GUÍA DOCENTE. Curso Académico 2015/16. Minería de Datos: Modelos Integrados de Extracción de

Transcripción

1 GUÍA DOCENTE Curso Académico 2015/16 1. Minería de Datos: Modelos Integrados de Extracción de Conocimiento en Bases de Datos 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la asignatura Máster Máster Universitario en Métodos de Investigación en Ciencias Económicas y Empresariales Minería de Datos: Modelos Integrados de Extracción de Conocimiento en Bases de Datos Obligatoria Curso 1º Idioma de impartición Coordinador/a de la asignatura Semestre Español Martínez Estudillo, Alfonso Carlos 1º Semestre Número de créditos 4.0 Course data Study type Degree Course name Course caracter Master Master's Degree in Research Methods in Business Data Mining: Integrated Models of Knowledge Extraction in DB Required Courses Course 1º Language Spanish Página 1 de 9

2 Responsible Semester Martínez Estudillo, Alfonso Carlos 1º Semester ECTS Credits Datos del equipo de profesores Escuela de Doctorado Página web: Departamento de Matemáticas e Ingeniería Apellidos, Nombre Millán Lara, Salud Martínez Estudillo, Alfonso Carlos Hervás Martínez, César Torres Jiménez, Mercedes Correo electrónico smillan@uloyola.es acme@uloyola.es chervas@uloyola.es mtorres@uloyola.es 1.3. Requisitos previos Para cursar esta asignatura se requieren conocimientos básicos informáticos y estadística básica. 1.4 Objetivos del curso En esta materia se introducirán los principales métodos de análisis utilizados para realizar Minería de Datos. La Minería de Datos es una disciplina que pretende descubrir el conocimiento que existe en las bases de datos (normalmente grandes). En la actualidad, las organizaciones disponen de gran cantidad de datos acumulados de una forma sistemática en sus sistemas informáticos. Estas bases de datos contienen información que no es fácil de hacer explícita pero que es crucial en procesos decisionales complejos en entornos inciertos. Competencias básicas: CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación Competencias generales: Página 2 de 9

3 CG1 - Ser capaz de utilizar de forma avanzada las Tecnologías de la Información para su manejo en el ámbito de estudio. Conductas a desarrollar. El desarrollo de esta competencia implica, entre otros aspectos, tener la capacidad de: Manejar a nivel avanzado de los programas informáticos básicos asociados a las diferentes materias. Manejar a nivel avanzado de los sistemas informáticos (infraestructura) necesarios para la resolución de los modelos. Manejar a nivel avanzado de los sistemas informáticos (infraestructura) necesarios para el mantenimiento y gestión de grupos de trabajo. Introduce las competencias de Doctorado: Que los estudiantes hayan demostrado una comprensión sistemática de un campo de estudio y el dominio de las habilidades y métodos de investigación relacionados con dicho campo Que los estudiantes sepan comunicarse con sus colegas, con la comunidad académica en su conjunto y con la sociedad en general acerca de sus áreas de conocimiento Que se les suponga capaces de fomentar, en contextos académicos y profesionales, el avance tecnológico, social o cultural dentro de una sociedad basada en el conocimiento Competencias transversales: CT1 - Sentido ético: sensibilizarse hacia la dimensión moral inherente a todo lo humano y lo social (acción personal, instituciones sociales) e inclinarse positivamente hacia el bien moral de uno mismo o de los demás (vivencia de sentido, realización de la persona, sentido de justicia). Niveles de dominio: 1. Identificar y reconocer lo que es la personalidad moral y sus principales elementos constitutivos (conciencia, valores, principios éticos). 2. Identificar y reconocer la dimensión moral de las instituciones sociales y su relación con la moral personal. 3. Identificar, reconocer y aplicar los valores y principios éticos que deben estar presentes en los distintos ámbitos profesionales inspirando el comportamiento humano y las instituciones sociales. Competencias específicas: CE2 - Ser capaz de aplicar los conocimientos adquiridos a la resolución de situaciones de decisión reales en el ámbito de las Ciencias Económicas y Empresariales. Niveles de dominio: 1.Identificar las soluciones eficientes más adecuadas para cada tipo de decisión. 2.Reconocer las consecuencias de la aplicación práctica de dichas soluciones. Introduce las competencias de Doctorado: Que los estudiantes hayan demostrado una comprensión sistemática de un campo de estudio y el dominio de las habilidades y métodos de investigación relacionados con dicho campo Que los estudiantes hayan demostrado la capacidad de concebir, diseñar, poner en práctica y adoptar un proceso sustancial de investigación con seriedad académica Que los estudiantes hayan realizado una contribución a través de una investigación original que amplíe las fronteras del conocimiento desarrollando un corpus sustancial, del que parte merezca la publicación referenciada a nivel nacional o internacional Que sean capaces de realizar un análisis crítico, evaluación y síntesis de ideas nuevas y complejas Que se les suponga capaces de fomentar, en contextos académicos y profesionales, el avance tecnológico, social o cultural dentro de una sociedad basada en el conocimiento 1.5. Asistencia a clase La asistencia a clase es un elemento esencial dentro del proceso de aprendizaje de la asignatura, junto con la participación activa del alumnado y el trabajo continuo. La configuración de la asignatura necesita la asistencia y la participación en clase para que se puedan alcanzar los objetivos y competencias de la asignatura. para poder optar al sistema de evaluación propuesto, es preciso asistir, al menos, al 80% de las sesiones presenciales previstas. El/la alumno/a que por concurrir causas objetivas no puedan asistir a clase, lo deberá comunicar a los profesores al comienzo del curso, justificando las circunstancias objetivas indicadas. Página 3 de 9

