Decret 73/2025, del 5-3-2025, pel qual s’aprova el pla d’estudis del bàtxelor en ciència de dades (data science) de la Universitas Europaea IMF.

Aquest Decret entrarà en vigor l’endemà de ser publicat al Butlletí Oficial del Principat d’Andorra.

Cosa que es fa pública per a coneixement general.

Andorra la Vella, 5 de març del 2025

Xavier Espot ZamoraCap de Govern

Annex 1. Resultats d’aprenentatge de les competències específiques de les unitats d’ensenyament.

Fonaments de la programació

• Aplicar tècniques bàsiques de programació en Python per resoldre problemes en ciència de dades.

• Comunicar de manera efectiva conceptes tècnics i resultats en ciència de dades, tant de manera oral com escrita, en contextos acadèmics i professionals.

• Proposar solucions innovadores basades en dades.

• Sintetitzar informació de manera crítica i estructurada.

• Dissenyar aplicacions analítiques mitjançant tècniques de desenvolupament, integració i reutilització de components de programari.

Fonaments algebraics de les bases de dades

• Reconèixer la importància de l’àlgebra lineal en l’àmbit de la ciència de dades.

• Manipular elements bàsics d’àlgebra lineal (espais vectorials, independència lineal, dimensió, matrius, determinants) i de la geometria mètrica (productes escalars, ortonormalitat, angles i distàncies).

• Aplicar sistemes d’equacions lineals per resoldre problemes típics de la ciència de dades.

• Expressar de forma matricial un sistema d’equacions lineals.

• Utilitzar conceptes d’aplicació lineal, vectors i valors propis en l’àmbit de la ciència de dades.

• Representar aplicacions lineals en forma de matriu.

• Interpretar geomètricament el càlcul de vectors i valors propis.

• Implementar llenguatges de programació per al tractament de grans volums de dades.

• Resoldre problemes utilitzant models matricials amb dades reals o realistes.

Probabilitat i estadística

• Definir la probabilitat i les seves propietats per a la resolució de càlculs probabilístics.

• Utilitzar variables aleatòries per a la formalització i resolució de problemes de probabilitat.

• Simular fenòmens aleatoris amb eines computacionals difícilment calculables de forma analítica.

• Identificar les distribucions probabilístiques en contextos reals.

• Calcular distribucions i esperances condicionades per a la predicció de resultats.

• Determinar la independència de variables aleatòries i el coeficient de correlació lineal.

• Aplicar la llei dels grans nombres i el teorema del límit central en l’anàlisi de dades.

• Modelar problemes amb processos estocàstics, incloent-hi cadenes de Markov.

• Distingir entre població, mostra, paràmetre i estimador en contextos estadístics.

• Realitzar estimacions puntuals en situacions pràctiques.

Mètodes numèrics

• Combinar fonaments matemàtics, estadístics i de programació per a solucions en l’àmbit de la ciència de dades.

• Aplicar tècniques específiques de captura, tractament i anàlisi de dades estructurades, semiestructurades i no estructurades.

• Interpretar críticament resultats obtinguts utilitzant eines d’anàlisi i de visualització adequades.

• Gestionar informació rellevant per a la resolució de problemes de manera autònoma i creativa.

Fonaments de les bases de dades

• Treballar amb diversos tipus de dades i estructures de bases de dades.

• Diferenciar arquitectures de bases de dades per a la seva adequada aplicació en dissenys pràctics.

• Determinar l’ús més eficient de les bases de dades relacionals o no relacionals segons el context.

• Decidir els tipus i estructures de dades més adequades en situacions concretes.

• Dissenyar algorismes per explotar els avantatges de l’ús de les bases de dades.

• Desenvolupar aplicacions informàtiques per a les bases de dades.

• Programar els algorismes en llenguatges de programació reals i d’àmplia utilització en el mercat actual.

• Administrar bases de dades relacionals i no relacionals (SQL, MongoDB, Cassandra, actualitzable).

• Minimitzar les limitacions de seguretat de la base de dades.

• Aplicar la legislació vigent en protecció de dades a casos pràctics.

Fonaments de xarxes i arquitectures

• Utilitzar eines d’anàlisi per a protocols de xarxes.

• Identificar problemàtiques relacionades amb l’emmagatzematge de les dades.

• Reconèixer els reptes d’implementació de la informàtica al núvol (cloud computing).

• Classificar els serveis i aplicacions que ofereix el núvol (cloud).

• Identificar avantatges i desavantatges de la informàtica al núvol en diferents entorns.

