Curs Online de Preguntes analítiques, dades i extracció de coneixement

Programa acadèmic

Aquest curs és de 6 crèdits ECTS, preveu una dedicació de l'estudiant de 150 hores (25 hores per crèdit) i té una durada aproximada de quatre mesos.

Continguts

Repte 1. L'art de la interrogació. L'art de transformar la sospita en una descoberta amb evidències

Sovint, els projectes de dades neixen d'una intuïció o d'una necessitat de negoci mal definida: "notem que alguna cosa falla" o "voldríem saber més coses sobre els nostres usuaris". Però, en el món de l'analítica, una sospita no és operativa fins que no es transforma en una pregunta verificable.

En aquest primer repte, et posaràs en la pell d'una investigadora per aprendre a "domesticar" el caos inicial. No n'hi ha prou amb tenir dades: cal saber-les interrogar. Treballarem l'art de la conceptualització, i aprendrem a acotar problemes reals i a formular preguntes (descriptives, predictives o causals) que realment es puguin respondre amb el rigor dels números i la riquesa de les paraules.

Què faràs en aquest repte?

• Transformaràs interessos en hipòtesis concretes i aprendràs a avaluar la distància entre les "dades ideals" i les "dades disponibles".
• Aniràs més enllà de les simples mitjanes. Faràs una anàlisi exploratòria de dades (EDA) que combini la precisió de les variables numèriques amb una primera immersió en el món del text (NLP bàsic), per aprendre a extreure sentit de corpus petits mitjançant tècniques com la tokenització i el TF-IDF.
• Aprendràs a mirar les dades amb ull crític per identificar biaixos, outliers i buits d'informació que podrien invalidar les teves conclusions abans de començar.
• Començarem a traçar el mapa de riscos. D'on venen aquestes dades? Qui hi ha darrere? Quins permisos ens emparen?

Repte 2. L'art del triatge analític. El millor model per a cada pregunta

Si al repte 1 hem après a interrogar la realitat per obtenir evidències, en aquest segon estadi ens enfrontarem al dilema del decisor: amb quina eina hem de respondre? En l'era de la intel·ligència artificial, la temptació és utilitzar sempre el model més sofisticat. Amb tot, l'analista estratègic sap que la sofisticació no és sinònim d'èxit.

Aquest repte t'ensenyarà a fer un triatge analític: l'habilitat de mapar preguntes concretes amb mètodes específics. Aprendràs que cada elecció tècnica és, en realitat, una decisió de negoci que implica equilibrar precisió, cost, risc i, per damunt de tot, interpretabilitat.

Què faràs en aquest repte?

• Aprendràs a navegar pel catàleg d'algorismes —des de la simplicitat d'una regla de negoci o una regressió fins a la potència de l'aprenentatge automàtic— per triar la solució òptima.
• Aplicaràs el principi del no free lunch, que diu que, de vegades, un mètode simple és més robust i segur que un model de "caixa negra". Aprendràs a justificar la teva tria davant d'un decisor.
• Passaràs de la teoria a la pràctica amb la implementació d'un prototip amb estructures de codi que hauràs de completar i validar.
• Analitzaràs què entén realment el decisor de la teva solució. No busquem només que el model "l'encerti", sinó que sigui traçable, explicable i transparent.

L'objectiu d'aquest repte és que deixis de veure els algorismes com a fórmules abstractes i els comencis a entendre com a estratègies de resposta. Al final, elaboraràs un informe d'anàlisi i un prototip funcional en què la clau serà la solidesa dels arguments per triar el millor model per a la teva pregunta.

Repte 3. L'art de l'auditoria. De l'encert estadístic a la responsabilitat algorísmica

Tenir un prototip que "funciona" és només el principi: el veritable repte comença quan ens preguntem si el model és prou segur, just i robust. En aquest tercer repte, deixem de banda el rol de "constructor" per adoptar el de l'"auditor crític". Aprendràs que una alta precisió pot ser un miratge si no s'avalua amb rigor o si amaga biaixos sistemàtics.

En aquest mòdul, aprendràs a sotmetre els teus models a un examen d'estrès, entenent que la responsabilitat de l'analista no acaba en el codi, sinó en les conseqüències de les seves prediccions.

Què faràs en aquest repte?

• Aprendràs a validar els teus resultats amb escepticisme. Utilitzaràs particions de dades (train/test) i mètriques de precisió avançades (F1-Score, corbes ROC) per entendre els costos reals de cada error, especialment en escenaris de dades descompensades. 
• Analitzaràs el comportament del model per subgrups (com gènere o edat) per detectar si l'algorisme discrimina silenciosament. No només identificarem el biaix, sinó que esbossarem estratègies per mitigar-lo. 
• Aprendràs a obrir la "caixa negra" del model per abordar l'explicabilitat dels resultats. Utilitzaràs tècniques per comunicar quins factors pesen més en les decisions, per garantir que el model sigui comprensible per a un públic mixt.
• Elaboraràs un bias & impact statement, un exercici d'honestedat professional en què hauràs de definir a partir de quins criteris el model és apte per ser desplegat i quins riscos cal vigilar de prop.

L'objectiu final és que entenguis que la dada mai és neutra. En acabar aquest repte, no només lliuraràs una auditoria tècnica, sinó també un compromís de responsabilitat, per garantir que la teva solució no és només intel·ligent, sinó també ètica i traçable.