4 1.6. Contenidos del programa Temario Sintético 1er Bloque: Diseño y consultas de Bases de Datos - Tema 1. Bases de datos y almacenes de datos - Tema 2. Extracción de información de Bases de datos 2º Bloque: Tratamiento y análisis y modelización de los datos de las Bases de Datos - Tema 3. Preparación de los datos para realizar Minería de Datos - Tema 4. Minería de Datos Temario Detallado 1er Bloque: Diseño y consultas de Bases de Datos Tema 1: Bases de datos y almacenes de datos 1.1. Modelos de bases de datos: el modelo relacional 1.2. Normalización de bases de datos Tema 2: Extracción de información de Bases de datos 2.1. Introducción a SQL Consultas SELECT 2.3. Consultas de Acción Página 4 de 9

5 2º Bloque: Tratamiento y análisis y modelización de los datos de las Bases de Datos Tema 3: Preparación de los datos para realizar Minería de Datos 3.1. Eliminación del ruido 3.2. Integración y transformación de los datos Reducción de los datos Tema 4: Minería de Datos 4.1. Conceptos y Técnicas Descripción de Metodologías utilizadas en Minería de datos Aplicaciones a las Ciencias Sociales. Contents Synthetic Agenda 1st Block: Design and Database Query - Topic 1. Databases and data warehouses - Topic 2. Extracting information from databases 2nd Block: Processing, analysis and modeling of data from the Databases - Topic 3. Data Preparation for Data Mining - Topic 4. Data Mining Página 5 de 9

6 Detailed Agenda 1st Block: Design and Database Query Topic 1: Databases and data warehouses 1.2. Database models: the relational model 1.3. Database normalization Topic 2: Extracting Information from Databases 2.1. Introduction to SQL SELECT Queries 2.3. Action Queries 2nd Block: Processing, analysis and modeling of data from the Databases Topic 3: Preparing Data for Data Mining 3.1. Elimination of noise 3.2. Integration and data transformation Data Reduction Topic 4: Data Mining 4.1. Concepts and Techniques Description of Methodologies used in Data Mining. Página 6 de 9

