Universidad Pública de Navarra



Año Académico: 2015/2016 | Otros años:  2017/2018  |  2016/2017 
Máster Universitario en Sistemas de Información Geográfica y Teledetección
Código: 73126 Asignatura: Sistemas inteligentes para la extracción de información
Créditos: 3 Tipo: Obligatoria Curso: 1 Periodo: 2º S
Departamento: Automática y Computación
Profesores
PAGOLA BARRIO, MIGUEL SANZ DELGADO, JOSÉ ANTONIO (Resp)

Partes de este texto:

 

Módulo/Materia

Módulo: 2. Teledetección

Materia: 2.2. Extracción de información de imágenes remotas

Subir

Descriptores

Sistemas inteligentes. Clasificación supervisada y no supervisada. Multiclasificadores  

Subir

Competencias genéricas

Las competencias básicas que los estudiantes desarrollarán en esta asignatura son:

  • CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.

Subir

Competencias específicas

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

  • CE9. Ser capaz de utilizar técnicas y métodos avanzados de procesamiento de imágenes satelitales y aéreas para extraer información que permita comprender fenómenos complejos y dinámicos.

Subir

Resultados aprendizaje

Al terminar con éxito esta asignatura, los estudiantes serán capaces de:

  • RA1: Manejar las herramientas matemáticas utilizadas en los sistemas inteligentes y el procesamiento avanzado de imágenes.
  • RA2: Determinar la técnica adecuada para obtener la información necesaria en un problema de teledetección.
  • RA3: Aplicar herramientas avanzadas de clasificación supervisada y no supervisada para clasificar o segmentar una imagen. 

Subir

Metodología

Actividades formativas

Horas presenciales

Horas no presenciales

A-1 Clases expositivas/participativas

12

 

A-2 Prácticas

16

 

A-3 Actividades de aprendizaje cooperativo

 

 

A-4 Realización de proyectos individuales o en grupo

 

22

A-5 Estudio y trabajo autónomo del estudiante

 

20

A-6 Tutorías

 

3

A-7 Pruebas de evaluación

2

 

 

 

 

TOTAL

30

45

 

Metodologías Docentes

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

Subir

Relación actividades formativas-competencias

Competencia

Actividad formativa

CB7

A-1, A-2, A-4, A-6

CB8

A-2, A-3, A-4

CE9

A-1, A-2, A-4, A-5

Subir

Idiomas

Castellano / Inglés

 

Subir

Evaluación

Para superar la asignatura es necesario obtener una calificación igual o superior a 5 (sobre 10) en el aspecto 2. 

 

Sistema de evaluación

Resultados de aprendizaje

Peso

E-1 Pruebas de duración corta

RA1, RA2, RA3

5

E-2 Pruebas de respuesta larga

RA1, RA2, RA3

50

E-3 Presentaciones orales

RA1, RA2

15

E-4 Trabajos e informes

RA2, RA3

30

 

 

 

TOTAL

 

100%

Subir

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. En este caso los datos serán los obtenidos para abordar procesos de teledetección en imágenes de satélite. Se introducirán diferentes técnicas, tanto supervisadas como no supervisadas, que permitirán extraer conocimiento de dichos datos y será aplicado posteriormente para clasificar nuevos datos. Finalmente se introducirán sistemas que combinan varios clasificadores para abordar los problemas de clasificación.

Subir

Temario

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

Tema 2: Definición de los problemas de clasificación. Evaluación de los resultados.

Tema 3: Técnicas de pre-procesamiento de los datos.

Tema 4: Sistemas de clasificación

Tema 5: Sistemas de clasificación múltiples.

 

Subir

Bibliografía

Acceda a la bibliografía que su profesor ha solicitado a la Biblioteca.


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

 

Subir

Lugar de impartición

Aula de Inteligencia Artificial, Edificio Los Pinos

Subir