Minería de datos

Na actualidade son moi poucas as actividades que realiza o ser humano que son alleas á utilización das TICs. Se a este feito lle unimos a capacidade que ten a sociedade na que vivimos de xerar grande cantidades de datos procedente de distintas fontes: economía, deportas, sanidade, ciencia... encontrámonos moitas veces con grandes cantidades de datos, recopilados ao longo dos anos, aos que non se lles dá utilidade ningunha. Non obstante, unha análise exhaustiva dos devanditos datos pode revelar información sumamente útil. Dada a gran cantidade de información dispoñible requírense procedementos automáticos para extraer información relevante dos devanditos datos. A minería de datos ten como obxectivo a extracción de información xeralmente implícita, previamente descoñecida e potencialmente útil dos datos. Para iso requiriranse de programas que detecten patróns e regularidades nos devanditos datos. Estes programas permitirannos adquirir descricións estruturais a partir dos exemplos que poden ser usados para predicir unha resposta ante unha nova situación, utilizando métodos orixinados nos campos da Intelixencia Artificial, Estatística e investigación en Bases de Datos.

Polo tanto, o obxectivo desta materia consistirá en que o alumno comprenda a importancia do proceso de minería de datos e sexa capaz de preparar os datos para o seu posterior procesamento, aplicar técnicas propias da materia e interpretar e avaliar os resultados obtidos. Para iso, presentaranse as técnicas básicas de prepocesamento de datos, técnicas de clasificación e agrupamento e métodos de avaliación de modelos. Esta materia complementarase cos contidos da materia Aprendizaxe Estatística.

- Preprocesamento.
- Selección de variables
- Comparación de modelos
- Evaluación de clasificadores
- Técnicas de agrupamento (clustering)
- Regras 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 os beneficios que achega a Minería de datos, así como os elementos que interveñen no proceso.

Comprender e saber aplicar as principais técnicas de prepocesamento de datos.

Comprender e saber aplicar as principais técnicas de clasificación e agrupamento.

Comprender e saber aplicar as principais técnicas de avaliación de modelos.

Ser capaz de aplicar de forma completa un proceso de minería de datos e de elixir as técnicas máis axeitadas para cada situación.


Competencias da titulación que se traballan (ver memoria título):
- Básicas: CB6, CB7, CB9, CB10
- Transversais/Xerais:, G2, G4, G5, T3, T4, T5
- Específicas: E13

Clases teóricas, nas que se expón o contido de cada tema. O alumno dispoñerá de copias das transparencias con anterioridade e o profesor promoverá unha actitude activa, realizando preguntas que permitan aclarar aspectos concretos e deixando cuestións abertas para a reflexión do alumno.
Lectura e estudo de material diverso proporcionado polo profesor en forma de libros da bibliografía, artigos e revistas científicas,

Clases prácticas con uso de ordenador, que permiten ao alumno familiarizarse dende un punto de vista práctico coas cuestións expostas nas clases teóricas.

Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
Clases teóricas: impartidas polo profesor e exposición de seminarios: CB6, CB10, G4, T3, E13
Clases prácticas de laboratorio, resolución de problemas e casos prácticos: CB7, CB9, CB10, G4,G5,T3, T5, E13.
Titorías programadas: orientación para a realización dos traballos individuais ou en grupo, resolución de dúbidas e actividades de avaliación continua: CB6, CB7, CB9, CB10, G2, G4, T3, T4, E13
Exame e/ou Traballo Final:, CB7, CB9, CB10, G2, G4, G5, T3, T5, E13

Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
Traballo persoal do alumno: consulta de bibliografía, estudo autónomo, desenvolvemento de actividades programadas, preparación de presentacións e traballos: CB6, CB7, CB10, G2, G4, T3, T4

Oportunidade ordinaria:
- Prácticas: 50%
- Probas periódicas e/ou exame final: 50%

O alumnado abordará a resolución de diversos problemas propostos na aula de informática. Deberán realizar traballos nos que se presenten os resultados obtidos. Varios destes traballos serán obrigatorios e outros optativos, o que permitirá subir a nota. Todos os traballos deberán entregarse antes das datas que se especificarán e deberán cumprir os requisitos mínimos de calidade para ser tidos en conta. Valorarase o grao de cumprimento, a metodoloxía, o rigor e a presentación de resultados.

Para superar a materia é preciso acadar unha puntuación total igual ou superior a 5 tanto nas prácticas como no examen final para superar a materia. Para aprobar é imprescindible ter entregadas todas as prácticas sinaladas como obrigatorias.

Oportunidade extraordinaria:
- Pódense recuperar as partes que non foron aprobadas na oportunidade ordinaria: traballos non entregados, prácticas e exames.

Condición de non-presentado:
- Consideraranse non presentados aqueles estudantes que non sexan avaliados en ningún aspecto da materia.

No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.
En aplicación da Normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos casos.

Clases de pizarras: 18 h presenciais +33 h traballo autónomo do alumno
Clases de prácticas: 12 h presenciais +33 h traballo autónomo do alumno
Titorías e Actividades de avaliación: 6 h presenciais +10,5 h traballo autónomo do alumno

Total: 112.5 h

Faise uso do campus virtual.