7 4.3. Applications to Social Sciences Referencias de consulta José Hernández Orallo, Mª José Ramírez Quintana, César Ferri Ramírez. Introducción a la minería de datos. Pearson Education S.A. Madrid (2004) Han, J. Kamber, M. (2001) Data Mining: concepts and techniques. Morgan Kaufmann Publishers. W. H. Inmon (1996), Building the Data WhareHouse. New York: Jonh Wiley & Sons, M. James (1985), Clasification Algorithm. New York: Jonh Wiley & Sons, H. Ahn, H. Moon, M.J. Fazzari, N. Lim, J.J. Chen, R.L. Kodell (2007) Classification by ensembles from random partitions of high-dimensional data. Computational Statistics and Data Analysis 51: A.C. Martínez-Estudillo, C. Hervás-Martínez, F.J. Martínez-Estudillo, N. García (2006), Hybridation of evolutionary algorithms and local search by means of a clustering method. IEEE Transaction on Systems, Man and Cybernetics, Part. B: Cybernetics 36:3, Tutorial OLAP Microsoft. MIKE GUNDERLOY, JOSEPH L. JORDEN, DAVID W. TSCHANZ. La Biblia de SQL Server Anaya Multimedia C. ROMERO, S. VENTURA Data Mining in e-learning. Advances in Management Information, Vol. 4. WIT Press. Wessex (UK), 2006 ZHAOHUI TANG, JAMIE MACLENNAN Data Mining with Sql Server Wiley Publishing. (2005) KNIME Métodos Docentes Los instrumentos didácticos-docentes que utilizaremos en el desarrollo de la asignatura serán fundamentalmente los siguientes: La lección magistral será utilizada para la exposición de los conceptos de cada tema. Los contenidos teóricos se reflejarán sobre plataformas de gestión de bases de datos en una dinámica continua de aplicación. Desarrollo de casos para la aplicación de la teoría relacional de bases de datos y las reglas de normalización. Lecturas comentadas de artículos de investigación. Tutorías individuales en el despacho del profesor para aquellos alumnos que lo requieran. Las horas de consulta semanales establecidas por el profesor servirán de complemento al trabajo realizado en las clases y permitirá una atención más personalizada a aquellos alumnos que lo necesiten. Resolución de problemas de aprendizaje automático a partir de bases de datos con la herramienta KNIME. 3. Tiempo estimado de trabajo del estudiante Nº horas % Actividades presenciales 40 40% Clases teóricas: 15 Página 7 de 9

8 Clases prácticas: 15 Seminarios: 6 Tutorías programadas en todo el cuatrimestre: 2 Pruebas de clase 1 Realización de examen final: 1 Actividades no presenciales 60 60% (trabajo autónomo del estudiante) Preparación de actividades prácticas (ejercicios, trabajos individuales y/o en grupo, etc.) 45 Estudio semanal y preparación de exámenes 15 Especificar otros si el profesor lo considera conveniente -- Carga total de horas de trabajo % 4. Métodos de evaluación y porcentaje en la calificación final La evaluación del aprendizaje debe comprender tanto el proceso realizado como el resultado obtenido. El examen tradicional sólo permite evaluar el resultado obtenido, dejando al margen el proceso de aprendizaje. Por este motivo, en el sistema de evaluación se valorarán las actividades programadas durante el curso. Los alumnos tendrán que realizar un trabajo de investigación relacionado con el contenido de la asignatura. Los resultados de la investigación serán presentados en el formato de un artículo para congreso científico y habrá de ser presentado y defendido al finalizar el curso. En la calificación final del trabajo se tendrá en cuenta el proceso de elaboración del mismo, su contenido y la exposición realizada. La siguiente tabla muestra los porcentajes que cada método de evaluación supone en la calificación final del alumnado. Página 8 de 9

9 Métodos de evaluación Trabajo Final 75% Evaluación Continua. Ejercicios propuestos. 25% Trabajo Final (en el caso de no poder asistir a clase de forma justificada) 100% Página 9 de 9