Profesores

Andrés Yáñez Escolano (coordinador)

Situación

Contexto dentro de la titulación

Asignatura optativa de cuarto curso con un gran componente práctico.
Los
conocimientos impartidos  están relacionados con los de otras
asignaturas de
la titulación: Inteligencia Artificial I y II, Reconocimiento de
Patrones y
Aprendizaje Automático.

Competencias

Competencias transversales/genéricas

- Capacidad de análisis y síntesis
- Capacidad de organizar y planificar
- Resolución de problemas
- Toma de decisiones
- Capacidad de crítica y autocrítica
- Capacidad para aplicar la teoría a la práctica
­- Trabajo en equipo
­­- Comunicación oral y escrita
- Habilidades para obtener y analizar información desde diferentes
fuentes
- Capacidad para comunicar con expertos de otros campos.
- Capacidades de investigación.
- Aprendizaje autónomo.
- Adaptación a nuevas situaciones.
- Habilidad para trabajar de forma autónoma.

Competencias específicas

• Cognitivas(Saber):

  ­Adquisición de conocimientos y una metodología para el proceso de
  aplicación de las técnicas de minería de datos en la extracción de
  conocimiento de las bases de datos

• Procedimentales/Instrumentales(Saber hacer):

  - Creación de modelos a partir de los datos
  - Visualización e interpretación de los resultados
  - Diseño de experimentos y estrategias
  - Manejo de software de análisis de datos

• Actitudinales:

  - Interés por investigar y buscar soluciones a nuevos problemas
  - Capacidad de crítica
  - Capacidad de abstracción
  - Capacidad de relación con los conocimientos de otras asignaturas

Objetivos

- 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.

Programa

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).

Actividades

Clases de teoría y prácticas.  Todas tendrán lugar en las aulas de
informática.

Metodología

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) a través del Campus Virtual.
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.

Distribución de horas de trabajo del alumno

Nº de Horas (indicar total): 100

• Clases Teóricas: 16  
• Clases Prácticas: 16  
• Exposiciones y Seminarios:  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 5  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesor: 8  
  • Sin presencia del profesor:  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 40  
  • Preparación de Trabajo Personal: 12  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

Técnicas Docentes

Criterios y Sistemas de Evaluación

- 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 (75% de la nota)
* una test teórico de cada tema (25% de la nota).

El alumno que no supere la evaluación continua deberá realizar un exámen
teorico-práctico.

- Convocatorias extraordinarias de Septiembre y Diciembre: el alumno
deberá superar un examen teórico-práctico.

Recursos Bibliográficos

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.
- B. Sierra Araujo.  Aprendizaje Automático: Conceptos Básicos y
Avanzados.
Pearson Educación / Prentice Hall, 2006.
- 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.