Programa Educativo (PE): Licenciatura en Ciencias de la Computación Área: Tecnología Programa de Asignatura: Minería de Datos Código: CCOM-606 Créditos: 5 Fecha: Julio de 2009 1
1. DATOS GENERALES Nivel Educativo: Nombre del Programa Educativo: Modalidad Académica: Nombre de la Asignatura: Ubicación: Correlación: Asignaturas Precedentes: Asignaturas Consecuentes: Licenciatura Licenciatura en Ciencias de la Computaciòn Mixta Minerìa de Datos Nivel Formativo Bases de Datos Sin Consecuente Conocimientos: Bases de Datos, Probabilidad y Estadìstica. Conocimientos, habilidades, actitudes y valores previos: Habilidades: Abstraer, Modelar, Experimentar, Interpretar resultados, Correlacionar y aplicar conocimientos previos. Actitudes y valores previos: Actitud favorable para el trabajo multidisciplinario y en equipo, tolerancia para realizar pruebas no siempre exitosas. De respeto y empatía con las personas. 2. CARGA HORARIA DEL ESTUDIANTE Concepto Horas por periodo Numero de créditos Horas teoría y práctica 80 5 Horas de práctica profesional crítica Horas de trabajo independiente Total 80 5 2
3. REVISIONES Y ACTUALIZACIONES Ma. del Rocìo Boone Rojas (Coord. Responsable de Prog. de Asignatura) Marìa J. Somodevilla Garcìa. Autores: Marco Antonio Soriano Ulloa David E. Pinto Avendaño. Fecha de diseño: Julio 16, 2009 Fecha de la última actualización: Julio 16, 2009 ACADEMIA DEL ÁREA DE BASES DE DATOS E ING. DE SOFTWARE: AMBROSIO VÁZQUEZ ALMA DELIA BOONE ROJAS MARIA DEL ROCIO DE LA ROSA FLORES RAFAEL MARÍN DORADO GUILLERMO Revisores: MOLINA GARCIA MARÍA DEL CONSUELO PÉREZ DE CELIS HERRERO MARÍA DE LA CONCEPCIÓN PINTO AVENDAÑO DAVID SOMODEVILLA GARCÍA MARÍA JOSEFA SORIANO ULLOA MARCO ANTONIO Esta asignatura fue creada por la necesidad de incorporar un campo de investigación emergente de las Ciencias de la Computaciòn, que permitarà Sinopsis de la revisión y/o actualización al alumno conocer los modelos, técnicas y herramientas para la extracción de conocimiento de los datos, útil para el análisis y toma de decisiones. 4. PERFIL DESEABLE DEL PROFESOR (A) PARA IMPARTIR LA ASIGNATURA: Disciplina Profesional: Ciencias de la Computaciòn. 3
Nivel Académico: Experiencia Docente: Experiencia Profesional: Maestrìa 6 años 5 años 5. OBJETIVOS: 5.1 Educacional: El estudiante resolverá problemas con un enfoque metodológico, utilizando técnicas y herramientas computacionales. 5.2. General: Que el alumno sea capaz de resolver problemas que involucren un proceso de Extracciòn de Conocimiento. En particular, que utilice modelos, técnicas y herramientas de la fase de Minerìa de Datos. 5.3. Específicos: Que el alumno sea capaz de. 1. Situar los antecedentes, el concepto de Minerìa de Datos, Problemas, tipos de datos y modelos a los que se aplica, su relación con otras disciplinas y ámbitos de aplicación. 2. Identificar las nociones básicas de cada una de las fases del proceso de Descubrimiento de Conocimiento en Bases de Datos (Knowledge Discovery from Databases, KDD). 3. Identificar y aplicar metodologías y técnicas asociadas a la primera fase del KDD, llamada de integración y recopilación, y realizar algunas consideraciones sobre las fases de limpieza y transformación y de exploración y selección de datos. 4. Identificar y aplicar las principales técnicas para resolver problemas de Minerìa de datos, asì como la forma de expresar su resultado. 5. Conocer las características y experimentar las facilidades básicas de alguna herramienta para la Minerìa de Datos. 6. Analizar alguna aplicación de la Minerìa de Datos e identificar cada una de las fases del proceso de KDD asociado a la aplicaciòn. 4
6. MAPA CONCEPTUAL DE LA ASIGNATURA: 5
7. CONTENIDO Unidad 1. Introducción. Objetivo Específico Conocer los antecedentes, el concepto de Minería de Datos, Problemas, tipos de datos y modelos a los que se aplica, su relación con otras disciplinas y sus ámbitos de aplicación. Contenido Temático/Actividades de aprendizaje 1.1 Antecedentes y el Concepto de Minería de Datos. 1.2 Ejemplos de problemas de aplicación. 1.3 Tipos de Datos. 1.3.1 Estructurados. 1.3.2 Complejos o Heterogéneos. 1.4 Tipos de Modelos. 1.5 La minería de datos y el KDD. 1.6 Relación con otras Disciplinas. 