Universidad Pública de Navarra



Año Académico: 2022/2023 | Otros años:  2021/2022 
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra (Programa Internacional)
Código: 250611 Asignatura: MINERÍA DE DATOS
Créditos: 6 Tipo: Optativa Curso: Periodo: 2º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
SANZ DELGADO, JOSÉ ANTONIO (Resp)   [Tutorías ] DONAMARIA SOLCHAGA, ALVARO SANTOS   [Tutorías ]

Partes de este texto:

 

Metodología

Metodología - Actividad Horas Presenciales Horas no presenciales
A-1 Clases magistrales 24  
A-2 Sesiones prácticas en grupos reducidos 26  
A-3 Programación/experimentación u otros trabajos en ordenador/laboratorio   30
A-4 Preparación de presentaciones de trabajos, proyectos, etc.  6  
A-5 Elaboración de trabajos y/o proyectos y escritura de memorias   24
A-6 Estudio autónomo   36
A-7 Actividades de evaluación  4  
Total 60 90

 

Las metodologías docentes son:

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

Subir

Evaluación

 

Resultados de
aprendizaje		 Actividad de
evaluación		 Peso (%) Carácter
recuperable		 Nota mínima
requerida
R1, R2, R3, R7, R8, R9 Prueba(s) escrita(s) que recoja los conceptos adquiridos 50% SI, mediante prueba escrita 5/10
R2, R3, R4, R5, R6   Prácticas semanales en las que se aplique, analice, desarrolle o recoja una parte de la materia 30% NO -
R2, R3, R4, R5, R6 Trabajo final en equipo que aplique, analice y desarrolle los conceptos de la materia en un problema específico 20% SI, mediante realización de trabajo extra 5/10

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

Subir

Temario

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

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

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

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

Idiomas

Castellano, parte del material puede estar en inglés.

Subir