Introducció a la ciència de dades en l'esport.
1. Les dades.
La societat de la informació.
Dades, informació, coneixement, saviesa?
Què és una dada?
Cicle de vida de les dades.
2. Fuentes de dades.
Extracció.
Transformació.
Càrrega.
3. Classificació dels tipus de dades.
Tipus immutables.
Tipus mutables.
Assignació externa.
4. La ciència de dades.
Origen i evolució de la ciència de dades.
El rol del científic de dades.
Àmbits de la ciència de dades.
Conceptes de ciència de dades.
3. Exemples de projectes de ciència de dades en l'esport.
4. Governança de les dades.
Govern de la dada.
Components i maduresa del data governance.
Programació en ciència de dades
1. Instal·lació i configuració de l'entorn de programació Python.
Presentació de l'entorn de programació.
2. Breu introducció a la programació en Python.
Sintaxi bàsica.
Variables i tipus de variables.
3. Estructures de control i funcions en Python.
Operadors.
Estructures de control.
Funcions.
Escriptura i lectura de fitxers.
4. Llibreries científiques en Python.
Numpy.
Matplotlib.
SciPy.
Colles.
5: Captura de dades en Python.
Obtenció de dades mitjançant APIs.
Obtenció de dades mitjançant de llocs web.
6. Preprocesamiento de dades en Python.
Preparació de dades.
Reducció de dades.
8. Visualització de dades en Python.
Tipus de visualitzacions de dades.
Llibreries de visualització de dades.
9. Una mirada més profunda i formal a conceptes bàsics de Python.
Estructures de dades avançades en Python.
Ús avançat de funcions en Python.
Aspectes estadístics en ciència de dades aplicada a l'esport
1. Introducció a l'Estadística Esportiva.
Definició i rellevància de l'estadística en el context esportiu.
Aplicació de conceptes estadístics per a l'anàlisi de dades en l'esport.
2. Recopilació i Organització de Dades Esportives.
Mètodes de recol·lecció de dades en entorns esportius.
Organització i preparació de conjunts de dades específiques de l'àmbit esportiu.
3. Conceptes Fonamentals de Probabilitat.
Enteniment de conceptes de probabilitat aplicats a esdeveniments esportius.
Càlculs de probabilitats relacionats amb resultats i acompliment.
4. Distribucions Estadístiques en l'Esport.
Exploració de distribucions estadístiques comunes en l'anàlisi esportiva.
Interpretació de dades distribuïdes en el context del rendiment esportiu.
5. Proves d'Hipòtesis i Significació Estadística.
Aplicació de proves d'hipòtesis per a validar afirmacions en l'esport.
Interpretació de resultats i presa de decisions basada en la significació estadística.
6. Anàlisi de Regressió en el Rendiment Esportiu.
Ús de tècniques de regressió per a modelar relacions entre variables.
Predicció i anàlisi de tendències en el context del rendiment esportiu.
7. Aplicacions Pràctiques en Planificació de l'Entrenament.
Integració d'estadístiques en la planificació estratègica de l'entrenament.
Utilització de dades per a ajustar programes d'entrenament de manera efectiva.
8. Avaluació del Rendiment i Estratègies de Joc.
Anàlisi estadística aplicada a l'avaluació del rendiment individual i de l'equip.
Desenvolupament d'estratègies basades en dades per a optimitzar el rendiment en competicions.
9. Comunicació Efectiva de Resultats Estadístics.
Desenvolupament d'habilitats per a presentar i comunicar resultats estadístics a diverses audiències en l'àmbit esportiu.
Interpretació clara i efectiva de troballes estadístiques per a la presa de
Bases de dades
1. Introducció
Sistemes d'informació.
Evolució de les tecnologies de bases de dades.
Les bases de dades dins dels sistemes d'informació.
Arquitectura d'un #SGBD.
Conceptes bàsics de bases dades.
Disseny de Bases de dades: disseny conceptual, lògic i físics.
Models de Bases de dades.
2. El model Entitat/Relació.
Introducció històrica.
Entitats i atributs.
Relacions.
Restriccions.
Agregació.
El model E/R ampliat.
3. El model relacional.
Model relacional de Bases de dades.
4. Llenguatges de consulta. SQL
Llenguatges de consulta SQL.
Sentències de definició de dades.
Sentències de manipulació de dades.
5. Disseny físic. Emmagatzematge i Representació.
Estructures bàsiques d'emmagatzematge per a BDs.
Representació semàntica de la informació. Llenguatges de marcat.
Indicadors de rendiment (KPI) en ciències de l'esport
Bloc 1.
