Guía docente de la asignatura

Transcripción

1 Guía docente de la asignatura Asignatura Materia Módulo Titulación Plan Pre-procesamiento de la información y modelado basado en datos Explotación de la información Explotación de la información Máster Informática Industrial Código Periodo de impartición 2º Cuatrismestre Tipo/Carácter Obligatorio Nivel/Ciclo Máster Curso Créditos ECTS 6 Lengua en que se imparte Profesor/es responsable/s Datos de contacto ( , teléfono ) Horario de tutorías Departamento Español María Jesús de la Fuente Aparicio, Gregorio I. Sainz Palmero mjfuente@eii.uva.es tfno.:3984, gresai@eii.uva.es tfno.:4401 Ponerse en contacto con los profesores. Ingeniería de Sistemas y Automática 1 de 6

2 1. Situación / Sentido de la Asignatura 1.1 Contextualización Uno de los elementos básicos en la industria hoy en día son los sistemas de monitorización que capturan gran cantidad de datos sobre los sistemas y procesos. Por otro lado, existen gran número de aproximaciones para modelar sistema en base a datos recogidos. Tanto en un caso como en otro se impone un análisis metodológico de la información (datos) recogida, detectando problemas, estimando su poder de predicción y capacidad de reducción. 1.2 Relación con otras materias Esta asignatura está directamente relacionada con otras asignaturas del máster donde está involucrado el problema del captura y/o empleo de datos: simulación procesos industriales, scadas, sensores software, aplicación de la visión artificial en entornos industriales. 1.3 Prerrequisitos Programación básica en lenguaje Matlab, C++ o similares. 2. Competencias 2.1 Generales CG1.- Capacidad para aplicar el método científico y los principios de la ingeniería adecuados para formular y resolver problemas complejos el ámbito de la Informática industrial. CG2.- Emprender el diseño, dirigir el desarrollo de soluciones de ingeniería, y realizar la innovación apropiada en entornos nuevos o poco conocidos, relacionando creatividad, originalidad, innovación y transferencia de tecnología en el ámbito de la Informática industrial. CG3.- Tener capacidad de análisis y síntesis para el progreso e innovación continua en el entorno industrial utilizando criterios de seguridad, responsabilidad, viabilidad económica y calidad. CG4.- Liderar y definir equipos multidisciplinares capaces de resolver retos técnicos y cambios tecnológicos en contextos nacionales e internacionales. CG5.- Adaptarse a los cambios, siendo capaz de aplicar tecnologías nuevas y avanzadas, así como otros progresos relevantes, con iniciativa, espíritu emprendedor y responsabilidad social y ética. 2.2 Específicas CE. Conocimientos de los sistemas de explotación de la información en los entornos industriales de producción y fabricación. 2 de 6

3 3. Objetivos 4. Tabla de dedicación del estudiante a la asignatura ACTIVIDADES PRESENCIALES HORAS ACTIVIDADES NO PRESENCIALES HORAS Clases teórico-prácticas (T/M) 20 Estudio y trabajo autónomo individual 50 Clases prácticas de aula (A) 10 Estudio y trabajo autónomo grupal 40 Laboratorios (L) 25 Prácticas externas, clínicas o de campo Seminarios (S) 5 Tutorías grupales (TG) Evaluación Total presencial 60 Total no presencial Bloques temáticos 1 a. Contextualización y justificación Elemento básico para poder explotar la información recolectada en los sistema industriales, es su estudio y análisis cara a resolver problemas como la estandarización de los datos, los datos fuera de rango, poder de predicción d ela información capturada, modelado, etc. En este contexto la asignatura presenta las técnicas básicas para afrontar estos problemas. b. Objetivos de aprendizaje Aprender las técnicas básicas de análisis de datos: normalización, outlayers, valores perdidos, etc... Aprender las técnicas de reducción de información. Aprender técnicas de modelado basado en datos. c. Contenidos Datos: o Tipos de datos, o Conversión escalas Missing Values: o Métodos de imputación Análisis exploratorio e Integridad datos: outlayers, missing values, etc. Análisis de variables continuas, nominales y ordinales. Estandarización y transformación de datos: o Estandarización o PCA 3 de 6

4 o SVD o Análisis de Factores o ICA Reducción de variables y capacidad de predicción: Selección y extracción/construcción de variables. Visualización de datos. Técnicas de modelado basadas en datos: o Modelos de regresión o Árboles de decisión. o Redes neuronales. o Clustering o Reglas asociación. o Series temporales o SVM d. Métodos docentes La metodología docentes se basará en: Método expositivo.. Análisis y Resolución de casos de estudio. Aprendizaje basado en casos. Aprendizaje mediante experiencias. e. Plan de trabajo Semana 21 Semana 22 Semana 23 Semana 24 Semana 25 Semana 26 5T+5L 5A+5L 5T+5L 5T+5A 5T+5L 5S+5L Sesiones de 2.5 horas diarias, desde la semana 21 a la semana 26 del máster (2º cuatrimestre) f. Evaluación ACTIVIDAD PESO EN LA NOTA FINAL OBSERVACIONES Entrega de ejercicios 20 Proyecto 20 Laboratorio Exámenes 60 4 de 6

5 g. Bibliografía básica Data preparation for data mining using SAS. Mamdouh Refaat. Morgan Kaufmann Data preparation for data mining. Dorian Pyle. Morgan Kaufmann, Principal Component Analysis, I.T. Jolliffe, Seguna Edición. Springer, Applied Multivariable Analysis. Neil H. Timm, Springer, Soft Computing and intelligent system design. Karray & De Silva, Adisson Weley, Feature Selection for knowledge discovery and data mining. Huan Liu, Hiroshi Motoda, Kluwer Academic Publishers, Feature Selection, Extraction and Construction. Huan Liu, Hiroshi Motoda, Kluwer Academic Publishers, h. Bibliografía complementaria %2Fc_dp_datapreparationoverview.html i. Recursos necesarios 5 de 6

6 6. Temporalización (por bloques temáticos) 7. Tabla resumen de los instrumentos, procedimientos y sistemas de evaluación/calificación ACTIVIDAD PESO EN LA NOTA FINAL OBSERVACIONES Entrega de ejercicios -- Proyecto -- Laboratorio Exámenes 6 de 6