son: aprendizaje basado en resolución de casos en forma de ejercicios propuestos de manera
individual y en equipo, para los cuales los estudiantes identifican problemas, formulan, buscan información, analizan el contexto, abstraen
requerimientos, modelan, diseñan e implementan base de datos transaccionales, dimensionales y soluciones de big data. Además, se desarrollan
exposiciones individuales y grupales, donde muestran progresivamente avances del proyecto de aplicación grupal de fin de curso, orientado a brindar
solución a un problema.
El docente soporta su práctica pedagógica en un sistema de multiplataformas y recursos multimedia que le permiten el desarrollo de actividades
sincrónicas y asincrónicas, así como la gestión de contenidos, videoconferencias y el uso de diversas herramientas tecnológicas para generar
experiencias formativas y brindar orientaciones que promuevan el aprendizaje y el desarrollo de competencias generales y específicas en los
estudiantes.

1
HT=Horas de desarrollo teórico
HP= Horas de desarrollo práctico
HL= Horas de desarrollo práctico en laboratorio
PC= Horas de práctica de campo
V. ORGANIZACIÓN DE UNIDADES DE APRENDIZAJE
UN NOMBRE / LOGRO DE UNIDAD SEM SABERES ESENCIALES
Presentación del sílabo del curso. Difusión del protocolo de seguridad del
laboratorio.
Código de ética del ingeniero y su relación con el ejercicio profesional.
1 Introducción a Transact-SQL (T-SQL)
Automatización de procesos de base de
datos Estructuras de Bloques
Al finalizar la unidad, el estudiante Estructuras de Control: IF, CASE, LOOP, FOR, WHILE.
implementa el intercambio de datos y la Control de Excepciones.
I 2
automatización de procesos utilizando
Procedimientos Almacenados con Flujos Condicionales y Vistas.
objetos de base de datos, bajo conceptos
éticos relacionados con el ejercicio de la Funciones Almacenadas.
3
profesión. Cursores.
Triggers.
4 Combinación de Funciones y Procedimientos Almacenados
Transacciones: commit y rolback
Nuevos paradigmas en el manejo de datos. Bases de datos NoSQL.
Business intelligence 5 Operaciones CRUD en NoSQL.
Al finalizar la unidad, el estudiante diseña Business intelligence, Fases de un proyecto BI.
soluciones de inteligencia de negocios en Evaluación T1
base a la identificación de necesidades 6 Diseño de un datawarehouse. Modelo lógico y físico.
II
investigadas para la de explotación y Metodologías de Ralph Kimball y Bill Inmon. Enfoques top-down y bottom-up.
haciendo uso adecuado de metodologías, 7
Diseño de procesos ETL.
herramientas y estándares.
8 Análisis OLAP. Reportes y dashboards.
Arquitectura de datos.
9 Integración de datos. Big data y analítica. Componentes. Arquitectura
Metadatos.
Seguridad y privacidad
Big data 10 Evaluación T2
Al finalizar la unidad, el estudiante
implementa y documenta un proyecto 11 Gestión de Datos con Spark
integral de gestión de datos haciendo uso de
III Big Data, metodologías aprendidas y en base 12 Spark en Cluster y Operaciones sobre RDDS (Resilient Distributed DataSets)
a consideraciones de indagación, SparkSQL. Dataframes: almacenamiento y operaciones.
pensamiento creativo y crítico, mentalidad 13
Práctica de manejo de estadística avanzada con Spark.
sistémico digital y ética.
14 Evaluación T3

15 Data Analysis y Data Visualization con Spark.

16 Evaluación Final

(-) No aplica evaluación sustitutoria.

VI. SISTEMA DE EVALUACIÓN

DESCRIPCIÓN DE LA EVALUACIÓN (Acción + Producto de la evidencia que debe presentar el
EVALUACIÓN PESOS SEM
estudiante)
T1 (a) 10% 6 Desarrollo de casos

T2 (a) 20% 10 Presentación y exposición de proyecto

2
HT=Horas de desarrollo teórico
HP= Horas de desarrollo práctico
HL= Horas de desarrollo práctico en laboratorio
PC= Horas de práctica de campo
 DESCRIPCIÓN DE LA EVALUACIÓN (Acción + Producto de la evidencia que debe presentar el
EVALUACIÓN PESOS SEM
estudiante)
T3 (a) 30% 14 Desarrollo de casos

Evaluación Final (a) 40% 16 Presentación y exposición de proyecto

(a) Los calificativos deben ser publicados en el sistema de acuerdo con el Calendario Académico establecido para el presente Semestre.

VII. BIBLIOGRAFÍA BÁSICA

N° AUTOR TÍTULO AÑO ENLACE URL
Apache Spark for Data Science https://ebookcentral.bibliotecaupn.elogim.com/lib/upnpe/detail.action?do
Chitturi, Padma Cookbook: Over Insightful 90 cID=4773721
1 2016
Priya Recipes to Get Lightning-Fast
Analytics with Apache Spark

a) BIBLIOGRAFÌA COMPLEMENTARIA
N° AUTOR TÍTULO AÑO ENLACE URL
Introducción al business https://ebookcentral.bibliotecaupn.elogim.com/lib/upnpe/detail.action?do
1 Curto, Díaz, Josep 2016
Intelligence cID=4824060
Martínez Silverio,
D. A. & Tejada Manual de bases de datos 2019 https://elibro.bibliotecaupn.elogim.com/es/lc/upnorte/titulos/175897
Betancourt, L.

VIII. INFORMACIÓN COMPLEMENTARIA

REFERENCIA ENLACE URL

Biblioteca Virtual UPN https://biblioteca.upn.edu.pe/

Sistema de inteligencia de negocios en la https://repositorio.upn.edu.pe/handle/11537/29607

administración de cultivos para la producción
agrícola
Principios básicos de Big Data https://conectaempleo-formacion.fundaciontelefonica.com/web/pe-principios-basicos-de-big-data-
ft-ed-6
Data Science Ethics https://www.coursera.org/learn/data-science-ethics

3
HT=Horas de desarrollo teórico
HP= Horas de desarrollo práctico
HL= Horas de desarrollo práctico en laboratorio
PC= Horas de práctica de campo