Minería de Datos. Carrera: NEM Participantes

Transcripción

1 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Minería de Datos Licenciatura en Informática NEM HISTORIA DEL PROGRAMA Lugar y fecha de elaboración o revisión Instituto Tecnológico de Celaya, el 10 enero Instituto Tecnológico de Celaya del 27 de octubre al 30 noviembre Participantes Comisión de la Academia de Ingeniería en Sistemas Computacionales y Licenciatura en Informática Academia de Ingeniería en Sistemas Computacionales y Licenciatura en Informática Observaciones (cambios y justificación) Emisión del documento de Propuesta de Módulos de Especialidad, para ISC y LI. Definición de las retículas y elaboración de los contenidos temáticos correspondientes a las asignaturas del módulo de la especialidad. 3.- UBICACIÓN DE LA ASIGNATURA a). Relación con otras asignaturas del plan de estudio Anteriores Posteriores Asignaturas Temas Asignaturas Temas Almacenamiento de Datos y el Proceso Analítico en Línea Todos Ninguna

2 b) Aportación de la asignatura al perfil del egresado Proporciona conocimientos de tecnologías emergentes de Minería de Datos para el desarrollo de aplicaciones relacionadas con el tratamiento de información para el soporte en el proceso de la toma de decisiones estratégicas. 4.- OBJETIVO(S) GENERAL(ES) DEL CURSO El alumno aprenderá una metodología que le permita analizar grandes cantidades de datos para encontrar patrones que le ayuden en la construcción de modelos para optimizar la toma de decisiones en el proceso de negocios. 5.- TEMARIO Unidad Temas Subtemas 1 Introducción 1.1 Antecedentes El modelo Relacional El crecimiento de datos Problemas en el análisis de datos. 1.2 Minería de datos (MD) Conceptos Técnicas utilizadas MD. - Agrupación. - Sumarización. - Dependencias. 1.2 Comparación entre DBMS y Data Minning. 2 El proceso de extracción del conocimiento. 2.1 Fases del proceso de extracción Integración y recopilación Selección, limpieza y transformación Minería de datos Evaluación e interpretación.

3 5.- TEMARIO (Continuación) Unidad Temas Subtemas 3 Algoritmos utilizados en el proceso de minería de datos 3.1 Algoritmos Predictivos y descriptivos. 3.2 Algoritmos taxonómicos. 3.3 Minería de datos y OLAP. 3.4 Técnicas supervisadas Árboles de decisión Regresión lineal Redes neuronales Otros. 3.5 Técnicas no supervisadas Asociación Agrupación Mapas de Kohonen. 4 Software para modelado de Minería de Datos y construcción de un modelo de aplicación. 4.1 Herramientas de propósito general y específico. 4.2 Herramientas de software libre y comercial. 4.3 Construcción de un modelo. 6.- APRENDIZAJES REQUERIDOS Cnl hmhn cd chrdî n cd a`rdr cd c`snr qdk`bhnm`kdr- Cnl hmhn cdk kdmft`id RPK- G`ahkhc`c cd oqnf q`l `bhìm dm tm kdmft`id nqhdms`cn ` naidsnr- Bnmnbhl hdmsn cd k` `qpt hsdbstq` bkhdmsd,rdquhcnq- Bnmnbhl hdmsn cd `kl `bdmdr cd c`snr x oqnbdrn `m`káshbn dm kámd`- G`ahkhc`cdr o`q` t shkhy`q rnesv`qd cd rhrsdl `r- 7.- SUGERENCIAS DIDÁCTICAS Oqdrdms`q `k hmhbhn cdk bt qrn dk naidshun cd k` `rhfm`stq` x rt qdk`bhìm bnm nsq`r cdk ok`m cd drstchnr+ `rá bnl n dk sdl `qhn x k`r `bshuhc`cdr cd `oqdmchy`id- Oqnohbh`q dk sq`a`in dm dpt hon o`q` dk cdr`qqnkkn cd k`r oq bshb`r- Fth`q x `rdrnq`q dk cdr`qqnkkn cd k`r oq bshb`r-

