MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN

Transcripción

1 GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie nto y clasificación Minería de datos: preprocesamiento y clasificación 1º 1º 4 OPTATIVO PROFESOR(ES) DIRECCIÓN COMPLETA DE CONTACTO PARA TUTORÍAS (Dirección postal, teléfono, correo electrónico, etc.) Profesor responsable: González Muñoz, Antonio Listado de profesores: González Muñoz, Antonio; Herrera Triguero, Francisco; Pérez Rodríguez, Raul; Gómez Olmedo, Manuel MÁSTER EN EL QUE SE IMPARTE ETSI Informática y de Telecomunicación. Universidad de Granada C/ Periodista Daniel Saucedo, s/n E GRANADA SPAIN HORARIO DE TUTORÍAS OTROS MÁSTERES A LOS QUE SE PODRÍA OFERTAR Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores PRERREQUISITOS Y/O RECOMENDACIONES (si procede) Sin requisitos previos. BREVE DESCRIPCIÓN DE CONTENIDOS (SEGÚN MEMORIA DE VERIFICACIÓN DEL MÁSTER) - Preprocesamiento de Datos. Discretización, Datos Perdidos, Reducción de la Dimensionalidad. Selección de Modelos Lineales y Regularización. Análisis de Componentes Principales (PCA) - Regresión no Lineal. Modelos avanzados - Árboles de Decisión, Bagging, Boosting y Random Forest. Algoritmos para la obtención de Reglas - Máquinas soporte vectorial (SVM) COMPETENCIAS GENERALES Y ESPECÍFICAS Página 1

2 Competencias Generales: CG1. Capacidad de acceso y gestión de la información CG2. Capacidad de análisis y síntesis CG3. Capacidad de organización y planificación CG4. Capacidad emprendedora CG5. Capacidad para tomar decisiones de forma autónoma CG7. Motivación por la calidad CG8. Capacidad para trabajar en equipo Competencias Específicas: EA3. Capacidad para la aplicación de técnicas y metodologías que permitan abordar desde nuevas perspectivas los problemas de interés, gracias a la disponibilidad de las plataformas de computación y comunicación con altos niveles de prestaciones. EA4. Capacidad de análisis de aplicaciones en ámbitos de biomedicina y bioinformática, optimización y predicción, control avanzado, y robótica bioinspirada, tanto desde el punto de vista de los requisitos para una implementación eficaz de los algoritmos y las técnicas de computación que se usan para abordarlas, como de las características deseables en las arquitecturas donde se ejecutan. EB1. Capacidad para modelar y resolver problemas reales o académicos mediante técnicas de ciencia de datos. EB2. Capacidad para modelar y resolver problemas reales o académicos mediante tecnologías inteligentes o de inteligencia computacional. EB4. Conocer algunas de las principales aplicaciones de la ciencia de datos y de las tecnologías inteligentes. OBJETIVOS (EXPRESADOS COMO RESULTADOS ESPERABLES DE LA ENSEÑANZA) El alumno aprenderá cómo resolver problemas de clasificación en minería de datos, aplicando las distintas técnicas conocidas para la etapa de modelado, así como técnicas de preprocesamiento de datos en aquellos problemas en los que la etapa de preprocesamiento sea necesaria o recomendable. En particular, el alumno: - Conocerá y manejará las diferentes técnicas de preprocesamiento de datos existentes para la selección, limpieza, enriquecimiento, reducción y transformación de datos mediate discretización, tratamiendo de datos perdidos, reducción de la dimensionalidad, selección y regularización de modelos, etc. -Conocerá y manejará técnicas de modelado a partir de datos para clasificación como la regresión no lineal, SVMs, Árboles de Decisión y Random Forest. También tendrá conocimientos básicos sobre técnicas como el Bagging, el Boosting y los algoritmos para la obtención de reglas. Al mismo tiempo y de manera práctica el alumno deberá: - Saber aplicar las técnicas anteriormente mencionadas para modelar y resolver problemas reales o académicos - Conocer las principales herramientas software existentes para modelar y resolver problemas de clasificación a partir de datos. TEMARIO DETALLADO DE LA ASIGNATURA Página 2

3 - Preprocesamiento de Datos Discretización, Datos Perdidos, Reducción de la Dimensionalidad, Selección de Modelos Lineales y Regularización. Análisis de Componentes Principales (PCA) - Regresión no Lineal. Modelos avanzados Regresión Polinomial, Funciones Escalón, Funciones Base, Regresión con Splines y Regresión Local. - Árboles de Decisión Conceptos básicos, Bagging, Boosting y Random Forest. Algoritmos para la obtención de Reglas. - Máquinas soporte vectorial (SVM) Clasificador Maximal Marginal, Clasificador de Soporte Vectorial, Máquina de Soporte Vectorial, Relación con Regresión Logística. BIBLIOGRAFÍA - An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani, Springer, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman. Second Edition, Springer, Introduction to Data Mining, Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Pearson, ENLACES RECOMENDADOS Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: Libro básico Libros Avanzados Enlaces Adicionales Página 3

4 METODOLOGÍA DOCENTE MD1. Lección magistral/expositiva. MD2. Resolución de problemas y estudio de casos prácticos. MD3. Prácticas de laboratorio. MD4. Seminarios. MD5. Análisis de fuentes y documentos. MD6. Realización de trabajos en grupo. MD7. Realización de trabajos individuales. EVALUACIÓN (INSTRUMENTOS DE EVALUACIÓN, CRITERIOS DE EVALUACIÓN Y PORCENTAJE SOBRE LA CALIFICACIÓN FINAL, ETC.) Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional. Convocatoria ordinaria: La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos: Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas. Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación. Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados. En la siguiente tabla se detalla el porcentaje sobre la calificación final de cada parte: Descripción del Sistema de Evaluación Ponderación Evaluación de la Parte Teórica 45% Evaluación de la Parte Práctica 45% Evaluación de los Seminarios y otras actividades 10% Página 4

5 Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada ( Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua. La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente. Convocatoria extraordinaria: En las convocatorias extraordinarias se utilizará la evaluación única final, tal y como se ha descrito más arriba. RÉGIMEN DE ASISTENCIA La asistencia a las clases presenciales no será obligatoria, aunque la participación en las actividades planteadas podrá ser tenida en cuenta en el sistema de evaluación continua. INFORMACIÓN ADICIONAL Página 5