Técnico/a Superior en Ciencias de Datos — Ayuntamiento de Barcelona

TEMARI ESPECÍFIC

1. 1. Conceptes bàsics de ciència de dades. Definició i objectius, elements i etapes, eines i rols.
2. 2. Cicle de vida de les dades: recopilació, neteja, transformació, explotació, anàlisi, difusió, destrucció.
3. 3. Tipus de dades: estructurades, no estructurades i semiestructurades.
4. 4. Principals proveïdors de dades.
5. 5. Enginyeria de dades versus ciència de dades: diferències i complementarietats.
6. 6. Governança de dades. Sistemes corporatius de govern de les dades.
7. 7. Definició i implementació dels fluxos de dades.
8. 8. Càlcul. Nombres, funcions, derivació, integració, successions i sèries.
9. 9. Àlgebra lineal. Vectors i matrius. Sistemes lineals. Espais vectorials.
10. 10. Estadística descriptiva: mesures de tendència central i dispersió. Distribucions de probabilitat i les seves aplicacions.
11. 11. Inferència estadística, estimació i contrast. Propietats dels estimadors. Estimació puntual i per interval. Estimació de la mitjana poblacional. Contrast de la mitjana poblacional. Anàlisi de la variància. Contrast d’hipòtesis. Contrast de mitjanes i proporcions. Contrast amb Chi2, la t de Student i F.
12. 12. Anàlisi de correlació. Anàlisi de regressió: lineal, múltiple i logística.
13. 13. Anàlisi estadística multivariant. La informació redundant. Anàlisi de components principals.
14. 14. Anàlisi de sèries temporals. Mètodes clàssics de sèries temporals. Descomposició de sèries: component tendencial, cíclica, estacional i aleatòria. Mitjanes mòbils i allisat exponencial. Els models ARIMA.
15. 15. Població, marc i mostra. Teoria del mostreig. Mostres aleatòries. Mostreig aleatori i altres tipus de mostreig. Mostreig per quotes. Mostreig aleatori simple. Determinació de la grandària de la mostra. Mostreig aleatori estratificat. Models d’afixació. Estratificació a posteriori. Mostreig per conglomerats unietàpic. Mostreig sistemàtic. Mostreig per conglomerats polietàpic. Mostreig per conglomerats bietàpic. Determinació del nombre d'unitats de primera i segona etapa.
16. 16. Python per a ciència de dades: estructures i funcions bàsiques.
17. 17. Llibreries de Python: NumPy, Pandas, Matplotlib, Scikit-learn i TensorFlow/ PyTorch.
18. 18. Introducció a R per a l’anàlisi estadística.
19. 19. Llibreries (packages) de R: tidyverse, data.table, lubridate, ggplot2.
20. 20. QGIS: anàlisi i visualització de dades espacials.
21. 21. Accés a serveis de dades mitjançant API i sistemes d’autenticació.
22. 22. Tècniques d’ofuscació i d’anonimització de dades en entorns d’anàlisi i desenvolupament.
23. 23. Consistència de la dada: fonaments, dimensions i mètriques d’avaluació. Dada única: disseny i implementació d’una font fiable.
24. 24. Arquitectures centrades en la dada mestra: principis i models de gestió. Taules mestres: estructura, govern i rol en la integritat de la informació corporativa.
25. 25. Metodologies àgils i DevOps en projectes de Ciència de dades.
26. 26. Entorns integrats de desenvolupament (IDE) (Jupyter, Rstudio, Visual Studio Code).
27. 27. Control de versions amb GIT: fonaments i bones pràctiques.
28. 28. Eines de treball col·laboratiu. Principals funcions i usos.
29. 29. Bases de dades SQL. Gestió de bases de dades relacionals.
30. 30. Bases de dades NoSQL: tipologies, estructura, usos i avantatges.
31. 31. Seguretat en bases de dades i control d'accés.
32. 32. Models d’arquitectura Big Data. Models lambda i kappa, data fabric i data mesh.
33. 33. Data Lakes, Data Warehouses i Data Lakehouses. Principals característiques.
34. 34. Processament distribuït amb apache spark per a l’anàlisi de dades massives. Aplicació i principals usos.
35. 35. Principals entorns i etapes del desplegament de codi. Desenvolupament, preproducció i producció.
36. 36. Bones pràctiques en els gràfics, taules i mapes en les visualització de dades. Guies d’estils i accessibilitat.
37. 37. Eines de visualització de dades. Shiny, RMarkdown, PowerBi.
38. 38. Dashboards i informes interactius. Definició, estructura, usos, eines.
39. 39. Storytelling amb dades. Definició, estructura, eines. Passos clau.
40. 40. Fonaments de l’aprenentatge automàtic “machine learning”: tipus d'aprenentatge.
41. 41. Algorismes d’aprenentatge supervisat: regressió i classificació. Màquina de vector de suport. Mètodes ensemble: boscos aleatoris, potenciació de gradient, i XGBoost.
42. 42. Algorismes d’aprenentatge no supervisat: clusterització i reducció de dimensionalitat. Detecció d’anomalies. Sistemes de recomanació.
43. 43. Xarxes neuronals i l’aprenentatge profund.
44. 44. Processament del llenguatge natural (NLP) i les seves aplicacions. Models de Llenguatge de gran escala (LLM) i les seves aplicacions.
45. 45. Aprenentatge per reforç i aplicacions en dades públiques.
46. 46. Models generatius i aplicacions en Ciència de dades. Generació de dades sintètiques.
47. 47. La Intel·ligència artificial explicable (XAI) i la interpretabilitat dels models.
48. 48. Operacions de l’Aprenentatge Automàtic (MLOps) i gestió del cicle de vida dels models d'aprenentatge automàtic.
49. 49. Protecció de dades personals (RGPD, LOPDGDD). El Reglament 2016/679 del Parlament Europeu i La Llei Orgànica 3/2018 de Protecció de Dades Personals i garantia dels drets digitals.
50. 50. Normativa sobre ciberseguretat i protecció de dades sensibles. L'Esquema nacional de seguretat (ENS).
51. 51. Drets digitals i drets de la ciutadania en la societat de la informació. Llei 19/2014, del 29 de desembre, de transparència, accés a la informació pública i bon govern.
52. 52. Canals de transparència i accés a la informació pública. Dades obertes en l’Administració Pública i reutilització de la informació.
53. 53. El secret estadístic. Principis bàsics i objectius.
54. 54. L'estadística oficial. Principis i principals organitzacions i agents. El Sistema estadístic de Catalunya.
55. 55. Unitats i classificacions (territorials / econòmiques).
56. 56. Ètica i privacitat en l’ús de dades en el sector públic. Protocol per implantar amb garanties la intel·ligència artificial en tots els serveis municipals.
57. 57. Regulació europea sobre intel·ligència artificial i ús de dades. Objectius i principis clau. Reglament (UE) 2024/1689 del Parlament Europeu i del Consell, de 13 de juny de 2024, pel qual s'estableixen normes harmonitzades en matèria d'intel·ligència artificial.
58. 58. El Portal Barcelona Dades.
59. 59. Principals indicadors i fonts de les dades sobre població i demografia.
60. 60. Principals indicadors i fonts de dades sobre economia, hisenda, treball, turisme, comerç i renda.
61. 61. Principals indicadors i fonts de dades sobre medi urbà, territori, urbanisme, clima i medi ambient.
62. 62. Principals indicadors i fonts de dades sobre transports i mobilitat.
63. 63. Principals indicadors i fonts de dades sobre edificis, habitatge i mercat immobiliari.
64. 64. Principals indicadors i fonts de dades sobre societat, salut, educació, seguretat, cultura i gènere.
65. 65. Principals indicadors i fonts de dades sobre política i estadístiques electorals.
66. 66. Principals indicadors i fonts de dades sobre administració pública, participació ciutadana, pressupostos i recursos humans.
67. 67. El Pla d’estudis sociològics de l’Ajuntament de Barcelona.
68. 68. L’Enquesta de serveis municipals.
69. 69. El Baròmetre polític municipal.
70. 70. L’Enquesta de valors socials.
71. 71. L’Enquesta sociodemogràfica de Barcelona.
72. 72. Llei 31/1995, de 8 de novembre, de prevenció de riscos laborals: objecte, àmbit d'aplicació i definicions. Política en matèria de prevenció de riscos per protegir la seguretat i la salut en el treball. Drets i obligacions. Consulta i participació del personal. El Reglament d'ús de la llengua catalana de l'Ajuntament de Barcelona.