• Relacionar la informàtica al núvol amb el desenvolupament futur de les xarxes de comunicacions.

• Interpretar textos tècnics i científics per a la comprensió de l’evolució de les xarxes de nova generació.

• Aplicar els coneixements sobre xarxes per a l’obtenció i gestió de dades.

• Reconèixer els paràmetres de configuració dels dispositius intermedis i finals d’una xarxa de computadors.

Modelatge i optimització

• Treballar simbòlicament amb diverses variables i funcions convexes.

• Reconèixer les nocions de primera i segona derivada al gradient i la matriu hessiana.

• Aplicar el càlcul multivariable, incloent-hi la regla de la cadena, en la resolució de problemes.

• Graficar aproximacions de funcions.

• Implementar tècniques d’optimització per trobar mínims en problemes complexos.

• Diferenciar les condicions d’optimalitat en problemes amb restriccions d’igualtat i desigualtat.

• Aplicar mètodes numèrics per a la resolució de problemes d’optimització.

• Resoldre problemes de programació lineal i de programació lineal entera i mixta amb un nivell de complexitat mitjana.

• Interpretar les solucions obtingudes amb l’aplicació dels algorismes Simplex i ramificació-acotació, tant manualment com amb programari.

• Classificar problemes d’optimització entre les diferents tipologies analitzades per a la seva resolució més adequada.

Estructures de dades i algorísmia

• Aplicar conceptes d’orientació a l’objecte a partir de coneixements previs de programació.

• Desenvolupar aplicacions informàtiques mitjançant l’anàlisi, les especificacions, el desenvolupament, la integració i la implementació.

• Identificar les entrades i les sortides d’un problema per donar les accions involucrades en el càlcul.

• Aplicar alguns dels esquemes algorísmics i tècniques per al disseny de problemes.

• Decidir les parts o funcions que componen un cas concret per obtenir un programa ben estructurat.

• Raonar enunciats amb el llenguatge de la lògica per a la resolució de problemes.

• Resoldre problemes d’aplicació pràctica dels grafs.

• Plantejar la descripció de determinades situacions mitjançant grafs o el llenguatge de la lògica.

Tipologia i fonts de dades

• Dissenyar un marc experimental tenint en compte els mètodes més adequats per a la captura, el processament, l’emmagatzematge, l’anàlisi i la visualització de dades.

• Combinar fonaments matemàtics i estadístics per arribar a solucions en ciència de dades.

• Classificar diferents tipus de dades segons les seves peculiaritats.

• Utilitzar repositoris de dades rellevants.

• Extreure dades de diverses fonts de manera eficient.

• Processar dades per a la seva integració i anàlisi posterior.

• Definir processos d’extracció, transformació i càrrega per automatitzar el preprocessament de les dades.

Visualització i anàlisi de dades

• Aplicar la infografia i la visualització per a la representació gràfica de la informació.

• Reconèixer els principals trets, característiques, tipologies i possibilitats que ofereix la representació visual de la informació.

• Identificar els elements de la visualització de dades.

• Aplicar principis de percepció visual en el disseny d’informació.

• Plantejar visualitzacions informatives independentment del camp o sector d’aplicació.

• Formular problemes estadístics i d’optimització matemàtica.

• Utilitzar sistemes de computació d’alt rendiment per al processament de grans volums de dades des del coneixement de la seva estructura, funcionament i particularitats.

• Emprar tècniques de modelització estadística i anàlisi de dades.

• Treballar en equips multidisciplinaris per al processament i l’explotació de dades complexes.

Aprenentatge automàtic

• Diferenciar entre tipus de problemes d’aprenentatge supervisat i no supervisat.

• Aplicar mètodes d’aprenentatge automàtic segons els seus punts forts i febles.

• Desenvolupar les metodologies i les etapes bàsiques d’un projecte de mineria de dades o, en general, d’un projecte de ciència de dades.

• Identificar els diferents rols i tasques que apareixen associades en un projecte de ciència de dades.

• Interpretar resultats d’algorismes considerant aspectes socials i ètics.

• Realitzar una anàlisi dels resultats obtinguts amb els principals mètodes d’aprenentatge automàtic utilitzant les mètriques d’avaluació comunes per a aquests problemes.

• Reconèixer els mètodes existents per combinar diversos models en problemes d’aprenentatge supervisat, tant per a classificació com per a regressió.

• Distingir les parts que formen una xarxa neuronal, així com les seves tècniques d’entrenament.

