ECTS credits ECTS credits: 4.5
ECTS Hours Rules/Memories Student's work ECTS: 76.5 Hours of tutorials: 4.5 Expository Class: 13.5 Interactive Classroom: 18 Total: 112.5
Use languages Spanish, Galician
Type: Ordinary subject Master’s Degree RD 1393/2007 - 822/2021
Departments: Electronics and Computing
Areas: Computer Science and Artificial Intelligence
Center Higher Technical Engineering School
Call: Second Semester
Teaching: With teaching
Enrolment: Enrollable | 1st year (Yes)
En la actualidad son muy pocas las actividades que realiza el ser humano que son ajenas a la utilización de las TICs. Si a este hecho le unimos la capacidad que tiene la sociedad en al que vivimos de generar gran cantidades de datos procedente de distintas fuentes: economía, deportas, sanidad, ciencia… nos encontramos muchas veces con grandes cantidades de datos, recopilados a lo largo de los años, a los que no se les da utilidad alguna. Sin embargo, una análisis exhaustivo de dichos datos puede revelar información sumamente útil. Dada la gran cantidad de información disponible se requieren de procedimientos automáticos para extraer información relevante de dichos datos. La minería de datos tiene como objetivo la extracción de información generalmente implícita, previamente desconocida y potencialmente útil de los datos. Para ello se requerirán de programas que detecten patrones y regularidades en dichos datos. Estos programas nos permitirán adquirir descripciones estructurales a partir de los ejemplos que pueden ser usados para predecir una respuesta ante una nueva situación, utilizando métodos originados en los campos de la Inteligencia Artificial, Estadística e investigación en Bases de Datos.
Por lo tanto, el objetivo de esta materia consistirá en que el alumno comprenda la importancia del proceso de minería de datos y sea capaz de preparar los datos para su posterior procesamiento, aplicar técnicas propias de la materia e interpretar y evaluar los resultados obtenidos. Para ello, se presentarán las técnicas básicas de prepocesamiento de datos, técnicas de clasificación y agrupamiento y métodos de evaluación de modelos. Esta asignatura se complementará con los contenidos de la asignatura Aprendizaje Estadístico.
- Preprocesamiento.
- Selección de variables
- Comparación de modelos
- Evaluación de clasificadores
- Técnicas de agrupamiento (clustering)
- Reglas de asociación
- Deep learning
Textos basicos:
Max Khun and Kjell Johnson. Applied Predictive Modeling. Springer. 978-1461468486
José Hernández Orallo, Mª José Ramírez Quintana and César Ferri Ramirez. Introducción a la Minería de Datos. Pearson-Prentice-Hall. 2004. ISBN: 84 205 4091 9
Textos complementarios:
Ethem Alpaydin. Introduction to Machine Learning. MIT Press 2004.
James, G., Witten, D., Hastie, T., Tibshirani, R. .An Introduction to Statistical Learning.
with Applications in R.Springer 2013
Comprender los beneficios que aporta la Minería de datos, así como los elementos que intervienen en el proceso.
Comprender y saber aplicar las principales técnicas de prepocesamiento de datos.
Comprender y saber aplicar las principales técnicas de clasificación y agrupamiento.
Comprender y saber aplicar las principales técnicas de evaluación de modelos.
Ser capaz de aplicar de forma completa un proceso de minaría de datos y de elegir las técnicas más adecuadas para cada situación.
Competencias de la titulación que se trabajan (ver memoria título):
- Básicas: CB6, CB7, CB9, CB10
- Transversales/Generales:, G2, G4, G5, T3, T4, T5
- Específicas: E13
Clases teóricas, en las que se expone el contenido de cada tema. El alumno dispondrá de copias de las transparencias con anterioridad y el profesor promoverá una actitud activa, realizando preguntas que permitan aclarar aspectos concretos y dejando cuestiones abiertas para la reflexión del alumno.
Lectura y estudio de material diverso proporcionado por el profesor en forma de libros de la bibliografía, artículos y revistas científicas,
Clases prácticas con uso de ordenador, que permiten al alumno familiarizarse desde un punto de vista práctico con las cuestiones expuestas en las clases teóricas.
Actividades formativas de carácter presencial y su relación con las competencias de la titulación:
Clases teóricas: impartidas por el profesor y exposición de seminarios: CB6, CB10, G4, T3, E13
Clases prácticas de laboratorio, resolución de problemas y casos prácticos: CB7, CB9, CB10, G4,G5,T3, T5, E13.
Tutorías programadas: orientación para la realización de los trabajos individuales o en grupo, resolución de dudas y actividades de evaluación continua: CB6, CB7, CB9, CB10, G2, G4, T3, T4, E13
Examen y/o Trabajo Final: CB7, CB9, CB10, G2, G4, G5, T3, T5, E13
Actividades formativas de carácter no presencial y su relación con las competencias de la titulación:
Trabajo personal del alumno: consulta de bibliografía, estudio autónomo, desarrollo de actividades programadas, preparación de presentaciones y trabajos : CB6, CB7, CB10, G2, G4, T3, T4
Oportunidad ordinaria:
- Prácticas: 50%
- Pruebas periódicas y/o examen final: 50%
Los alumnos abordarán la resolución de diversos problemas propuestos en el aula de informática. Deberán realizar trabajos en los que se presenten los resultados obtenidos. Varios de estos trabajos serán de entrega obligatoria y otros opcionales. Todos los trabajos deberán ser entregados antes de las fechas que se especificarán y deberán cumplir unos requisitos mínimos de calidad para ser tenidos en consideración. Se valorará el grado de cumplimiento de las especificaciones, la metodología y rigurosidad y la presentación de resultados.
Debe conseguirse una puntuación total de 5 o superior tanto en las prácticas como en el examen final para superar la materia. Es imprescindible para aprobar haber entregado todas las prácticas indicadas cómo obligatorias.
Oportunidad extraordinaria:
- Se podrá recuperar las partes que no aprobadas en la oportunidad ordinaria: trabajos no entregados, prácticas y exámenes.
Condición de No Presentado/a:
- Aquellos alumnos/as que no hayan sido evaluado en ningún aspecto de la materia.
En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de cualificaciones.
En aplicación de la Normativa da ETSE sobre plaxio (aprobada por la Xunta de la ETSE el 19/12/2019), la copia total o parcial de algún ejercicio de prácticas o de teoría supondrá el suspenso en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.
Clases de pizarra: 18 h presenciales + 33 h trabajo autónomo del alumno
Clases de prácticas: 12 h presenciales + 33 h trabajo autónomo del alumno
Tutorías y Actividades de evaluación: 6 h presenciales + 10,5 h trabajo autónomo del alumno
Total: 112.5 h
Se hace uso del campus virtual.
Juan Carlos Vidal Aguiar
Coordinador/a- Department
- Electronics and Computing
- Area
- Computer Science and Artificial Intelligence
- Phone
- 881816388
- Category
- Professor: University Lecturer
| Tuesday | |||
|---|---|---|---|
| 16:00-17:15 | Grupo /CLIL_01 | - | PROJECTS |
| 05.30.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |
| 05.30.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 07.10.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 07.10.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |