Espazio-denbora datuen ezaugarri nagusiak ezagutu eta hauen lehen azterketa bat egiteko metodoak landu eta bistaraketak egitea.



Espazio-denbora datuekin landu daitezkeen datu-mehatzaritzako problema garrantzitsuenak ezagutu eta egoera errealetan identifikatzen jakitea.



Problema ezberdinetarako algoritmo batzuen funtsak ezagutzea.



R edo/eta Python lengoaiak erabiliz esperimentazio txikiak diseinatu, implementatu eta aurrera eramatea.



Lortutako emaitza eta bistaraketetatik ondorioak atera, datuen eta ebidentzien interpretazioan oinarritutako iritziak argudiatzea.

1.- Espazio-denboren datuen sarrera

1.1.- Espazio-denboren datuen ezaugarri nagusiak

1.2.- Espazio-denbora datuen adierazpena eta bistaraketa



2.- Denbora serieen iragarpena

2.1.- Eredu estatistiko klasikoak

2.2.- Ikasketa automatikoko ereduak

2.3.- Aplikazioak



3.- Denbora serieen sailkapen ez-gainbegiratua

3.1.- Denbora serieen distantziak

3.2.- Aplikazioak



4.- Denbora serieen sailkapen gainbegiratua

4.1.- Algoritmoen sailkapen ezberdinak eta adibide ohikoenak

4.2.- Oinarrizko problemaren hedapenak

4.2.- Aplikazioak



5.- Espazio-denboren datuen analisia

5.1.- Problema eta algoritmo ohikoenak

5.2.- Aplikazioak

Irakasgaiaren eduki kontzeptualak azaltzeko eskola magistralak emango dira gelan ala laborategian eta ariketa eta/edo adibideekin osatuko da. Gainera, irakasgai honetan lan autonomoa bultzatuko da edukiaren atal batzuk taldeko lan edo proiektuen bidez landuz. Horretarako baliabide informatikoak eta bibliografikoak erabiliko dira ikasleari edukiak hobeto ulertzen lagunduko diotenak. Gaitegiaren alderdi konputazionala R eta/edo Python lengoiak erabiliz landuko da.

Irakasgaia bi modutan gainditu ahal izango da: ebaluazio jarraituaren bidez edo amaierako

ebaluazioaren bidez. Ebaluazio jarraituaren sistema da lehenetsitakoa, UPV/EHUko araudian adierazten

den moduan.



Ebaluazio jarraituaren baldintzak betetzen dituen ikasle batek amaierako ebaluazioa aukeratu nahiko

balu, irakasgaiko irakasle arduradunei adierazi behar die nahi hori modu honetan eta epe hauetan: email bitartez eta 2. aste trinkoko proba idatziaren kalifikazioa jaso ondoren.



EBALUAZIO JARRAITUA:

Ebaluazio jarraituak lauhilekoan zehar egindako lanak barneratzen ditu: taldeko edo bakarka egin beharreko lan edo proiektuak (% 70) eta azterketa partziala, kontzeptu teoriko-praktikoenak laborategian ( % 30).



Azken kalifikazioa proba/lan ebaluagarrietako kalifikazioen batez besteko haztatutik aterako da, baina gutxienez 4koa atera behar da bakarka egin beharreko azterketa partzialean. Ikasgaia gainditzeko gutxienez 5 puntu lortu beharko dira.



Idatzizko probara aurkezten ez bada edo/eta proiektuak entregatzen ez baditu, ebaluazio jarraituari uko egiten zaiola ulertuko da.





AZKEN EBALUAZIOA:

Azken ebaluazioa egiteko, ikasleak kontzeptu teoriko-praktikoen azterketa bat egin beharko du laborategian (% 50) eta zenbait proiektu burutu beharko ditu bakarka eta azterketa egunean entregatu (50%).



Azken kalifikazioa proba ebaluagarrietako kalifikazioen batez besteko haztatutik aterako da, baina gutxienez 4koa atera behar da idatzizko proban. Idatzizko probara aurkezten ez bada edo/eta proiektuak entregatzen ez baditu, azken ebaluazioari uko egiten zaiola ulertuko da. Ikasgaia gainditzeko gutxienez 5 puntu lortu beharko dira.

Ez dago nahitaez erabili beharreko materialik. Ikaslea bera joango da bere materiala osatzen eskolako jarraipena eginez eta eGelan dagoen materialarekin.

Oinarrizko bibliografia

Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3.



Philippe Esling and Carlos Agon. 2012. Time-series data mining. ACM Comput. Surv. 45, 1, Article 12 (November 2012), 34 pages. https://doi.org/10.1145/2379776.2379788



Bagnall, A., Lines, J., Bostrom, A. et al. The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Min Knowl Disc 31, 606–660 (2017).



Hamdi, A., Shaban, K., Erradi, A. et al. Spatiotemporal data mining: a survey on challenges and open problems. Artif Intell Rev 55, 1441–1488 (2022).

Aldizkariak

Arloko aldizkariak: IEEE Transaction on Knowledge and Data Engineering, Data Mining and Knowledge Discovery, Journal of Machine Learning Research, Pattern Recognition, Knowledge based Systems, etc.