Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa
Universidad Pública de Navarra
| Código: 73126 | Asignatura: Sistemas inteligentes para la extracción de información | ||||
| Créditos: 3 | Tipo: Obligatoria | Curso: 1 | Periodo: 2º S | ||
| Departamento: Estadística, Informática y Matemáticas | |||||
| Profesorado: | |||||
| LIZARRAGA OROQUIETA, ASIER (Resp) [Tutorías ] | |||||
Descripción/Contenidos
- Sistemas inteligentes y procesamiento avanzado de imagen.
- Técnicas avanzadas de clasificación no supervisada. Algoritmos de agrupamiento o clustering. Agrupamiento difuso. aplicación a segmentación de imágenes en teledetección.
- Técnicas avanzadas de clasificación supervisada. Árboles de decisión y árboles de decisión difusos. Redes neuronales. Máquinas de vectores soportes.
- Sistemas de clasificación múltiples.
- Problemas de clasificación no balanceados y técnicas de muestreo
Competencias genéricas
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.
Competencias específicas
CE09: 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.
Resultados aprendizaje
RA6: Manejar las herramientas matemáticas utilizadas en los sistemas inteligentes y el procesamiento avanzado de imágenes.
RA7: Determinar la técnica adecuada para obtener la información necesaria en un problema de teledetección.
RA8: Aplicar herramientas avanzadas de clasificación supervisada y no supervisada para clasificar o segmentar una imagen.
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
Evaluación
| Resultados de aprendizaje |
Actividad de evaluación |
Peso (%) | Carácter recuperable |
Nota mínima requerida |
|---|---|---|---|---|
| RA6, RA7, RA8 | Pruebas de duración corta | 5 | No | |
| RA6, RA7, RA8 | Pruebas de respuesta larga | 50 | Recuperable mediante prueba escrita | 4 |
| RA7, RA8 | Trabajos e informes | 45 | Recuperable mediante prueba escrita |
La evaluación de recuperación consistirá en un examen teórico-práctico que recuperará los apartados segundo y tercero (95%). La calificación final de aquellos estudiantes que no obtengan un 5 (sobre 10) en esta recuperación será la obtenida en este examen.
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: Métodos de Evaluación de Modelos
Tema 6: Sistemas de clasificación múltiples.
ACTIVIDADES PRÁCTICAS asociadas al temario:
- Lectura de datos, gráficos iniciales y regresión logística
- Modelos clasificatorios de regresión logística, SVM, K vecinos más cercanos; validación de modelos y búsqueda de los mejores hyper parámetros; comparativa con los clasificadores de la mínima distancia y máxima verosimilitud
- Árboles de decisión; Ensambles basados en variación de datos (RandomForest, Bagging, AdaBoost)
- Imagen Sentinel-2 y clasificación a nivel de pixel
- Clasificación a nivel píxel con el filtro de la mayoría; Clasificación a nivel objeto usando un csv
HERRAMIENTAS UTILIZADAS: Python (librerías Matplotlib, Numpy; Scikit-learn), Jupyter Notebook, VS Code
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura 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).
Idiomas
Castellano, aunque se podrá proporcionar a los estudiantes bibliografía y material docente en ingles.
Lugar de impartición
Todo el máster se imparte en AULA DE INFORMÁTICA, ya que todas las sesiones tienen carácter teórico-práctico.
Lugar de impartición: Aula de informática del Aulario. Se concretará aula antes del inicio del curso. Consultar en la web del master, en el apartado de Calendario, Horarios y Aulas.