Materia
Introducción a la Minería de Datos
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Castellano
Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
ALCALA NALVAIZ, JOSE TOMAS | Universidad de Zaragoza | Profesorado Titular De Universidad | Doctor |
Competencias
Denominación | Peso |
---|---|
Conoce en qué consiste la minería de datos, los diversos tipos de problemas que resuelve y las diferentes técnicas que se utilizan. | 20.0 % |
Sabe analizar un conjunto grande de datos con dos o más de las técnicas presentadas durante el curso. | 20.0 % |
Sabe evaluar la capacidad predictiva de un modelo. | 20.0 % |
Sabe elegir entre distintos modelos el que mejor se adapta al problema que se desea resolver. | 20.0 % |
Sabe utilizar un software de minería de datos. | 20.0 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 24 | 36 | 60 |
Seminario | 4 | 12 | 16 |
P. de Aula | 8 | 18 | 26 |
P. Ordenador | 24 | 24 | 48 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Análisis de casos | 10.0 | 0 % |
Clases magistrales | 24.0 | 100 % |
Debates | 6.0 | 25 % |
Ejercicios | 10.0 | 0 % |
Lecturas | 10.0 | 0 % |
Prácticas de aula | 14.0 | 25 % |
Prácticas de ordenador | 48.0 | 50 % |
Seminarios | 4.0 | 100 % |
Trabajo en grupo | 18.0 | 0 % |
Tutorías | 6.0 | 50 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Se valorará la asistencia y la respuesta a las actividades y ejercicios propuestos | 20.0 % | 40.0 % |
Trabajos Prácticos | 60.0 % | 80.0 % |
Temario
Introducción a la minería de datosMétodos de regresión. Modelos lineales, generalizados y no paramétricos
Métodos de clasificación. Clasificación Supervisada lineal, logística y k vecinos próximos
Métodos basados en árboles
Modelos gráficos probabilísticos: Redes bayesianas
Bibliografía
Materiales de uso obligatorio
M. Bishop (2006) Pattern Recognition and Machine Learning. SpringerBibliografía básica
T. Hastie, R. Tibshirani and J. Friedman (2003) The elements of Statistical Learning. Data Mining, Inference, and Prediction. SpringerI.H. Witten and E.Frank (2005) Data Mining. Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufman, Second Edition
D. Peña (2003) Análisis de Datos Multivariantes. McGraw-Hill
Bibliografía de profundización
B. Clarke (2009) Principles and Theory for data mining and machine learning, Springer.E. Castillo, Gutiérrez, J. M. y Hadi, A. S., (1998) Sistemas Expertos y modelos de redes probabilísticas, disponible en
"http://personales.unican.es/gutierjm/papers/BookCGH.pdf"
Revistas
Computational Statistics and Data Analysis (CS&DA), homepage:"http://www.journals.elsevier.com/computational-statistics-and-data-analysis/"
Statistical Analysis and Data Mining, homepage:
"http://www.wiley.com/WileyCDA/WileyTitle/productCd-SAM.html"
WIREs Computational Statistics, homepage:
"http://wires.wiley.com/WileyCDA/WiresJournal/wisId-WICS.html"
WIREs Data Mining and Knowledge Discovery, homepage:
http://wires.wiley.com/WileyCDA/WiresJournal/wisId-WIDM.html
Enlaces
Página principal de R: http://www.r-project.org/Página principal de Rattle: http://cran.r-project.org/web/packages/rattle/index.html
Página principal de Weka: http://www.cs.waikato.ac.nz/ml/weka/
Página principal de RWeka:
http://cran.r-project.org/web/packages/RWeka/index.html
Página principal de KDnuggets: http://www.kdnuggets.com/
The UC Irvine Machine Learning Repository: http://archive.ics.uci.edu/ml/