1.-DATOS DE LA ASIGNATURA

Transcripción

1 1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: HISTORIA DEL PROGRAMA Lugar y fecha de elaboración o revisión Instituto Tecnológico de Zacatecas del 7 al 18 de noviembre del Participantes Academia de sistemas y computación del Instituto Tecnológico de Zacatecas. Observaciones (cambios y justificación) 3.-UBICACIÓN DE LA ASIGNATURA a) Relación con otras asignaturas del plan de estudios Anteriores Posteriores Asignatura Temas Asignatura Temas Colas, Pilas, Listas Todos Enlazadas, etc. Estructuras de Datos Fundamentos de desarrollo de sistemas Modelos de proceso de software, diseño y arquitectura de productos de software. Tecnologías de Comercio Electrónico Fundamentos de Bases de Taller de bases de Probabilidad y Estadística Conceptos de base de datos, Diseño de base de datos, Lenguajes de bases de Creación y manipulación de bases de Todos

2 b) Aportación de la asignatura al perfil del egresado Proporciona los fundamentos sobre minería de datos y descubrimiento de conocimiento incluyendo fundamentos estadísticos, descubrimiento de asociaciones, clasificación, agrupamiento, soporte de base de datos, etc. 4.-OBJETIVO(S) GENERAL(ES) DEL CURSO El estudiante conocerá lo que es la minería de datos y su importancia y será capaz de utilizar las herramientas existentes para descubrir relaciones desconocidas en la base de datos con la que cuente. 5.-TEMARIO Unidad Temas Subtemas 1 Introducción a la minería de datos y aprendizaje de máquina Entradas y Salidas Métodos Básicos Evaluación del Conocimiento Obtenido Qué es la minería de datos y el aprendizaje de máquina? Ejemplos Simples. Aprendizaje de máquina y estadística. Entradas: Conceptos, Instancias y atributos Qué es un concepto? Qué es una atributo? Preparación de la entrada. Salida: Representación del Conocimiento Tablas de Decisión Arboles de Decisión Reglas de Clasificación Reglas de Asociación Clusters (Grupos). Modelado estadístico. Construcción de árboles de decisión. Construcción de reglas. Minería de reglas de asociación. Modelos lineales. Aprendizaje basado en instancias. Agrupamiento. Entrenamiento y Prueba. Rendimiento de la Predicción. Validación Cruzada. Comparación de métodos de

3 Transformaciones Herramientas de Minería de Datos minería de Predicción de probabilidades. Determinación del Costo. Selección de atributos. Discretización de los atributos numéricos. Algunas transformaciones útiles. Limpiado automático de Combinación de múltiples métodos. Uso de datos no etiquetados. Introducción a la herramienta. Algoritmos de Filtrado. Algoritmos de Aprendizaje. Algoritmos de meta-aprendizaje. Algoritmos de agrupamiento. Selección de atributos. 6.-APRENDIZAJES REQUERIDOS Probabilidad y Estadística Estructuras de Datos Dominio de: Diseño de bases de datos relacionales. Diseño de consultas en álgebra relacional y SQL 7.-SUGERENCIAS DIDACTICAS Desarrollar ejemplos de lo simple a lo complejo, buscando que éste, asocie el tema con elementos significativos de su entorno. Hacer de las horas prácticas un taller donde el profesor coordine el desarrollo de ejemplos, teniendo el cuidado que durante la solución se resalten los puntos de importancia que la teoría define, ya sea como concepto o el uso de la sintaxis en el momento de su aplicación. Elaborar un conjunto de problemas actuales asociados al entorno. Solicitar el desarrollo de un proyecto del interés de los estudiantes, aplicando los conocimientos adquiridos durante el curso. Definir un esquema de documentación de los trabajos ya sea de investigación documental o desarrollo de aplicaciones, el cual sustente las estrategias metodológicas del caso. Involucrar al estudiante en las innovaciones que la evolución de la minería de datos generan día con día, propiciando que éste se documente en distintas fuentes de información impresa y electrónica. Seleccionar, en acuerdo de academia, las tecnologías a utilizar de acuerdo a las necesidades del entorno, el contenido del programa y los recursos disponibles. Aplicar las tecnologías seleccionadas y sus características particulares al