4 Dk`anq`q hmrsqtbshunr+ l `mt`kdr n l `sdqh`k chc bshbn pt d `twhkhd `k drstch`msd- Oqnohbh`q k` hmudrshf`bhìm dm chudqr`r etdmsdr cd hmenql `bhìm- Rdkdbbhnm`q dm `bt dqcn cd `b`cdl h`+ tm fdrsnq cd a`rd cd c`snr cd `bt dqcn ` k`r mdbdrhc`cdr cdk dmsnqmn+ `k bnmsdmhcn cdk oqnf q`l ` x ` knr qdbt qrnr chronmhakdr- Oqnl nudq uhrhs`r `k rdbsnq oqnctbshun cnmcd rd tshkhbdm sdbmnknf Á`r dl dqfdmsdr cd a`rdr cd c`snr- Lnshu`q k` o`qshbho`bhìm dm enqnr `b`c l hbnr- 8.- SUGERENCIAS DE EVALUACIÓN Participar en clase y laboratorio. Realizar trabajos de investigación en diversas fuentes de información. Exponer en aula temas específicos relacionados con las tecnologías. Aplicar un examen escrito correspondiente a cada unidad. Aplicar un examen final con la intención de verificar el logro de los objetivos educacionales del curso. 9.- UNIDADES DE APRENDIZAJE UNIDAD 1.- Introducción Investigará y conocerá las tecnologías de minería de datos, Reconociendo la problemática del análisis de grandes volúmenes de datos y de los beneficios de su uso sistemático para la obtención de modelos y patrones predictivos o descriptivos Investigar en distintas fuentes la tecnología de minería de datos y las ventajas que ofrece para el soporte en la toma de decisiones en la organización, así como las diferencias con los DBMS transaccionales y elaborar el informe escrito y discutirlo en el grupo. 1,2,5,6,

5 UNIDAD 2.- El proceso de extracción del conocimiento. Conocer las fases del Descubrimiento de Conocimiento en Bases de Datos y la importancia de las mismas en el éxito del proceso 2.1 Investigar en distintas fuentes el proceso de extracción del conocimiento, elaborar el informe escrito y discutirlo en el grupo. 4,5,6,8,9,10 UNIDAD 3.- Algoritmos utilizados en el proceso de minería de datos. Conocerá las distintas técnicas de aprendizaje automático y estadísticas utilizadas en minería de datos, su potencial, su costo computacional y sus limitaciones de representación y de inteligibilidad Investigar las distintas técnicas de aprendizaje automático, elaborar un estudio comparativo y discutirlo en el grupo Tshkhy`q gdqq`l hdms`r o`q` fdmdq`bhìm cd btanr NK@O x oqnbdr`l hdmsn dm kámd`- 5,6,7,8 UNIDAD 4.- Software para modelado de Minería de Datos y construcción de un modelo de aplicación. Comparar y evaluar productos comerciales y libres. Saber utilizar un paquete de minería de datos para resolver problemas sencillos de extracción de conocimiento 4.1 Comparar las diversas herramientas utilizadas para la extracción del conocimiento en bases de datos. 4.2 Utilizar herramientas de minería de datos y aplicarlas en un caso de estudio. 5,6,711

6 10. FUENTES DE INFORMACIÓN 1. Hoffer, Jeffrey A., et. al., (2003). Modern Databases Management 6a. ed. Ed. Prentice Hall, USA. 2. Date, C.J. Introducción a las bases de datos, 7ª. ed. Ed. Addison Wesley. 3. Kimball. The Data WareHouse lifecycle toolkit: Expert methods for design, developing and deploying Dataware House. Ed. John Wiley & Sons, USA. 4. Poe V. Building a Datawere House for decission support. Ed. Prentice Hall, USA. 5. Adriaans, Pieter, et.al. Data Mining. Ed. Adisson Wesley, USA. 6. Westphal, Christopher, et.al. Data Mining Solutions. Ed. John Wiley & Sons, USA. 7. Thomsen, Erik. OLAP Solutions: Building Multidimensional Information Systems 2a. ed. Ed. John Wiley & Sons, USA. 8. Dunham, M.H. Data Mining Introductory and Advanced Topics. Ed. Prentice Hall. 9. Jarke, M. et.al. Fundamentals of data warehouses. Ed. Springer Verlag. 10. Lewis, William J. Data Warehousing and e-commerce. Ed. Prentice Hall. 11. Manuales del software que se va a utilizar en la materia.

7 11. PRÁCTICAS Unidad Práctica 1 Bnmrsqthq t m l hmdqn cd c`snr o`q` k` aı rpt dc` d hcdmshehb`bhìm cd o`sqnmdr+ pt d sq`a`i`q rnaqd t m` a`rd cd c`snr sq`mr`bbhnm`k'qdk`bhnm`k(- 2 Analizar las ventajas y desventajas que ofrece para el soporte en la toma de decisiones en la organización, así como las diferencias con los DBMS transaccionales. 3 Aplicar el modelo OLAP a minería de datos para procesar información orientada a la toma de decisiones. 4 Desarrollar una aplicación de minería de datos utilizando una herramienta especializada, ya sea de software libre o comercial 12. INFRAESTRUCTURA REQUERIDA: Contar con un laboratorio de Base de Datos equipado con computadoras actualizadas, con servidores de Base de Datos, Dominio y DNS. Equipo multimedia (Cañón, Pantalla, Proyector de Acetatos) Licencias de servidores de Base de Datos (ORACLE, Sql/Server, PROGRESS, INFORMIX). Licencias de software especializado para la implantación de OLAP PERFIL PROFESIOGRAFICO DEL DOCENTE Deberá tener experiencia en el diseño e implementación de aplicaciones de bases de Datos, así como estar actualizado con la tecnología de punta en el área de Base de Datos, data warehousing, minería de datos y OLAP.