1.7 Ámbitos de Aplicación. Básica José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a la Minería de Datos, Editorial Pearson, ISBN: 84 205 4091 9, 2004 Ian Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2 nd Edition, Morgan Kaufmann, ISBN 0120884070, 2005. Bibliografía Complementaria Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2 nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A Knowledge Discovery Approach, Springer, ISBN: 978-0-387-33333-5, 2007. 2. El Proceso de KDD. Proporcionar las nociones básicas de cada una de las fases del proceso de Descubrimiento de Conocimiento en Bases de Datos (Knowledge Discovery from Databases, KDD). 3.1 Las Fases del Proceso de Extracción de Conocimiento. 3.2 Fase de Integración y Recopilación. 3.3 Fase de Selección, Limpieza y Transformación. 3.4 Fase de Minería de Datos. José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a la Minería de Datos, Editorial Pearson, ISBN: 84 205 4091 9, 2004 Ian Witten and Eibe Frank, Data Mining: Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2 nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A 6
Unidad Objetivo Contenido Bibliografía 3.5 Fase de Evaluación e Interpretación. 3.6 Fase de Difusión, Uso y Monitorización. 3. Preparación de Datos. Estudiar e identificar las metodologías y técnicas asociadas a la primera fase del KDD, llamada de integración y recopilación, y realizar algunas consideraciones sobre las fases de limpieza y transformación y de exploración y selección de datos. Antecedentes de las bodegas de datos. OLTP y OLAP. Arquitecturas de las bodegas de datos. Implementación, Operación y Mantenimiento de una bodega de datos. Consideraciones sobre la fase de limpieza y transformación. Valores anómalos, valores faltantes. Consideraciones sobre la fase de exploración y selección. Practical Machine Learning Tools and Techniques, 2 nd Edition, Morgan Kaufmann, ISBN 0120884070, 2005. José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a la Minería de Datos, Editorial Pearson, ISBN: 84 205 4091 9, 2004 Ian Witten and Eibe Frank, Data Mining: Practical Machine Learning Tools and Techniques, 2 nd Edition, Morgan Kaufmann, ISBN 0120884070, 2005. Knowledge Discovery Approach, Springer, ISBN: 978-0-387-33333-5, 2007. Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2 nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A Knowledge Discovery Approach, Springer, ISBN: 978-0-387-33333-5, 2007. 4. Técnicas de Minería de Datos. Identificar técnicas representativas para realizar tareas que permiten la generación de modelos predictivos y/o descriptivos. 4.1 Reglas de Asociación. A priori. 4.2 Arboles de Decisión. 4.3 Naive Bayes 4.4 Regresión Lineal y Logarítmica. 4.5 Agrupamiento. K- means. 4.6 Redes Neuronales. José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a la Minería de Datos, Editorial Pearson, ISBN: 84 205 4091 9, 2004 Ian Witten and Eibe Frank, Data Mining: Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A 7
5. Herramientas. BENÉMERITA UNIVERSIDAD AUTÓNOMA DE PUEBLA Unidad Objetivo Contenido Bibliografía Practical Machine Learning Tools and Techniques, 2nd Edition, Morgan Kaufmann, ISBN 0120884070, 2005. José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a Conocer las la Minería de Datos, características y Editorial Pearson, experimentar las ISBN: 84 205 4091 9, facilidades de alguna 2004 herramienta para la 5.1 Entorno de Trabajo Ian Witten and Eibe Minería de Datos. de Weka. Frank, Data Mining: Caso de Estudio: 5.2 Archivos arff. Practical Machine Weka. 5.3 Explorer. Learning Tools and 5.4 Ejemplos. Techniques, 2nd Edition, Morgan Kaufmann, ISBN 0120884070, 2005. Knowledge Discovery Approach, Springer, ISBN: 978-0-387-33333-5, 2007. Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A Knowledge Discovery Approach, Springer, ISBN: 978-0-387-33333-5, 2007. 6. Aplicaciones. Presentar y analizar una aplicación de Minería de Datos, en donde se revise cada una de sus fases del KDD. 1.1 Planteamiento del Problema. 1.2 Revisión de las fases del KDD para el problema planteado. José Hernández Orallo, M.José Ramírez Quintana, César Ferri Ramírez, Introducción a la Minería de Datos, Editorial Pearson, ISBN: 84 205 4091 9, 2004 Ian Witten and Eibe Frank, Data Mining: Practical Machine Jiawei Han, Micheline Kamber, Data Mining : Concepts and Techniques, 2nd edition, Morgan Kaufmann, ISBN 1558609016, 2006. K. Cios, W. Pedrycz, R. Swiniarski, L. Kurgan, Data Mining: A Knowledge Discovery 8
Unidad Objetivo Contenido Bibliografía Learning Tools and Techniques, 2nd Edition, Morgan Approach, Springer, ISBN: 978-0-387-33333-5, 2007. Kaufmann, ISBN 0120884070, 2005. 9
