Menú local
Guía docente 2019-20 - 13312023 - Minería de datos
TITULACIÓN: | Grado en Ingeniería informática |
CENTRO: | ESCUELA POLITÉCNICA SUPERIOR (JAÉN) |
CURSO: | 2019-20 |
ASIGNATURA: | Minería de datos |
NOMBRE: Minería de datos | |||||
CÓDIGO: 13312023 | CURSO ACADÉMICO: 2019-20 | ||||
TIPO: Obligatoria | |||||
Créditos ECTS: 6.0 | CURSO: 4 | CUATRIMESTRE: PC | |||
WEB: http://dv.ujaen.es/docencia/goto_docencia_crs_433073.html |
NOMBRE: JESÚS DÍAZ, MARÍA JOSÉ DEL | ||
IMPARTE: Teoría - Prácticas [Profesor responsable] | ||
DEPARTAMENTO: U118 - INFORMÁTICA | ||
ÁREA: 075 - CIENCIA DE LA COMPUTACIÓN E INT. ARTIFICIAL | ||
N. DESPACHO: A3 - 131 | E-MAIL: mjjesus@ujaen.es | TLF: 953212444 |
TUTORÍAS: https://uvirtual.ujaen.es/pub/es/informacionacademica/tutorias/p/58215 | ||
URL WEB: - | ||
ORCID: https://orcid.org/0000-0002-7891-3059 |
En esta asignatura se estudian técnicas de extracción de conocimiento útil a partir de grandes bases de datos.
Código | Denominación de la competencia |
CB2R | Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio. |
CB3R | Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética. |
CT6 | Capacidad para la transmisión oral y escrita de información adaptada a la audiencia. |
Resultados de aprendizaje | |
Resultado 9R | Ser capaz de comprender y aplicar técnicas de extracción de conocimiento útil a partir de grandes bases de datos. |
Resultado CSI1R | Capacidad de integrar soluciones de Tecnologías de la Información y las Comunicaciones y procesos empresariales para satisfacer las necesidades de información de las organizaciones, permitiéndoles alcanzar sus objetivos de forma efectiva y eficiente, dándoles así ventajas competitivas. |
Resultado CSI6R | Capacidad para comprender y aplicar los principios y las técnicas de gestión de la calidad y de la innovación tecnológica en las organizaciones. |
Extracción de conocimiento en bases de datos. Almacenes de datos. Preparación de datos. Minería de datos predictiva. Minería de datos descriptiva. Evaluación, difusión y uso de modelos. Herramientas de análisis de datos.
I. Introducción a la Minería de Datos
1. El proceso de extracción de conocimiento en grandes bases de datos. Minería de datos. Aplicaciones.
II. Preparación de datos
2. Recopilación y preparación de los datos.
3. Reducción de la dimensionalidad.
4. Discretización.
III. Minería de datos predictiva
5. El problema de clasificación.
6. Clasificación con árboles y reglas.
7. Clasificación con otras técnicas.
8. Predicción numérica o regresión.
IV. Minería de datos descriptiva
9. Descubrimiento de asociaciones
10. Agrupamiento
VI. Evaluación, difusión y uso de modelos. Herramientas de análisis de datos.
11. Evaluación, difusión y uso de modelos.
12. Herramientas de análisis de datos.
VII. Nuevas tendencias en Minería de datos.
13. Bussiness Intelligence. Big data
ACTIVIDADES | HORAS PRESENCIALES | HORAS TRABAJO AUTÓNOMO | TOTAL HORAS | CRÉDITOS ECTS | COMPETENCIAS (códigos) |
---|---|---|---|---|---|
A1 - Clases expositivas en gran grupo
|
30.0 | 45.0 | 75.0 | 3.0 |
|
A2R - Clases en pequeño grupo
|
25.0 | 37.5 | 62.5 | 2.5 |
|
A3 - Tutorías colectivas/individuales
|
5.0 | 7.5 | 12.5 | 0.5 |
|
TOTALES: | 60.0 | 90.0 | 150.0 | 6.0 |
La asignatura se divide en dos partes relacionadas, teoría y prácticas.
La teoría se impartirá principalmente a través de sesiones magistrales, incluyendo sesiones de actividades, seminarios, resolución de dudas, problemas y debate, y preguntas teóricas o problemas con los que se evaluará la participación del alumno en la asignatura.
La parte práctica se realizará en el laboratorio de informática.
Durante el periodo lectivo se realizarán examenes para evaluar los conocimientos adquiridos por el alumno.
ASPECTO | CRITERIOS | INSTRUMENTO | PESO |
---|---|---|---|
Asistencia y/o participación en actividades presenciales y/o virtuales | Asistencia y participación | Evaluación de pruebas teóricas y prácticas planteadas en clase de teoría y prácticas. Observación y notas del profesor | 10.0% |
Conceptos teóricos de la materia | Conceptos teóricos de la materia | Examen teórico y de resolución de problemas | 35.0% |
Realización de trabajos, casos o ejercicios | Realización de trabajos, casos o ejercicios | Control de trabajos | 20.0% |
Prácticas de laboratorio/campo/uso de herramientas TIC | Prácticas de laboratorio/ordenador | Entrega del trabajo y documentación asociada y defensa. | 35.0% |
Atendiendo a lo recogido en el art. 13 del Reglamento de Régimen Académico y de Evaluación del alumnado de la Universidad de Jaén, la evaluación será global
Para superar la asignatura será necesario aprobar tanto la parte teórica como la práctica.
La parte teórica se evaluará con examenes de conceptos teóricos y realización de ejercicios prácticos relacionados con la materia.
