Universidad Pública de Navarra



Año Académico: 2019/2020
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra (Programa Internacional)
Código: 250607 Asignatura: DESCUBRIMIENTO DEL CONOCIMIENTO MINERÍA DE DATOS
Créditos: 6 Tipo: Optativa Curso: Periodo: 2º S
Departamento:
Profesorado:
SANZ DELGADO, JOSÉ ANTONIO (Resp)   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

Módulo Mención Computación y Sistemas Inteligentes

Materia: Sistemas Inteligentes

Subir

Descripción/Contenidos

Esta asignatura pretende presentar al estudiante los principios, los conceptos básicos y las técnicas de Minería de Datos como una parte integrante del Proceso de Extracción de Conocimiento desde repositorios con gran cantidad de datos.

Subir

Descriptores

Utilización de los sistemas inteligentes en minería de datos. El proceso de descubrimiento de conocimiento y sus fases. Técnicas de pre-procesamiento de datos. Tareas de minería de datos. Sistemas interpretables basados en reglas y en árboles de decisión. Reglas de asociación. Técnicas de evaluación de los resultados.

 

Subir

Competencias genéricas

Las competencias genéricas que un alumno debería adquirir en esta asignatura son:

·             G1. Capacidad para concebir, redactar, organizar, planificar, desarrollar y firmar proyectos en el ámbito de la ingeniería en informática que tengan por objeto la concepción, el desarrollo o la explotación de sistemas, servicios y aplicaciones informáticas.

·             G2. Capacidad para dirigir las actividades objeto de los proyectos en el ámbito de la informática.

·             G4. Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas.

·             G5. Capacidad para concebir, desarrollar y mantener sistemas, servicios y aplicaciones informáticas empleando los métodos de la ingeniería del software como instrumento para el aseguramiento de su calidad.

·             G6. Capacidad para concebir y desarrollar sistemas o arquitecturas informáticas centralizadas o distribuidas integrando hardware, software y redes.

·             G9. Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.

·             G10. Conocimientos para la realización de mediciones, cálculos, valoraciones, tasaciones, peritaciones, estudios, informes, planificación de tareas y otros trabajos análogos de informática.

·             G11. Capacidad para analizar y valorar el impacto social y medioambiental de las soluciones técnicas, comprendiendo la responsabilidad ética y profesional de la actividad del Ingeniero Técnico en Informática.

Aparte de estos conocimientos y habilidades, la asignatura  pretende la adquisición de las competencias transversales:

T1. Capacidad de análisis y síntesis

T3. Comunicación oral y escrita

T4. Resolución de problemas

T5. Toma de decisiones

T6. Trabajo en equipo

T7. Razonamiento crític

T8. Aprendizaje autónomo

T9. Creatividad

Subir

Competencias específicas

Las competencias específicas que un alumno debería adquirir en esta asignatura son:

  • C1. Capacidad para tener un conocimiento profundo de los principios fundamentales y modelos de la computación y saberlos aplicar para interpretar, seleccionar, valorar, modelar, y crear nuevos conceptos, teorías, usos y desarrollos tecnológicos relacionados con la informática.
  • C4. Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes. 
  • C5. Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones     y     sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
  •  C6-A. Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
  • C7-A. Capacidad para desarrollar y evaluar sistemas interactivos y de presentación de información compleja y su aplicación a la resolución de problemas de diseño de interacción persona computadora.
  • C8-A: Capacidad para desarrollar y evaluar sistemas de aprendizaje automático incluyendo las técnicas de redes neuronales, árboles de decisión y máquinas de soporte vectorial.

 

Subir

Resultados aprendizaje

  • R1: Conocer las distintas propuestas dominantes en el campo del Aprendizaje Máquina (Machine Learning).
  • R2: Comprender la naturaleza inductiva del aprendizaje.
  • R3: Comprender las técnicas de diseño de almacenes de datos y la utilidad de los mismos tanto en el proceso de gestión de información como en el de la preparación de datos para su posterior tratamiento con técnicas de Minería de Datos.
  • R4: Utilizar sistemas inteligentes en la extracción automática de información a partir de grandes volúmenes de datos.
  • R5: Utilizar de forma eficiente las técnicas de Minería de Datos en procesos de descubrimiento y de soporte a la decisión.
  • R6: Utilizar de forma eficiente algunas herramientas de software diseñadas para tareas de Minería de Datos.
  • R7: Conocer cómo aplicar heurísticas en la Minería de Datos
  • R8: Conocer y ser capaz de aplicar técnicas como la de los árboles de decisión y la de los oráculos adversos para obtener cotas inferiores de complejidad de problemas
  • R9: Manejar y dominar las propiedades, ventajas e inconvenientes relacionados con los principales algoritmos existentes en la literatura.

 

Subir

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases magistrales 26  
A-2 Sesiones prácticas en grupos reducidos 30  
A-3 Programación/experimentación u otros trabajos en ordenador/laboratorio   30
A-4 Preparación de presentaciones de trabajos, proyectos, etc.  4  
A-5 Elaboración de trabajos y/o proyectos y escritura de memorias   20
A-6 Estudio autónomo   36
A-7 Actividades de evaluación  4  
Total 64 86

 

Las metodologías docentes son:

  • Método expositivo
  • Resolución de ejercicios y problemas
  • Evaluación de competencias
  • Orientación Aprendizaje cooperativo en grupos pequeños

Subir

Idiomas

Castellano, parte del material puede estar en Inglés.

 

Subir

Evaluación

 

Resultado de aprendizaje Sistema de evaluación Peso (%) Carácter recuperable
R1, R2, R3, R4, R5, R6, R7, R8, R9     Registro del profesor, participación activa en clase  10%  NO
R1, R2, R3, R7, R8, R9     Prueba escrita que recoja los conceptos adquiridos  50%   Nota mínima para que pondere en calificación final = 5/10    Recuperable mediante prueba escrita
R2, R3, R4, R5, R6     Trabajo individual que aplique, analice, desarrolle o recoja una parte de la materia  40%  NO

 

La evaluación de recuperación consistirá en un examen que recuperará el seguno apartado (50%). 
La calificación final de aquellos estudiantes que no obtengan un 5 (sobre 10) en esta recuperación, será la obtenida en este examen (sobre 10 puntos).

 

Subir

Temario

Tema 1: Introducción a la minería de datos. Proceso KDD.

Tema 2: Técnicas de pre-procesamiento de los datos.

Tema 3: Definición de los problemas de clasificación y regresión. Evaluación de los resultados.

Tema 4: Método de los k vecinos más cercanos.

Tema 5: Árboles de decisión.

Tema 6: Reglas de asociación.

 

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


  • Bibliografía básica
  1. Data Mining. Practical machine learning tools and techniques (Third Edition). I. A. Witten, E. Frank y M. A. Hall. Morgan Kaufman Publishers (2011).
  2. The top ten algorithms in data mining (First edition). X. Wu y V. Kumar. Chapman & Hall/CRC (2009).
  •  Bibliografía complementaria
  1. Data mining and knowledge discovery handbook (Second Edition). O. Maimon y L. Rokach. Springer (2010).
  2. Classification and modeling with linguistic information granules. Advanced approaches to linguistic data mining. H. Ishibuchi, T. Nakashima y M. Nii.Springer (2005).
  3. Data mining with decision trees. Theory and applications. L. Rokach y O. Maimon. World scientific Publishing (2008).

 

Subir

Lugar de impartición

En el Aulario y en laboratorios.

Subir