SÍLABO DEL CURSO

BASE DE DATOS AVANZADAS Y BIG DATA

I. INFORMACIÓN GENERAL:
Carrera Ingeniería de Sistemas
Facultad Ingeniería Ciclo 6° Créditos 4
profesional Computacionales
HT HP HL PC (**)
Código de curso ISOF1304 Requisitos Base de datos Horas 2 0 4 0
Modalidad Periodo lectivo
Tipo de curso Obligatorio Presencial 2023-2
del curso
El curso aporta a las competencias Pensamiento Creativo y Crítico: Explora e indaga con apertura creencias situaciones y/o problemas para luego gestionar
generales: la información, organizándola de modo tal que pueda evaluarla y elaborar argumentos creativos y críticos que sustenten su
propia postura, juicio de valor o propuesta de solución pudiendo hacer uso de diferentes medios físicos y/o digitales.
Mentalidad sistémico digital: Interconecta ideas, contenidos, y experiencias tanto de los entornos físicos como de los
entornos virtuales con el objetivo de afrontar problemas complejos con una visión sistémica.
El curso aporta a las competencias Ética: Aplica los principios éticos, la ética profesional y las normas de la práctica de la ingeniería, se adhiere al marco
específicas: legal pertinente y respeta la diversidad de los grupos humanos
Indagación: Conduce indagaciones de problemas complejos de ingeniería usando métodos de investigación incluyendo
conocimiento basado en investigación, diseño y conducción de experimentos, análisis e interpretación de datos y síntesis
de información para producir conclusiones válidas.
Uso de Herramientas: Crea, selecciona, aplica, y reconoce las limitaciones de las técnicas, recursos y herramientas
modernas apropiadas de ingeniería y tecnologías de la información, incluyendo la predicción y el modelado, en problemas
complejos de ingeniería
El curso desarrolla el componente: • Experiencia Preprofesional

II. SUMILLA:

El curso es de naturaleza teórica - práctica. 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: Objetos de base de datos, estructuras de control T-SQL, funciones y procedimientos almacenados, triggers, business
intelligence, datawarehouse, arquitectura de datos, Big Data, ética en la ingeniería.

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.
Se desarrolla el 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 multiplataforma y recursos multimedia que le permite el desarrollo de actividades sincrónicas y
asincrónicas, así como la gestión de contenidos, videoconferencias y el uso de herramientas que permitan mejorar la experiencia formativa que promuevan
el aprendizaje y el desarrollo de competencias generales y específicas en los estudiantes.

