OPTATIVA I: MINERIA DE DATOS

Transcripción

1 UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan de estudios: Ingeniería Ingeniería de Software Optativa OPSW6 Séptimo Ciencias de la Computación e Informática Créditos 4 Total de horas por semana: 4 Teoría: 2 Práctica 3 Taller: Laboratorio: Prácticas complementarias: Trabajo extra clase: Total de horas semestre: 64 Fecha de actualización: Enero del 20 Materia requisito: Propósito del curso: El alumno podrá describir, de una manera metodológica y pragmática, el proceso de extracción de conocimiento a partir de datos. Se explica el proceso en su conjunto, sus motivaciones y beneficios, estableciendo conexiones con las disciplinas relacionadas y los sistemas con los que debe integrarse. El curso contrasta y despliega, mediante numerosos ejemplos realizados en paquetes de minería de datos y prácticas de laboratorio usando la paquetería WEKA, las técnicas que se requieren en cada fase del proceso: técnicas de preparación y almacenes de datos, técnicas propias de extracción de modelos (clasificación y regresión) y técnicas de evaluación y difusión del conocimiento extraído. Al final del curso el estudiante: Describir de forma lógica como ocurre la extracción de conocimiento útil a partir de un conjunto de datos. Aplicar metodologías de extracción de conocimiento sobre datos duros. Utilizar herramientas que le faciliten la extracción de conocimiento. Resolver mediante una aplicación final, la implementación de un sistema de software para extracción de conocimientos. Aplicar en conjunto con metodologías socio-culturales y metodologías matemáticas y estadísticas para la mejor extracción de conocimiento.

2 COMPETENCIAS (Tipo Y Nombre de la competencias que nutre la materia y a las que contribuye). El curso promueve las siguientes competencias: Competencias Básicas: Solución de problemas. Trabajo en equipo y liderazgo. Comunicación. Competencias Profesionales: Proyectos de Ingeniería Ingeniería de Proceso Competencias Específicas: Básicos de Computación en Ingeniería del Software DOMINIOS COGNITIVOS. (Objetos de estudio, temas y subtemas) UNIDAD I: INTRODUCCIÓN.. Puesta en común y plan del curso.2. Sistema de predicción.3. El Proceso de Extracción de Conocimiento.4. WEKA.5. Recopilación de Datos.6. Limpieza y Transformación de Datos..7. Filtros en WEKA. UNIDAD II: TÉCNICAS DE MINERÍA DE DATOS 2.. El Problema de la Extracción del Conocimiento Métodos de Regresión Árboles de Decisión Técnicas de Evaluación Sistemas de Aprendizaje de Reglas Experimentación con los modelos Obtener el mejor algoritmo de aprendizaje para ciertos datos Redes Neuronales Artificiales Metodología para obtener el modelo más preciso y comprensible Combinación de Modelos. UNIDAD III: APLICACIÓN DEL CONOCIMIENTO 3.. Clases de WEKA Carga y transformación de formatos de archivos Creación y transformación de atributos. RESULTADOS DE APRENDIZAJE. (Por objeto de estudio). Define el concepto básico de minería de datos, así como su uso, y se le le presenta la herramienta Weka como ayuda a la implementación de sistemas de minería de datos. Describe los conceptos básicos de la implementación de sistemas inteligentes, así como de modelado de conocimiento. Se le presenta los principales campos de estudio y los subtemas que en estos se manejan Aplicar los conceptos analizados en la unidad anterior y los aplica en el contexto especifico de Weka

3 OBJETO DE ESTUDIO UNIDAD I: INTRODUCCIÓN UNIDAD II: TÉCNICAS DE MINERÍA DE DATOS UNIDAD III: APLICACIÓN DEL CONOCIMIENTO 3.4. Creación de clasificadores Evaluación de modelos Desarrollo de Sistemas de Predicción. METODOLOGIA (Estrategias, secuencias, recursos didácticos) Para el logro de los objetivos del curso, se propiciará la participación activa del alumno, el proceso enseñanza aprendizaje consistirá de las siguientes actividades: Exposición y guía por parte del maestro Participación del alumno en los diferentes temas Exposición de temas por parte del alumno Prácticas de laboratorio Desarrollo de tareas e investigaciones Solución de casos de estudio Desarrollo de proyectos EVIDENCIAS DE APRENDIZAJE. Tareas de Investigación Prácticas de Laboratorio Exposiciones FUENTES DE INFORMACIÓN (Bibliografía, Direcciones electrónicas). Hernández Orallo José, Ramírez Quintana José M. Ferri Ramírez Cesar. (2004). Introducción a la minería de datos. Pearson 2. De Raedt, L.; Dehaspe, L. (997). Clausal Discovery Machine Learning, 26, Fayyad U.M. Piatetskiy Shapiro G. Smith P.; Ramasasmy U. (996). Advances in Knowledge Discovery and Data Mining, AAAI Press / MIT Press. 4. Han, J. Kamber, M. (200). Data Mining: concepts and techniques. (3a Edición) Morgan Kaufmann. USA. 5. Michalski, R. Bratko, I. Kubat, M. (998). EVALUACIÓN DE LOS APRENDIZAJES (Criterios e instrumentos) Se toma en cuenta para integrar calificaciones parciales: Discusión Individual y por equipo, tareas y prácticas, lo cual otorga un valor del 20% 3 Exámenes parciales escritos donde se evalúan conocimientos, comprensión y aplicación con un valor de 80% cada uno. La acreditación del curso se integra por promedio de las 3 calificaciones parciales. Nota: para acreditar el curso la calificación mínima aprobatoria será de 6.0 La evaluación del proceso enseñanza aprendizaje se realizará de manera continua a través de todo el curso, tomando en cuenta los siguientes aspectos

4 Machine Learning and data mining: methods and applications. John Wiley and Sons. 6. Michie D. Spiegelhalter, D.J, Taylor, C.C. (994). Machine Learning. Neural and Statistical Classification. Ellis Hoewood. New York. 7. Mitchell Tom. (997). Machine Learning. (a Edition). McGraw-Hill. 8. Partridge D. (997). The Case for Inductive Programming IEEE Computer, January, Piatetsky-Shapiro, G.; Frawley, W. (99) Knowledge Discovery in Databases, AAAI Press / The MIT Press. para cada parcial: Forma Aspecto Peso (%) Individual Examen Teórico 20 Examen Práctico 5 Participación en Clase 0 Equipo Tareas: lecturas e 0 investigaciones Documentación 5 de prácticas de laboratorio Exposición del 0 proyecto desarrollado Documentación 0 técnica del proyecto 5 Documentación del tema de exposición Exposición de un tema 5 0. Weiss, S.; Kulikowski, C. (99) Computer systems that learn: classification and prediction methods from statistics, neural nets, machine learning and expert systems. Morgan Kaufmann.. Witten, I.H.; Eibe, F. (999) "Tools for Data Mining", Morgan Kaufmann. 2. Witten, I.H.; Frank, E. (2005) Data Mining: practical machine learning tools and techniques with Java implementations. Morgan Kaufmann Cronograma Del Avance Programático S e m a n a s Objetos de estudio I. INTRODUCCIÓN II. TÉCNICAS DE MINERÍA DE DATOS

5 III. APLICACIÓN DEL CONOCIMIENTO