Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa

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

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 crítico
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

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

Notas sobre cada apartado:

• Apartado 1 (conceptos adquiridos), hay dos opciones para realizarlo:
  • En caso de realizar la asignatura mediante exámenes parciales, la nota del primer apartado será la media de los exámenes siempre y cuando se obtenga al menos un 4 en cada uno de los exámenes. En caso contrario, la nota será la más baja de los exámenes parciales realizados.
  • Si se opta por un solo examen, la nota de este apartado será la obtenida en dicho examen.
• Apartado 2: Las prácticas semanales realizadas a lo largo del curso se entregarán en varias entregas en MiAulario.
• Apartado 3: El trabajo final se realizará en grupo, se entregará en MiAulario y además se expondrá oralmente.

Para superar la asignatura es necesario aprobar tanto el apartado 1 (conceptos adquiridos) como el apartado 3 (trabajo final). En caso de no superar cualquiera de estos apartados la nota final será la menor de las obtenidas en ellos.

La evaluación de recuperación consistirá en un examen (para recuperar el apartado 1) y/o la realización de un trabajo final en grupo (para recuperar el apartado 3). Para poder recuperar el apartado 3 es necesario haber entregado el trabajo final en el plazo ordinario.

En caso de no superar cualquiera de estos apartados la nota final será la menor de las obtenidas en ellos.

El examen de recuperación no se puede usar para subir nota, solamente se utiliza para recuperar la(s) parte(s) suspendidas. Es decir, solamente se puede realizar si la nota media de los dos exámenes (o del examen global) es menor que 5. En el caso de realizar la asignatura por exámenes parciales, existen tres situaciones en las que se puede obtener una nota media menor que 5:

• La nota en los dos exámenes es menor que 4: se debe realizar el examen global
• La nota en un examen es menor que 4 y en el otro mayor que 5, hay dos opciones
  • Hacer el examen de la parte suspendida (esta nota hará media con la nota de la otra parte)
  • Hacer el examen global: la nota final será la de este examen (se pierde la nota de la parte aprobada)
• La nota en ambos exámenes está entre 4 y 5
  • Se puede elegir qué hacer
    • Cualquiera de las dos partes: se hace media con la que no se elija
    • El examen global: la nota final será la de este examen

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: Interpretabilidad de modelos.

Tema 7: Reglas de asociación.

Subir

Programa de prácticas experimentales

Se realizarán varias prácticas a lo largo del semestre que afianzarán los contenidos teóricos. Además, se realizará un trabajo final en grupos que deberá ser expuesto oralmente.

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