La parte de prácticas se evaluará mediante la entrega de los trabajos prácticos realizados con ordenador, de los trabajos correspondientes a los seminarios y presentaciones planteados y con una memoria asociada a los mismos. La evaluación de las prácticas será incremental, de forma que se evaluará tanto la defensa final de cada trabajos como la evolución del alumno durante las prácticas.
La parte correspondiente a participación y evaluación continua se determinará mediante algunas pruebas cortas realizadas en el horario lectivo correspondiente a teoría y prácticas.
La parte realización de trabajos, casos o ejercicios se evaluará mediante trabajos, casos o ejercicios propuestos en clase.
La nota obtenida por el alumno durante el periodo lectivo, tanto en las prácticas como en la participación en clase y seminarios, la realización de trabajos, casos o ejercicios se mantendrá para las convocatorias extraordinarias del mismo curso.
Competencias por sistema de evaluación:
- S1 (Asistencia y participación): CB2R, CB3R, CT6.
- S2 (Conceptos teóricos de la materia): CB2R, CB3R, CT6.
- S3 (Realización de trabajos, casos o ejercicios): CB2R, CB3R, CT6.
- S4 (Prácticas de laboratorio/ordenador): CB2R, CB3R, CT6.
Resultados por sistema de evaluación:
- S1 (Asistencia y participación): 9R, CSI1R, CSI6R.
- S2 (Conceptos teóricos de la materia): 9R, CSI1R, CSI6R.
- S3 (Realización de trabajos, casos o ejercicios): 9R, CSI1R, CSI6R.
- S4 (Prácticas de laboratorio/ordenador): 9R, CSI1R, CSI6R
- CMIN - herramienta case basada en CRISP-DM para el soporte de proyectos de minería de datos [Recurso. Edición: -. Autor: -. Editorial: Bogotá : Universidad Nacional de Colombia, Facultad de Ingeniería, 2010 (C. Biblioteca)
- Introducción a la minería de datos. Edición: Reimp.. Autor: Hernández Orallo, José. Editorial: Madrid [etc.] : Pearson Prentice Hall, D.L. 2008 (C. Biblioteca)
- Practical applications of data mining [Recurso electrónico]. Edición: -. Autor: Suh, Sang C. Editorial: Sudbury, Mass. : Jones & Bartlett Learning, c2012 (C. Biblioteca)
- Data mining [Recurso electrónico] : concepts and techniques. Edición: 3rd ed. Autor: Han, Jiawei. Editorial: Waltham, MA : Morgan Kaufmann Elsevier, 2012 (C. Biblioteca)
- Data mining [Recurso electrónico] : practical machine learning tools and techniques. Edición: 3rd ed. Autor: Witten, I. H. (Ian H.). Editorial: Burlington, MA : Morgan Kaufmann Publishers, 2011 (C. Biblioteca)
- Data mining: practical machine learning tools and techniques with Java implementations. Edición: 2nd ed.. Autor: Witten, Ian H.. Editorial: San Francisco [etc.] : Morgan Kaufmann, cop.2005 (C. Biblioteca)
- Data mining techniques for marketing, sales and customer relationship management. Edición: 3rd ed.. Autor: Linoff, Gordon S. Editorial: New York, NY [etc.] : Wiley, 2011 (C. Biblioteca)
- Data preparation for data minig. Edición: -. Autor: Pyle, Dorian. Editorial: San Francisco: Morman Kaufmann, 1999 (C. Biblioteca)
- Predictive data mining : a practical guide. Edición: -. Autor: Weiss, Sholom M.. Editorial: San Francisco: Morgan Kaufmann Publishers, cop. 1998 (C. Biblioteca)
Semana | A1 - Clases expositivas en gran grupo | A2R - Clases en pequeño grupo | A3 - Tutorías colectivas/individuales | Trabajo autónomo | Observaciones | |
---|---|---|---|---|---|---|
Nº 1 9 - 15 sept. 2019 |
2.0 | 0.0 | 2.0 | 6.0 | Tema 1 Seminario 1: Herramientas para la MD | |
Nº 2 16 - 22 sept. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 2 Práctica 1: Preparación de datos | |
Nº 3 23 - 29 sept. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 3. Práctica 1: Preparación de datos | |
Nº 4 30 sept. - 6 oct. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 4. Práctica 1: Preparación de datos | |
Nº 5 7 - 13 oct. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 5. Tema 6. Práctica 1: Preparación de datos | |
Nº 6 14 - 20 oct. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 6 Práctica 2: Minería de datos predictiva | |
Nº 7 21 - 27 oct. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 6. Tema 7 Práctica 2: Minería de datos predictiva | |
Nº 8 28 oct. - 3 nov. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 7. Tema 8 Práctica 2: Minería de datos predictiva | |
Nº 9 4 - 10 nov. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 8 Práctica 2: Minería de datos predictiva | |
Nº 10 11 - 17 nov. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 9 Práctica 2: Minería de datos predictiva | |
Nº 11 18 - 24 nov. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 9 Práctica 3: Minería de datos descriptiva | |
Nº 12 25 nov. - 1 dic. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 10. Práctica 3: Minería de datos descriptiva | |
Nº 13 2 - 8 dic. 2019 |
2.0 | 2.0 | 0.0 | 6.0 | Tema 11 Práctica 3: Minería de datos descriptiva | |
Nº 14 9 - 15 dic. 2019 |
2.0 | 1.0 | 1.0 | 6.0 | Tema 12 Práctica 3: Minería de datos descriptiva | |
Nº 15 16 - 19 dic. 2019 |
2.0 | 0.0 | 2.0 | 6.0 | Tema 13 Práctica 3: Minería de datos descriptiva | |
Total Horas | 30.0 | 25.0 | 5.0 | 90.0 |