• Identificar els elements que apareixen en un projecte d’aprenentatge per reforç.

• Explicar com funcionen els sistemes recomanadors a un públic tant especialitzat com no especialitzat.

Anàlisi i infraestructures de dades massives (big data)

• Aplicar els conceptes i les definicions formals associades al tractament de dades massives, al paradigma de dades massives i afins.

• Distingir els casos d’ús que requereixen l’aplicació de tecnologia de dades massives (big data) i els que no.

• Identificar els elements tecnològics necessaris per desenvolupar un projecte basat en l’ús de dades massives (big data).

• Implementar sistemes de dades massives (big data) utilitzant metodologies adequades.

• Operar amb les principals eines i marcs de dades massives (big data) per al tractament de dades en mode lot (batch) i estríming.

• Desplegar les principals eines disponibles en l’ecosistema de dades massives (big data), especialment dins l’ecosistema d’Apache Hadoop i Apache Spark.

• Construir models que generin coneixement com a resultat d’una anàlisi de dades basada en tecnologia de dades massives (big data).

• Reconèixer els conceptes i les definicions formals associades a les infraestructures que processen, distribueixen i emmagatzemen les dades massives (big data).

• Distingir les parts de la infraestructura que dona suport a les dades massives (big data) considerant aspectes com prestacions i seguretat.

• Desplegar infraestructures de dades massives (big data) de forma segura, eficient i considerant aspectes com l’escalabilitat, l’avaluació de rendiment i aspectes d’alta disponibilitat.

Privacitat i seguretat de dades

• Identificar l’objecte i el subjecte de la privadesa de dades.

• Analitzar la fenomenologia dels atacs a la privadesa de les dades dels usuaris.

• Aplicar el marc legal vigent en la privadesa de les dades.

• Implementar models de preservació de la privadesa per a dades complexes.

• Utilitzar tècniques de criptografia simètrica.

• Dominar les funcions d’empremta electrònica (hash).

• Identificar la criptografia de clau pública.

• Dominar el biaix algorísmic.

• Aplicar mètodes de seguretat en la mineria de dades.

Ètica de la tecnologia

• Reconèixer les contribucions dels pensadors en la dimensió ètica de la tecnologia.

• Analitzar les contribucions dels pensadors en filosofia sobre la tecnologia.

• Aplicar la dimensió ètica als dissenys tecnològics.

• Integrar l’autonomia i la neutralitat tecnològiques en els projectes.

• Identificar el futur impacte de la tecnologia en els éssers humans.

• Analitzar l’impacte de la tecnologia en el medi ambient.

• Integrar les necessitats del desenvolupament sostenible en els projectes.

• Dissenyar projectes d’acord amb els marcs reguladors legals.

Gestió de projectes

• Planificar l’operació i el cicle de vida complet d’un projecte i servei, a partir del repte definit per una empresa o institució externa.

• Aplicar les pràctiques de la gestió de projectes en la gestió integral del projecte d’explotació de dades.

• Avaluar aplicacions i projectes de sistemes informàtics aplicats a la ciència de dades, i assegurar-ne la fiabilitat i la qualitat.

• Identificar la importància de la negociació, els hàbits de treball efectius, el lideratge i les habilitats de comunicació en els entorns d’ús de dades massives.

• Gestionar un projecte.

Innovació digital

• Reconèixer el procés d’innovació dins el context corporatiu.

• Proposar models i plans de negoci basats en explotació de les dades.

• Treballar en equips i projectes multidisciplinaris relacionats amb el processat i l’explotació de dades complexes.

• Dissenyar models de negoci en el context de l’economia digital.

• Aplicar coneixements fonamentals i metodologies de treball sòlides adquirits durant els estudis per adaptar-se als nous escenaris tecnològics del futur.

• Discriminar les normes laborals aplicables i les relacions entre la planificació, les estratègies industrials i comercials, la qualitat i el benefici.

• Identificar la complexitat dels fenòmens econòmics i socials típics de la societat del benestar.

• Contrastar models de negoci digitals i innovadors d’una manera àgil i flexible.

• Aplicar mètodes i tècniques de pensament dissenyador (design thinking) al procés d’innovació en un context digital.

• Comunicar informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

Treball de fi de bàtxelor

• Sintetitzar les capacitats apreses en les unitats d’ensenyament per aconseguir un objectiu concret.

• Gestionar la planificació d’un projecte.

• Escriure la memòria d’un projecte d’acord amb la metodologia de gestió utilitzada.

• Comunicar eficientment un projecte als decisors i també al públic general.