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

Transcripción

1 UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA MINERÍA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan de estudios: Ingeniería Ingeniería en Ciencias de la Computación Optativa Ingeniería Aplicada Créditos 4 Total de horas por semana: 4 Teoría: 2 Práctica 2 Taller: Laboratorio: Prácticas complementarias: Trabajo extra clase: Total de horas semestre: 48 Fecha de actualización: Septiembre, 2015 Materia requisito: Ninguna Propósito del curso : Fomento de habilidades en el estudiante para el desarrollo proyectos de minería de datos (MD) que culminen con la creación de sistemas de predicción y sistemas expertos. Para ello se aportan las técnicas de minería de datos más importantes para obtener modelos de predicción para las tareas de clasificación y la regresión. El curso le aporta al estudiante los temas para transformación de datos utilizando, aplicación de pruebas estadísticas t pareadas para selección del mejor algoritmo, elección de a la mejor configuración de un algoritmo de MD para crear el mejor modelo, e tomando como base principalmente las características de calidad que son medibles, precisión y comprensibilidad, con aplicación del principio de longitud mínima (MDL).

2 COMPETENCIAS (Tipo Y Nombre de la competencias que nutre la materia y a las que contribuye). Para todas las unidades en el temario: Competencias Básicas: Trabajo en equipo y liderazgo Participa en la elaboración y ejecución de planes y proyectos mediante el trabajo en equipo. Competencias Específicas: Fundamentos de Ciencias de la Computación Diseña y aplica algoritmos, estructuras y representación de datos para soluciones computacionales. Modelado y análisis e Sistemas Computacionales Aplica los principios de modelado de sistemas de cómputo para su análisis y desarrollo. DOMINIOS COGNITIVOS. (Objetos de estudio, temas y subtemas) 1. La Minería de Datos y el KDD 1.1. Introducción 1.2. Las Fases del Proceso de Extracción de Conocimiento Fase de Integración y Recopilación Fase de Selección, Limpieza y Transformación Fase de Minería de Datos Fase de Evaluación e Interpretación Fase de Difusión, Uso y Monitorización. 2. Técnicas de Minería de Datos 2.1. El Problema de la Extracción de Patrones 2.2. Árboles de Decisión y Sistemas de Reglas 2.3. Redes Neuronales Artificiales 2.4. Algoritmos Evolutivos y Reglas Difusas 2.5. Combinación de Modelos 2.6. Modelización Estadística Paramétrica 2.7. Evaluación de modelos Introducción Evaluación de Clasificadores Evaluación de Modelos de Regresión Comparación de Técnicas de Aprendizaje Evaluación Basada en RESULTADOS DE APRENDIZAJE. (Por objeto de estudio). Contextualizar la Minería de Datos en las etapas de un proceso KDD. Selecciona las técnicas estadísticas, de inteligencia artificial y/o de aprendizaje computacional más apropiadas para el planteamiento del problema a resolver.

3 Complejidad de la Hipótesis. El Principio MDL 3. Desarrollo de Sistemas Computacionales usando MD 3.1. Metodologías CRoss-Industry Standard Process for Data Mining (CRISP-DM) La guía SEMMA del SAS Enterprise Miner Creación de Sistemas de Predicción Herramientas Clasificaciones WEKA Clementine System R Orange Casos de Estudio Deporte Correo Electrónico Médicina Entretenimiento Industria Otros casos Elabora sistemas de predicción para la solución de problemas de predicción enfocados a la toma de decisiones, utilizando una metodología. Identifica los sistemas profesionales más utilizados en Minería de Datos. Utilizar sistemas de Minería de Datos para la resolución de problemas El temario se organiza en tres unidades, el contenido conceptual de la asignatura y el preprocesamiento de los datos es abordado en la primera unidad. La segunda se orienta con el aprendizaje de las principales técnicas y la evaluación de calidad de los modelo de predicción. En la última unidad se aplican los conocimientos obtenidos en las dos unidades anteriores en el desarrollo de sistemas de predicción y sistemas expertos usando MD. Una de las finalidades de este curso consiste en abordar reiteradamente la creación de sistema usando MD para que apoyen la toma de decisiones de sus

4 usuarios. Los usuarios son habilitados con una herramienta (el sistema de predicción) que le permite actuar como si fuera un experto en el área. El enfoque sugerido para la materia requiere que las actividades prácticas promuevan el desarrollo de habilidades para la experimentación, tales como: identificación, manejo y control de un lenguaje de programación, una herramienta para hacer MD, una metodología de desarrollo de proyectos de MD. En las actividades prácticas sugeridas, es conveniente que el profesor busque sólo guiar a sus estudiantes, para que hagan la elección del lenguaje y software a utilizar. De esta manera, lograrán entender y aplicar el proceso de planificación. 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. En el transcurso de las actividades programadas, es muy importante que el estudiante aprenda a valorar las actividades que lleva a cabo y entienda que está construyendo su hacer futuro y en consecuencia actúe de una manera profesional; de igual manera, aprecie la importancia del conocimiento y los hábitos de trabajo; desarrolle la precisión y la curiosidad, la puntualidad, el entusiasmo y el interés, la tenacidad, la flexibilidad y la autonomía. FUENTES DE INFORMACIÓN (Bibliografía, Direcciones electrónicas) Orallo, José Hernández; Ramírez Quintana, M. José; Ferri Ramírez, Cèsar. (2004). 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. 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: Forma Aspecto Peso (%) Examen Teórico Examen Práctico Individual Participación en Clase Equipo Lecturas Tareas:trabajos de investigación. Documentación de

5 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. (1994) 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 prácticas de laboratorio Exposición del proyecto desarrollado Documentación técnica del proyecto Documentación del tema de exposición Exposición de un tema 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. Nota: La calificación mínima aprobatoria será de 6.0 Cronograma del Avance Programático S e m a n a s Objetos de Estudio La Minería de Datos y el KDD 2. Técnicas de Minería de Datos 3. Desarrollo de Sistemas Computacionales usando MD