DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

Transcripción

1 : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la lemas propios de la lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 229 lemas propios de la. 229

2 Se introducen temas de investigación para que el alumno pueda interesarse en desarrollar alguna tesis relacionada. Al final del curso el estudiante será capaz de: 8. Evaluar y aplicar técnicas de minería de datos para dar solución a problemas 9. Usar herramientas profesionales para explorar aplicaciones de la minería de datos. 10. Identificar oportunidades de aplicación de la minería de datos al entorno en el cual se desenvuelve El aprendizaje se hará siguiendo la metodología de los casos, a partir del análisis de conjuntos de datos complejos provenientes de problemas reales. A partir de estos problemas se desarrollarán los conocimientos científicos necesarios en clase de teoría y su aplicación en las clases de laboratorio, de tal manera que la programación y/o integración de funciones de minería de datos reforzará la asimilación de los diferentes conceptos explicados. COMPETENCIAS (Tipo, nombre y componentes de la competencia) Competencias Genéricas: Comunicación verbal Pensamiento critico Razonamiento analítico Resolución de problemas Competencias Especificas: Diseño e implementación de sistemas Verificación y validación DOMINIOS COGNITIVOS. (Objetos de estudio, temas y Subtemas) 1. La y el KDD Las Fases del Proceso de Extracción de Conocimiento Fase de Integración y Recopilación Fase de Selección, Limpieza y Transformación. 1.. Fase de Fase de Evaluación e Interpretación Fase de Difusión, Uso y Monitorización. 2. Técnicas de El Problema de la Extracción de Patrones 2.2. Árboles de Decisión y Reglas 2.3. Redes Neuronales Artificiales 2.. Algoritmos Evolutivos y Reglas Difusas 2.5. Combinación de Modelos 2.6. Modelización Estadística Paramétrica RESULTADOS DE APRENDIZAJE. (Por objeto de estudio). Contextualizar la Minería de Datos en las etapas de un proceso más grande el KDD. Identificar las técnicas estadísticas, de inteligencia artificial y/o de aprendizaje computacional más apropiadas para el problema a resolver. 3. Evaluación de modelos Introducción 3.2. Evaluación de Clasificadores 3.3. Evaluación de Modelos de Evaluar la calidad del conocimiento aprendido. 230

3 Regresión 3.. Comparación de Técnicas de Aprendizaje 3.5. Evaluación Basada en Complejidad de la Hipótesis. El Principio MDL. Metodologías.1. CRoss-Industry Standard Process for Data Mining (CRISP-DM)..2. La guía SEMMA del SAS Enterprise Miner..3. Creación de Predicción. 5. Herramientas 5.1. Clasificaciones WEKA Clementine. 5.. System R 5.5. Data Miner Orange. 6. Implantación e impacto de la 6.1. Introducción Cuándo Empezar? Necesidades y de Negocio Formulación del Programa: Fases e Implantación. 6.. Integración con las Herramientas y Proyectos de la Organización Recursos Necesarios Impacto Social de la Cuestiones Éticas y Legales. 7. Temas de investigación Aprendizaje incremental en bases relacionales Desarrollo rápido de sistemas de predicción. 7.. Evaluación con múltiples factores de calidad. Construir un sistema de para la solución de problemas de predicción enfocados a la toma de decisiones, utilizando una metodología. Conocer los sistemas profesionales más utilizados de Minería de Datos. Utilizar sistemas de para la resolución de problemas reales. Identificar problemas de en el entorno profesional. Reconocer temas de interés a desarrollar en tesis. 231

4 OBJETO DE APRENDIZAJE 1. La y el KDD 2. Técnicas de Minería de Datos 3. Evaluación de modelos. Metodologías 5. Herramientas 6. Implantación e impacto de la 7. Temas de investigación METODOLOGIA (Estrategias, secuencias, recursos didácticos) El profesor podrá utilizar las estrategias y secuencias que considere convenientes para que el estudiante logre el aprendizaje requerido. Los recursos didácticos podrán ser entre otros: Exposiciones, demostraciones, discusiones de grupo, preguntas y respuestas, revisión de literatura, laboratorios, talleres, presentaciones por especialistas invitados de la industria. EVIDENCIAS DE APRENDIZAJE. Exámenes, presentaciones, reportes y/o foros donde el estudiante interprete, contraste, distinga o discuta los elementos del contenido temático FUENTES DE INFORMACIÓN (Bibliografía, direcciones electrónicas) Orallo, José Hernández; Ramírez Quintana, M. José; Ferri Ramírez, Cèsar. (200). Introducción a la minería de datos Editorial Pearson. (libro de texto) De Raedt, L.; Dehaspe, L. (1997) Clausal Discovery Machine Learning, 26, Fayyad, U.M.; Piatetskiy-Shapiro, G.; Smith, P.; Ramasasmy, U. (1996) Advances in Knowledge Discovery and Data Mining, AAAI Press / MIT Press. Han, J.; Kamber, M. (2001) Data Mining: concepts and techniques, Morgan Kaufmann. Michalski, R.; Bratko, I.; Kubat, M. (1998) Machine Learning and data mining: methods and applications, John Wiley and Sons. Michie, D.; Spiegelhalter, D.J.; Taylor, C.C. (199) Machine Learning, Neural and Statistical Classification, Ellis Hoewood, New York. Mitchell T. (1997) Machine Learning, McGraw-Hill. Partridge, D. (1997) The Case for Inductive Programming IEEE Computer, January, Piatetsky-Shapiro, G.; Frawley, W. (1991) Knowledge Discovery in Databases, AAAI Press / The MIT Press. Weiss, S.; Kulikowski, C. (1991) Computer systems that learn: classification and prediction methods from statistics, neural nets, machine learning and expert systems. Morgan Kaufmann. Witten, I.H.; Eibe, F. (1999) "Tools for Data Mining", Morgan Kaufmann. Witten, I.H.; Frank, E. (2005) Data Mining: practical machine learning tools and techniques with Java implementarions. Morgan Kaufmann EVALUACIÓN DE LOS APRENDIZAJES (Criterios e instrumentos) La evaluación del proceso enseñanza aprendizaje se realizará de manera continua a través de todo el curso, tomando en cuenta los siguientes aspectos para cada parcial: Individual Examen Teórico 20% Examen Practico 15 % Participación en Clase 10% Equipo Tareas: Lecturas e investigaciones 10% Documentación de prácticas de laboratorio 15% Exposición del proyecto desarrollado 10% Documentación técnica del proyecto 10% Documentación del tema de exposición 5% Exposición de un tema 5% Para cumplir con la participación en clase se deben realizar una pregunta y una contestación interesante relacionadas con el contenido del parcial en cuestión. Al inicio de cada período parcial el maestro asignará las exposiciones de temas a realizarse en ese período. Se deben subir los documentos a la plataforma virtual del curso. En el caso de que la plataforma falle se debe enviar el documento a correo electrónico del maestro. La calificación mínima aprobatoria es de

5 Cronograma del Avance Programático S e m a n a s Objetos de aprendizaje La y el KDD. X X Técnicas de. X X X Evaluación de modelos. X Metodologías. X X Herramientas. X X X Implantación e impacto de la MD. X X X Temas de investigación. X X 233