4 contenido del programa. Propiciar el trabajo en equipo. Identificar por equipos un problema que pueda ser utilizado como proyecto a lo largo del curso. 8.-SUGERENCIAS DE EVALUACION Realizar una evaluación diagnóstica al inicio del curso para conocer el desempeño académico del estudiante y programar las actividades del curso. Trabajos de investigación. Tareas relacionadas con la solución de problemas de minería de Exposición de soluciones a problemas reales que tiene significado para el estudiante y que son producto de su iniciativa. Establecer de común acuerdo con los estudiantes, la ponderación de las diferentes actividades del curso. En aquellas unidades que requieran la solución de problemas se recomienda que la evaluación se realice mediante el uso de la computadora. Seguimiento de los avances y documentación del proyecto propuesto. 9. UNIDADES DE APRENDIZAJE UNIDAD 1.- Introducción a la minería de datos y aprendizaje de máquina. El estudiante se familiarizará con el concepto de minería de datos y conocerá los fundamentos estadísticos necesarios para realizar minería de información, los usos que tiene la minería de datos, hacer un reporte escrito y discutirlo en clase. Realizar una tabla con aplicaciones existentes que utilicen la minería de 1,2,3,4,5,6 UNIDAD 2.- Entradas y Salidas. El estudiante conocerá la forma en que se da la entrada para el proceso de minería de datos así como la representación que se información, las formas en que tienen que estar las entradas para la minería de datos, hacer un reporte escrito y discutirlo en clase. Realizar una tabla comparativa de los métodos de representación del

5 le da a los resultados. conocimiento. UNIDAD 3.- Métodos Básicos. El estudiante conocerá las técnicas que utiliza el proceso de minería de datos para aprender nuevas relaciones a partir de los datos de entrada información, las transformaciones que se pueden realizar a los datos de entrada para facilitar el proceso de minería de datos, hacer un reporte escrito y discutirlo en clase. Realizar ejercicios de agrupamiento (clustering) para dejar más claro su funcionamiento. Realizar ejercicios de construcción de árboles de decisión para dejar más claro su funcionamiento. UNIDAD 4.- Evaluación del Conocimiento Obtenido. El estudiante 4.1 aprenderá como se información, las diversas técnicas que puede evaluar si las existen para evaluar los resultados de la técnicas utilizadas en minería de datos, hacer un reporte el proceso de minería escrito y discutirlo en clase. de datos arroja 4.2 Realizar un análisis comparativo del resultados costo que tiene cada una de las técnicas significativos. de evaluación y discutirlo en clase. 4.3 Identificar un problema que pueda ser utilizado como proyecto de curso de acuerdo con el profesor. UNIDAD 5.- Transformaciones. El estudiante aprenderá como se puede preprocesar la entrada para facilitarle el trabajo a los métodos de aprendizaje información, las diversas técnicas que existen para evaluar los resultados de la minería de datos, hacer un reporte escrito y discutirlo en clase. Realizar ejercicios de las distintas transformaciones de la entrada para dejar claro su funcionamiento. Presentar el avance del proyecto.

6 UNIDAD 6.- Herramientas de Minería de Datos. El estudiante 6.1 Realizar prácticas con alguna aprenderá a utilizar herramienta de minería de datos tal una herramienta de como WEKA. minería de datos y la 6.2 Presentar el avance del proyecto. aplicará para resolver problemas reales. 8, 10. FUENTES DE INFORMACION 1. Margaret H. Dunham Data Mining: Introductory and Advanced Topics Prentice Hall 2. J. Han and M. Kamber Data Mining: Concepts and Techniques Morgan Kaufmann Publishers 3. D. Hand, H. Mannila and P. Smyth Principles of Data Mining MIT Press 4. Ian H. Witten, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations Morgan Kaufmann Publishers 5. Mehmed Kantardzic Data Mining: Concepts, Models, Methods, and Algorithms Wiley-IEEE Press 6. Tan, Steinbach, Kumar Introduction to Data Mining Addison-Wesley 7. Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth Advances in Knowledge Discovery and Data Mining AAAI/MIT Press 8. Ian H. Witten, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann, 2nd edition 9. Dorian Pyle Data Preparation for Data Mining Morgan Kaufmann 10. Daniel T. Larose Discovering Knowledge in Data : An Introduction to Data Mining Wiley-Interscience

7 11. PRACTICAS PROPUESTAS Unidad Práctica Prácticas de filtrado usando alguna herramienta de minería de Prácticas de aprendizaje usando alguna herramienta de minería de Prácticas de meta-aprendizaje usando alguna herramienta de minería de Prácticas de agrupamiento usando alguna herramienta de minería de Proyecto individual y/o de grupo.