Andrés Yáñez Escolano (coordinador)

- Conocer en qué consiste el proceso de descubrimiento de conocimiento a
partir de bases de datos y sus fases.
- Estudiar las principales técnicas utilizadas para extraer información en los
diferentes dominios: regresión, clasificación, clustering, reglas de asociación.
- Evaluar e interpretar la información extraída.
- Ser capaz de seleccionar los modelos óptimos en base a los datos de
entrenamiento disponibles.
- Métodos de combinación de modelos.
- Hacer uso de una herramienta de minería de datos.

TEORÍA

Tema 1: Introducción al proceso de Descubrimiento de Conocimiento en Bases de
Datos (2 horas).
Tema 2: Relaciones entre atributos (2 horas).
Tema 3: Agrupamiento (2 horas).
Tema 4: Clasificación (3 horas).
Tema 5: Predicción (2 horas).
Tema 6: Combinación de modelos (2 horas).
Tema 7: Evaluación de los modelos (2 horas).
Tema 8: Interpretación y evaluación de los resultados (1 hora).

PRÁCTICAS

Se realizarán con WEKA (Waikato Environment for Knowledge Analysis), software
gratuito de análisis de datos de la Universidad de Waikato (Australia):

WEKA 1: Primeros pasos con WEKA (3 horas).
WEKA 2: Visualización de datos con el interfaz Explorer (1 hora).
WEKA 3: Reglas de asociación (2 horas).
WEKA 4: Clustering (2 horas).
WEKA 5: Clasificación (3 horas).
WEKA 6: Predicción (2 horas).
WEKA 7: Combinación de modelos (3 horas).

La metodología empleada en las clases, tanto prácticas como teóricas, se basa
en los siguientes seis puntos:

1.  Entrega del material docente (apuntes, transparencias, software de libre
distribución).
2.  Explicación (no repetición) del contenido de los apuntes haciendo uso de
ejemplos didácticos donde se incorporarán progresivamente los nuevos
conocimientos y se recordarán los aprendidos con anterioridad.
3.  Motivación del alumnado.
4.  Estimulación del razonamiento y la discusión.
5.  Uso de la metodología Expositiva-Elaborativa.
6.  Potenciación del trabajo en grupo.

Nº de Horas (indicar total): 100

• Clases Teóricas: 16  
• Clases Prácticas: 16  
• Exposiciones y Seminarios: 3  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 5  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado: 5  
  • Sin presencia del profesorado:  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 31  
  • Preparación de Trabajo Personal: 17  
  • ...
     
• Realización de Exámenes:
  • Examen escrito:  
  • Exámenes orales (control del Trabajo Personal):  

- Convocatoria ordinaria de Junio: la calificación la obtendrán los alumnos a
partir de la realización de una serie de prácticas propuestas a medida que
finalizan los temas del programa.  El alumno que no supere la evaluación
continua deberá realizar un exámen.
- Convocatorias extraordinarias de Septiembre y Diciembre: el alumno deberá
superar un examen.

Como se indicó en el apartado de METODOLOGÍA, el alumno recibe todo el
material que necesita para el aprendizaje de los contenidos de la asignatura.
Pero también se le indican una serie de referencias bibliográficas que le
pueden servir de complemento:

- Ian H. Witten, Eibe Frank. Data Mining: Practical Machine Learning Tools and
Techniques with Java Implementations, Morgan Kaufmann (2ª Edición), 2005.
- J. Hernández Orallo, M.J. Ramírez Quintana y C. Ferri Ramírez. Introducción
a la Minería de Datos. Pearson Educación / Prentice Hall, 2004.
- P. Adriaans y D. Zantingue.  Data mining. Addison Wesley, 1996.
- M.J.A. Berry y G. Linoff.  Data Mining Techniques For Marketing, Sales and
Custormer Support.  John Wiley & Sons (2ª edición), 2004.
- J. Hans y M. Kamber.  Data Mining:  Concepts and Techniques.  Morgan
Kauffmann (2ª edición), 2006.
- D. Hand, H. Mannila y P. Smyth.  Principles of data mining. MIT Press, 2001.
- D. Pyle.  Data Preparation for Data Mining.  Morgan Kauffmann, 1999.