V. ORGANIZACIÓN DE UNIDADES DE APRENDIZAJE:

ACTIVIDADES
UNID NOMBRE / LOGRO DE UNIDAD SEM SABERES ESENCIALES PC (**)
AUTOMATIZACIÓN DE PROCESOS DE BASE Presentación del sílabo del curso. Difusión del protocolo de
DE DATOS seguridad del laboratorio.
I Al finalizar la unidad, el estudiante será capaz de 1 Código de ética del ingeniero y su relación con el ejercicio No aplica
implementar el intercambio de datos y la profesional.
automatización de procesos utilizando objetos de Introducción a Transact-SQL (T-SQL)
HT=Horas de desarrollo teórico
HP= Horas de desarrollo práctico
HL= Horas de desarrollo práctico en laboratorio
PC= Horas de práctica de campo
 ACTIVIDADES
UNID NOMBRE / LOGRO DE UNIDAD SEM SABERES ESENCIALES PC (**)
base de datos, bajo conceptos éticos Estructuras de Bloques
relacionados con el ejercicio de la profesión. Estructuras de Control: IF, CASE, LOOP, FOR, WHILE.
Control de Excepciones.
2
Procedimientos Almacenados con Flujos Condicionales y Vistas.
Funciones Almacenadas.
3
Cursores.
4 Evaluación T1.
Triggers.
5 Combinación de Funciones y Procedimientos Almacenados
Transacciones: commit y rolback
Nuevos paradigmas en el manejo de datos. Bases de datos
6 NoSQL. Operaciones CRUD en NoSQL.
Business intelligence, Fases de un proyecto BI.
BUSINESS INTELLIGENCE
Al finalizar la unidad, el estudiante es capaz de Diseño de un datawarehouse. Modelo lógico y físico.
II diseñar soluciones de inteligencia de negocios Metodologías de Ralph Kimball y Bill Inmon. Enfoques top-down
7 y bottom-up.
en base a la identificación de necesidades
investigadas para la de explotación. Diseño de procesos ETL.
Análisis OLAP. Reportes y dashboards.
8
Evaluación T2 No aplica
Arquitectura de datos.
Integración de datos. Big data y analítica. Componentes.
9 Arquitectura Metadatos.
Seguridad y privacidad
10 Gestión de Datos con Spark
BIG DATA 11 Evaluación T3
Al finalizar la unidad, el estudiante implementa
Spark en Cluster y Operaciones sobre RDDS (Resilient
un proyecto integral de gestión de datos 12 Distributed DataSets)
III
haciendo uso de Big Data que responde a todas
las competencias declaradas en el sílabo. 13 SparkSQL. Dataframes: almacenamiento y operaciones.
Evaluación T4
14
Práctica de manejo de estadística avanzada con Spark.
15 Data Analysis y Data Visualization con Spark. No aplica
16 EVALUACIÓN FINAL.
(-) EVALUACIÓN SUSTITUTORIA: NO APLICA
(**) PC= Práctica de Campo. / La práctica de campo solo aplica en los cursos que tienen horas PC declaradas en el Plan de Estudios/ Las
actividades de práctica de campo se detallan en la ficha de práctica de campo que se encuentra como anexo al sílabo.

VI. SISTEMA DE EVALUACIÓN:

El docente selecciona, según la naturaleza del curso, diferentes herramientas de evaluación soportados en la plataforma virtual de aprendizaje (LMS),
para evidenciar el desempeño de los estudiantes. El docente puede emplear: foros virtuales, exposiciones, cuestionarios o formularios virtuales, y
entregas de tareas como: portafolios de evidencias, ensayos, diseño de proyectos, entre otros que considere pertinentes.

EVALUACIÓN PESOS SEM Descripción de la Evaluación (Evidencia que debe presentar el estudiante)
T1(a) 15% 4 Evaluación T1: Examen teórico - práctico / Resolución de Casos
T2(a) 15% 8 Evaluación T2: Examen teórico - práctico / Resolución de Casos
T3(a) 15% 11 Evaluación T3: Examen teórico - práctico/ Resolución de Casos / Avance de proyecto
T4(a) 15% 14 Evaluación T4: Presentación proyecto final (en base a AG) / Exposición de proyecto
Evaluación Final(a) 40% 16 Evaluación Final: Examen teórico - práctico/ Resolución de Casos
Evaluación Sustitutoria(a) ----- (-) NO APLICA
(a)Los calificativos deben ser publicados en el sistema de acuerdo al Calendario Académico establecido para el presente Semestre.
(-) Ver en el calendario académico los días en que se realizarán las evaluaciones sustitutorias.

HT=Horas de desarrollo teórico

HP= Horas de desarrollo práctico
HL= Horas de desarrollo práctico en laboratorio
PC= Horas de práctica de campo
 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, Cookbook: Over Insightful 90 Recipes cID=4773721
1 2016
Padma Priya to Get Lightning-Fast Analytics with
Apache Spark

VIII. INFORMACIÓN COMPLEMENTARIA

REFERENCIA
Introducción al business Intelligence
Manual de bases de datos
Sistema de inteligencia de negocios en la administración de
cultivos para la producción agrícola
ENLACE
https://ebookcentral.bibliotecaupn.elogim.com/lib/upnpe/detail.action?docID=4824060
https://elibro.bibliotecaupn.elogim.com/es/lc/upnorte/titulos/175897
https://repositorio.upn.edu.pe/handle/11537/32294

HT=Horas de desarrollo teórico

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