Repte 4. L'art de la prudència. Governança, límits i el mapa del teu TFM

Propòsit: incorporar el privacy by design, la seguretat i la governança en el disseny analític, i entendre què no pot respondre la IA, a més de connectar-ho amb una idea de TFM (temàtica, dades, riscos).

Arribem a l'última etapa del viatge. Hem après a interrogar la realitat, a triar el millor aliat algorísmic i a auditar-ne el rigor. Ara, el repte final consisteix a aixecar la mirada del codi per entendre l'ecosistema on viurà la nostra solució. En aquest mòdul, aprendràs que la potència de la IA només és transformadora si va acompanyada de seguretat, privacitat i una governança sòlida.

Aquest repte serveix per posar l'escut final al teu disseny analític i, alhora, per convertir tot el coneixement adquirit en la llavor d'un potencial treball final de màster (TFM). És el moment de demostrar que no només saps modelitzar, sinó que saps liderar projectes amb sentit i visió de futur.

Què faràs en aquest repte?

• Integraràs la privacitat no com un tràmit legal de darrera hora, sinó com un control tècnic i procedimental des de la gènesi del projecte. Aprendràs a protegir la identitat i els drets darrere de cada dada.
• Exploraràs les fronteres de la tecnologia. Debatrem sobre què no pot respondre la IA (o no ha de respondre) i analitzarem dilemes ètics, el "sentit comú" artificial i la seguretat davant d'atacs adversaris.
• Definiràs els criteris crítics per decidir quan un sistema no s'ha de desplegar, i aprendràs a gestionar les expectatives i els riscos d'un entorn real (governança).
• Transformaràs una idea en un projecte viable. Elaboraràs una nota de concepte que defineixi el teu problema, les fonts de dades, els riscos previstos i el teu pla d'avaluació d'impacte.
• L'objectiu final d'aquest repte és dotar-te de la maduresa professional necessària per dissenyar sistemes resilients. En acabar, no només hauràs lliurat un exercici, sinó que hauràs traçat el full de ruta del teu propi futur acadèmic i professional, que garantirà que el teu camí cap al TFM és viable, ètic i amb impacte real.

Resultats d'aprenentatge

En aquest curs adquiriràs els coneixements, les habilitats i les competències següents:

Coneixements

• K1. Analitzar críticament les necessitats, les potencialitats, les limitacions, els riscos i les tendències en l'aplicació de la ciència de dades a contextos organitzatius i de recerca social, integrant consideracions tècniques, ètiques i d'impacte social.
• K2. Seleccionar, mitjançant criteris tècnics i metodològics, les fonts de dades i els conjunts de dades rellevants per a una aplicació de negoci o una recerca social determinada, tenint en compte el contingut, la tipologia i el format.
• K3. Diagnosticar els punts crítics i factors d'èxit tècnics, humans i normatius que condicionen el desenvolupament de projectes d'analítica de dades en entorns complexos.
• K4. Justificar el procés i les fases d'un projecte d'analítica de dades i les seves implicacions tècniques i metodològiques en la presa de decisions sobre selecció, captura, emmagatzematge, tractament, anàlisi i presentació de dades.
• K8. Examinar el context sociotècnic, ètic i legal en què es produeix l'ús de dades, i els efectes que té en la presa de decisions organitzatives o en la recerca en ciències socials.

Habilitats

• S9. Crear textos escrits i presentacions orals en un context acadèmic i professional, per demostrar habilitats comunicatives.

Competències

• C1. Actuar de manera honesta, ètica, sostenible, socialment responsable i respectuosa amb els drets humans i la diversitat, incorporar la perspectiva de gènere tant en la pràctica acadèmica com en la professional, i dissenyar solucions per a la millora d'aquestes pràctiques.
• C5. Presentar projectes d'explotació, analítica i visualització de dades, i adequar-se al públic al qual es dirigeix la presentació.

Aquest curs correspon al nivell 7 del Marc europeu de qualificacions (EQF), equivalent a un nivell de màster.

Objectius

Aquest curs està orientat a l'adquisició de competències professionals de caràcter pràctic i s'ha dissenyat amb l'objectiu de donar resposta a les necessitats actuals de la societat i el mercat de treball. 

Amb aquesta microcredencial aconseguiràs els objectius següents:

• Avaluar l'impacte de la IA: analitzar críticament les potencialitats, les limitacions i els riscos de l'aplicació de la ciència de dades, integrant consideracions tècniques i d'impacte social.
• Selecció estratègica de dades: triar les fonts de dades més rellevants per a cada repte de negoci, i justificar-ne l'ús segons criteris tècnics i metodològics.
• Diagnòstic de projectes: identificar els factors d'èxit i els punts crítics (humans, normatius i tècnics) que condicionen els projectes d'analítica en entorns complexos.
• Auditoria i ètica algorísmica: examinar el context legal de les dades per actuar de manera socialment responsable i garantir solucions lliures de biaixos i respectuoses amb la diversitat.
• Traçabilitat del cicle de vida: justificar cada fase d'un projecte de dades, des de la selecció i captura fins al tractament i l'explotació.
• Comunicació d'alt nivell: crear presentacions i textos acadèmics i professionals per comunicar eficaçment els resultats de projectes analítics al públic decisor.