La asignatura Análisis de Datos Espacio-Temporales es una asignatura optativa que se imparte en el 4º curso del grado en Inteligencia Artificial. En dicha asignatura, se analizarán los datos de tipo espacio-temporal y se estudiarán los problemas de aprendizaje y algoritmos que sirven para extraer información útil de este tipo de datos.



La asignatura se construye sobre las asignaturas Minería de Datos y Aprendizaje Automático Avanzado impartidos en cursos anteriores, y los contenidos aprendidos en dichas asignaturas serán la base o punto de partida. Además, de una manera transversal, los conocimientos y competencias adquiridas en asignaturas sobre programación y estadística también serán imprescindibles.



Hoy en día, en cada vez más ámbitos, los datos que se obtienen de sensores y otras tecnologías tienen carácter espacio-temporal. Es por ello que obtener información útil de este tipo de datos se ha convertido en una tarea imprescindible. En los últimos años se han propuesto algoritmos y problemas específicos que tienen en cuenta las características específicas de este tipo de datos y conocerlos es importante para cualquier experto en Inteligencia Artificial.

Conocer las características principales de los datos espacio-temporales y conocer los métodos para hacer una primera exploración de los mismos y visualizarlos.



Conocer los problemas de minería de datos espacio-temporales más habituales y saber identificarlos en situaciones reales.



Conocer las bases de algunos algoritmos para cada problema de minería de datos espacio-temporales estudiado.



Utilizar R y/o Python para diseñar, implementar y llevar a cabo pequeñas experimentaciones.



Sacar conclusiones de los resultados y visualizaciones obtenidos, y argumentar las conclusiones obtenidas de la evidencia empírica.

1.- Introducción a los datos espacio-temporales.

1.1.- Características principales de los datos espacio-temporales.

1.2.- Visualización de los datos espacio-temporales.



2.- Predicción de series temporales.

2.1.- Modelos estadísticos clásicos.

2.2.- Modelos de Machine Learning.

2.3.- Aplicaciones.



3.- Clasificación no-supervisada de series temporales.

3.1.- Distancias para series temporales.

3.2.- Aplicaciones.



4.- Clasificación supervisada de series temporales.

4.1.- Taxonomías habituales para categorizar los algoritmos más cómunes y ejemplos.

4.2.- Extensiones del probléma clasico de clasificación supervisada de series temporales.

4.2.- Aplicaciones.



5.- Análisis de datos espacio-temporales.

5.1.- Problemas y algoritmos más comunes.

5.2.- Aplicaciones.

Los contenidos teóricos de la asignatura se impartirán en clases magistrales en el aula o en el laboratorio y se complementarán con ejercicios y/o ejemplos. Se impulsará el trabajo autónomo trabajando algunas partes del temario mediante trabajos o proyectos grupales. Para ello se proporcionarán recursos bibliográficos e informáticos que ayudarán al alumnado a comprender los contenidos necesarios. La parte computacional de la asignatura se llevará a cabo utilizando R y/o Python.

• Sistema de Evaluación Final
• Herramientas y porcentajes de calificación:
  • Porcentajes y modalidades de evaluación en el siguiente apartado zehazten dira (%): 100

Los sistemas de evaluación que se contemplan son el sistema de evaluación continua y el sistema de

evaluación final. El sistema de evaluación continua es el que se utilizará de forma preferente, según se indica en la normativa actual de la UPV/EHU.



El alumnado que, cumpliendo las condiciones para continuar en el sistema de evaluación continua, decidiese optar por la evaluación final, deberá informar al profesorado responsable de la asignatura en los plazos y forma indicados a continuación: por email, después de conocer la nota del examen parcial de la segunda semana de horario agrupado.



EVALUACIÓN CONTINUA

La evaluación continua consiste en la evaluación de los trabajos realizados a lo largo del cuatrimestre: proyectos o trabajos realizados individualmente o en grupo (70 %) y un examen parcial de conceptos teórico-prácticos a realizar en el laboratorio (30 %).



La calificación final se obtendrá de la media ponderada de las calificaciones de las diferentes pruebas evaluables realizadas, pero es necesario sacar una nota mínima de 4 en el examen individual. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.



La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación.



EVALUACIÓN FINAL

Para ser evaluado mediante evaluación final el alumnado debe realizar un exámen de conceptos teórico/prácticos en el laboratorio (%50) y algunos proyectos a realizar de forma individual y entregar el día del examen (%50).



La calificación final se obtendrá de la media ponderada de las calificaciones de las diferentes pruebas evaluables realizadas, pero es necesario sacar una nota mínima de 4 en el examen individual. La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.

La evaluación en la convocatoria extraordinaria será la misma que la evaluación final en convocatoria ordinaria:



Para la evaluación final el alumnado deberá realizar un examen de conceptos teóricos-prácticos en el laboratorio (50%) y realizar algunos proyectos a realizar de forma individual y entregar el día del examen (%50).La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.

No hay materiales de uso obligatorio. El/la estudiante irá elaborando su propio material a lo largo del curso.

Bibliografía básica

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).

Revistas

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

Direcciones web

https://cran.r-project.org/web/views/TimeSeries.html

https://cran.r-project.org/web/views/SpatioTemporal.html

https://www.timeseriesclassification.com/