7. CONTRIBUCIÓN DEL PROGRAMA DE ASIGNATURA AL PERFIL DE EGRESO Unidad 1. Introducción. Perfil de egreso Conocimientos Habilidades Actitudes y valores De los antecedentes, el concepto de Minería de Datos, Problemas, tipos de datos y modelos a los que se aplica, su relación con otras disciplinas y ámbitos de aplicación. Para identificar los antecedentes, el concepto de Minería de Datos, Problemas, tipos de datos y modelos a los que se aplica, su relación con otras disciplinas y ámbitos de aplicación. Estará preparado para trabajar en equipo, emprender, liderar proyectos e incidir en la transformación sustentable de la realidad. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 2. El Proceso de KDD. De las nociones básicas de cada una de las fases del proceso de Descubrimiento de Conocimiento en Bases de Datos (Knowledge Discovery from Databases, KDD). Para identificar cada una de las fases del proceso de KDD en la resolución de problemas. Estará preparado para trabajar en equipo, emprender, liderar proyectos e incidir en la transformación sustentable de la realidad. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 3. Preparación de Datos. De las metodologías y técnicas asociadas a la primera fase del KDD, llamada de integración y recopilación, y realizar algunas Para identificar y aplicar las metodologías y técnicas necesarias para la Estará preparado para trabajar en equipo, emprender, liderar proyectos 10
Unidad consideraciones sobre las fases de limpieza y transformación y de exploración y selección de datos para la posible aplicación de una técnica de Minería de Datos. Perfil de egreso Conocimientos Habilidades Actitudes y valores preparación de los datos para e incidir en la transformación la posible aplicación de una sustentable de la realidad. técnica de Minería de Datos. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 4. Técnicas de Minería de Datos. De las principales técnicas para resolver problemas de Minería de datos, así como la forma de expresar su resultado. Para aplicar las técnicas de Minería de Datos más apropiadas en la resolución de problemas. Estará preparado para trabajar en equipo, emprender, liderar proyectos e incidir en la transformación sustentable de la realidad. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 5. Herramientas. De las características y las facilidades básicas de alguna herramienta para la Minería de Datos. Para manejar una herramienta de Minería de Datos como apoyo a la resolución de problemas. Estará preparado para trabajar en equipo, emprender, liderar proyectos e incidir en la transformación sustentable de la realidad. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 6. Aplicaciones. De al menos una aplicación de la Minería de Datos y de cada Para interactuar con usuarios y especialistas de diversas Estará preparado para trabajar en equipo, 11
Unidad una de las fases del proceso de KDD asociado a la misma. Perfil de egreso Conocimientos Habilidades Actitudes y valores áreas de conocimiento, emprender, liderar proyectos entender sus necesidades y e incidir en la transformación proponer soluciones basadas sustentable de la realidad. en la aplicación de las metodologías y técnicas asociadas al proceso de KDD. Será un profesional responsable, solidario, crítico, ético y comprometido con la sociedad y con el medio ambiente. 12
BENÉMERITA UNIVERSIDAD AUTÓNOMA DE PUEBL 9. ORIENTACIÓN DIDÁCTICO-PEDAGÓGICA. Estrategias a-e Técnicas a-e Recursos didácticos Estrategias de aprendizaje: Técnicas Materiales: Lectura y comprensión, grupales, Proyectores, Reflexión, de debate, TICs, Comparación, del diálogo, Plumón y pizarrón, Resumen. de problemas, Estrategias de enseñanza: de estudio de casos, ABP, comparación, Aprendizaje activo, síntesis, Aprendizaje cooperativo, lluvia de ideas, Aprendizaje colaborativo, analogías, Basado en el portafolio, descubrimiento. exposición. Ambientes de aprendizaje: Aula, Laboratorio, Simuladores. Actividades y experiencias de aprendizaje: Visita a diversos ámbitos de aplicación. 10. CRITERIOS DE EVALUACIÓN Criterios Porcentaje Exámenes Parciales 30 Proyectos 40 Prácticas 20 Ejercicios 10 Total 100 11. REQUISITOS DE ACREDITACIÓN El promedio de las calificaciones de los exámenes aplicados deberá ser igual o mayor que 6. Los proyectos son obligatorios. 80% mínimo de asistencia. 13