Inicio
Introducción a la minería de datos PDF Imprimir E-Mail

Asignatura optativa, 6 créditos ECTS

Objetivos: 

Conocer en qué consiste la minería de datos, los diversos tipos de problemas que resuelve y las diferentes técnicas que se utilizan. Saber enfrentarse al análisis de conjuntos de datos masivos con las herramientas adecuadas. Poder evaluar la capacidad predictiva de un modelo de clasificación o saber elegir el modelo más adecuado en función de los objetivos y de las características del problema a resolver.

Requisitos: 

Se recomienda que esta asignatura sea cursada junto con la asignatura Modelización Estadística ya que ambas comparten técnicas y procedimientos que son desarrollados con más profundidad en Modelización Estadístic.

Contenidos:

  1. 1. Introducción a la minería de datos.
  2. 2. Métodos de regresión. Modelos lineales, generalizados y no paramétricos.
  3. 3. Métodos de clasificación. Clasificación Supervisada lineal, logística y k vecinos proximos.
  4. 4. Métodos basados en árboles.
  5. 5. Modelos gráficos probabilísticos: Redes bayesianas.

Metodología:

La metodología combina la clase magistral donde se introducen y relacionan las técnicas  y los conceptos más importantes, junto con sesiones prácticas en aula informática donde se desarrollan ejemplos  de análisis que permiten ilustrar los conceptos y profundizar en el manejo de programas estadísticos adecuados.

Criterios de evaluación:

A lo largo del curso se plantearán una serie de actividades breves en torno a los diversos temas desarrollados y fundamentalmente un trabajo de análisis de datos más amplio donde se aplicarán diversas técnicas, comparando los resultados y valorando su utilidad. Dicho trabajo se podrá realizar de forma individual o en grupo.

Bibliografía:

  • C.M.  Bishop, Pattern Recognition and Machine Learning, Springer. (2006)
  • E. Castillo, J.M. Gutiérrez, y A.S. Hadi, Sistemas expertos y modelos de redes probabilísticas. http://personales.unican.es/gutierjm/BookCGH.html, (1998) ,
  • T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning. Data mining, Inference and Prediction, Springer. (2001),
  • L. Torgo, Data Mining with R: Learning with Case Studies. Chapman and Hall/ CRC, (2011)
  • G. Willians, Data Minig with Rattle and R. Springer, (2011)
  • I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann. (2005)

Profesores del curso 2017-2018:

José Tomás Alcalá Nalvaiz (jtalcal  at  unizar.es) (Coordinador)
Modificado el ( lunes, 11 de septiembre de 2017 )
 
[Volver]