Professional Documents
Culture Documents
Carcter:
Obligatorio
Crditos: 6
Optativo
Curso: tercero
Unidad Temporal
Anual
Cuatrimestral
Periodo
Primer Cuatrimestre
Castellano
Ingls
Euskera
Francs
ndice de experimentalidad
Segundo Cuatrimestre
Materia Bsica
Idiomas de imparticin
Plan Director
euskera
Modalidad
Presencial
Semipresencial
Virtual
Especialidades
Denominacin:
Cdigos Unesco:
1203.04, 1209.03
1
2
3
4
5
6
7
8
9
10
Capacidad para conocer y desarrollar tcnicas de minera de datos y aprendizaje computacional y disear
e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extraccin automtica
de informacin y conocimiento a partir de grandes volmenes de datos
Capacidad para comprender un problema real y formalizarlo para su resolucin mediante tcnicas de
anlisis de datos. Capacidad para evaluar la complejidad computacional de un problema, conocer
estrategias algortmicas de anlisis de datos que puedan conducir a su resolucin y recomendar,
desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos
establecidos
Capacitacin en el uso de paquetes de software especializados en anlisis y minera de datos
Adquisicin del vocabulario bsico en ingls de la minera de datos. Capacitacin en la lectura de textos
cientficos bsicos en ingls en el mbito de la minera de datos
C7
C3, C7
C7
C7
DOCENCIA
Tipos de Docencia
M
Magistral
Seminario
PA
Prcticas de Aula
PL
Prcticas de Laboratorio
PO
Prcticas de Ordenador
Horas Totales
Horas
Presenciales
Horas
No Presenciales
Horas
Totales
40
60
100
1,2,4
20
30
50
1,3,4
60
90
150
SISTEMA DE EVALUACIN
Evaluacin continuada del trabajo del estudiante y las competencias trabajadas (individual y en grupo, presencial y no presencial)
Exmenes
Informes de laboratorio
Tareas dirigidas (Trabajos de mayor complejidad bajo la direccin del profesorado)
Entregables (cuestiones, problemas, trabajos...)
Portafolio
Otros (especificar)
X
X
X
X
TEMARIO
Denominacin:
Tema 1
Tema 2
Tema 3
Tema 4
Tema 5
Tema 6
Combinacin de clasificadores
Tema 7
Tema 8
Tema 9
Descripcin:
Una introduccin a la minera de datos, centrndola en las aplicaciones y casos
de xito, ms que en los algoritmos y tcnicas concretas. Todo ello
relacionando a la minera de datos como una disciplina dentro de la
inteligencia artificial
La intuitiva mecnica de este clsico mtodo de la minera de datos lo hace
apropiado para ser la primera tcnica de clasificacin supervisada que se le
presente al alumno. Se estudiar su funcionamiento bsico, as como sus
principales variantes y parmetros de uso
Estudio de las principales tcnicas de evaluacin de clasificadores, haciendo
especial hincapi en los mtodos de clasificacin supervisada y la estimacin
de la tasa de acierto. Introduccin a los tests estadsticos principales para la
comparacin entre distintos clasificadores
Estudio de estos dos clsicos algoritmos de anlisis de datos, inspirados en la
filosofa del divide y vencers. Se har hincapi en la transparencia y
simplicidad de sus modelos finales, y las posibilidades que esto abre para la
interaccin con expertos de otros campos. Se detallarn distintas posibilidades
de desarrollo (grow) y poda (pruning)
Estudio de la teora bsica subyacente al Teorema de Bayes, relacionndolo
con las posibilidades que ello ha abierto para proponer distintos clasificadores
supervisados basados en redes Bayesianas. Se detallarn modelos de
clasificacin de distinta complejidad
Estudio de las distintas tcnicas para la combinacin de clasificadores. Se har
hincapi en las bondades del consensuado de clasificadores, en
contraposicin al uso de un clasificador nico
Estudio de los conceptos y tcnicas bsicas de seleccin de variables, tanto
desde el punto de vista univariado como multivariado
Se realizar una introduccin a otra disciplina clave de la inteligencia artificial
como los heursticos de bsqueda. Estudio de la tcnica de bsqueda ms
conocida, los algoritmos genticos. Se estudiarn su utilidad para la resolucin
de problemas de seleccin de variables
Estudio de las principales tcnicas de clasificacin no-supervisada. Se har
hincapi en las especiales caractersticas de este tipo de problemas,
diferencindolos de los problemas supervisados
BIBLIOGRAFA
Materiales de uso
obligatorio
-
Bibliografa Bsica
Bibliografa de
Profundizacin
Revistas
I. H. Witten, E. Frank (2005). Data Mining. Practical Machine Learning Tools and Techniques with Java Implementations. Morgan
Kaufmann. (Second edition)
B. Sierra (ed.) (2006). Aprendizaje Automtico: conceptos bsicos y avanzados. Prentice Hall.
E. Alpaydin (2004). Introduction to Machine Learning. MIT Press.
T. Mitchell (1997). Machine Learning. McGraw Hill.
J. Han, M. Kamber (2006). Data Mining: concept and techniques. Morgan Kaufmann. (Second edition)
O. Pourret, P. Nam, B. Marcot (2008). Bayesian networks: a practical guide to applications. Wiley.
L.I. Kuncheva (2004). Combining Pattern Classifiers. Wiley.
H. Liu, H. Motoda (ed.) (2008). Computational Methods of Feature Selection. Chapman & Hall/CRC.
C.M. Bishop (2006). Pattern Recognition and Machine Learning. Springer.
S. Brunak, P. Baldi (2001). Bioinformatics: the machine learning approach. MIT Press. (Second edition).
B. Liu (2006). Web Data Mining: exploring hyperlink, contents and usage data. Springer.
Direcciones de inters en
Internet