1. Fonaments d'Indicadors de Rendiment en Entrenament Esportiu.
Definició i funció dels KPIs en el context de l'entrenament esportiu.
Importància de l'avaluació quantitativa per al desenvolupament atlètic.
2. Selecció i Disseny de KPIs en l'Entrenament.
Identificació d'indicadors clau per a avaluar el rendiment atlètic.
Disseny de sistemes de mesurament adaptats a objectius específics.
3. Tecnologies Aplicades al Seguiment Esportiu.
Utilització de tecnologies avançades per a la recopilació i anàlisi de dades d'entrenament.
Integració de dispositius i plataformes tecnològiques en programes de seguiment.
4. Avaluació del Rendiment Físic i Tècnic.
Anàlisi de dades per a avaluar el rendiment físic i tècnic dels atletes.
Interpretació de resultats i ajust de programes d'entrenament.
5. Aplicació Pràctica de KPIs en Planificació Esportiva.
Ús de KPIs en la planificació estratègica i disseny de programes d'entrenament.
Ajust dinàmic de les estratègies basat en l'anàlisi d'indicadors.
6. Monitoratge Psicològic i Emocional dels Atletes.
Avaluació de factors psicològics i emocionals mitjançant indicadors específics.
Integració de dades psicològiques en la planificació de l'entrenament.
7. Estudi de Casos en Entrenament Esportiu.
Anàlisi de casos pràctics que destaquen l'ús efectiu de KPIs en l'entrenament.
Desenvolupament d'habilitats pràctiques mitjançant exemples concrets.
8. Ètica en la Recopilació i Ús de Dades d'Entrenament.
Consideracions ètiques en la utilització de dades d'entrenament.
Protecció de la privacitat i confidencialitat de la informació de l'atleta.

Bloc 2.
1. Introducció a Indicadors de Rendiment en Gestió Esportiva.
Definició de KPIs en el context esportiu.
Importància dels KPIs en la presa de decisions estratègiques.
2. Selecció i Disseny d'Indicadors
Machine Learning - Intel·ligència Artificial en ciències de l'esport
1. Introducció al Machine Learning.
Definició i conceptes clau.
Història i evolució del Machine Learning.
Aplicacions i casos d'ús en la vida quotidiana i industrial.
2. Tipus d'Aprenentatge.
Aprenentatge supervisat, no supervisat i per reforç.
Algorismes de classificació i regressió.
Mètodes de clustering i associació.
3. Preprocesamiento de Dades
Neteja i transformació de dades.
Maneig de valors atípics.
Normalització i estandardització.
4. Avaluació de Models.
Mètriques de rendiment.
Validació creuada.
Corbes d'aprenentatge i corbes ROC.
5. Selecció i Optimització de Models.
Selecció de característiques.
Ajust de hiperparámetros.
Mètodes de regularització.
6. Aplicacions Específiques de Machine Learning.
Processament de llenguatge natural (NLP).
Visió per computadora.
Recomendadores i sistemes de recomanació.
7. Projectes Pràctics de Machine Learning i Intel·ligència Artificial en l'esport.
Implementació d'algorismes de Machine Learning.
Desenvolupament de solucions per a problemes del món real.
Col·laboració i presentació de resultats.
Visualització de dades en ciències de l'esport
1. Antecedents històrics i treballs més rellevants en l'àmbit de la visualització de dades.
2. Conceptes bàsics lligats a la percepció i el sistema visual humà.
3. Tipus bàsics i avançats de visualitzacions de dades.
4. Processos de creació i redissenye.
5. Aspectes d'interactivitat.
6. Eines per a la creació de visualitzacions de dades (llibreries especialitzades MatPlotlib, R-ggplot2, Power BI, Adobe Illustrator)
Aspectes ètics i legals en ciència de dades.
1. Legislació europea i espanyola sobre protecció de dades.
2. Propietat intel·lectual i industrial
3. Serveis de la Societat de la Informació
Llei 34/2002, d'11 de juliol, de serveis de la societat de la informació i de comerç electrònic.
Obligacions bàsiques dels prestadors de serveis.
Règim de responsabilitat.
4. Introducció a la ciberseguretat i qüestions ètic-legals de la intel·ligència artificial.
Règim jurídic de la seguretat de les xarxes i sistemes d'informació.
Noves qüestions ètiques/legals de la intel·ligència artificial.
Treball Fi de Màster
1. Plantejament del tema.
2. Marc teòric conceptual.
3. Desenvolupament proposada.
4. Resultats.
5. Conclusions.