OHARRA: IRAKASGAI HAU ERDERAZ EZARRITA DAGO, ENGLISH FRIENDLY MODALITATEAREKIN BATERA



Irakasgaiak osagai praktiko sakona du eta programazio maila aurreratua eta autonomoa eskatzen du.



Hurrengo ikastaroak gaindituta izatea gomendatzen da:

- Programazio modularra eta objektuei bideratua

- Datu egiturak eta algoritmoak

- Ingeniaritzako metodo estatistikoak

- Ikerketa operatiboa





Temas afines:

- computación

- estadística e investigación operativa

- minería de datos

- inteligencia artificial

- aprendizaje automático

OHARRA: IRAKASGAI HAU ERDERAZ EZARRITA DAGO, ENGLISH FRIENDLY MODALITATEAREKIN BATERA



1 Ezagutu teknika sistematikoen abantaila honako esparruetan: ezagutza lortzeko, ereduak lortzeko eta patroi iragarle ala deskriptiboak lortzeko

2 Ezagutu ikasketa automatikoko teknika ezberdinak eta estatistikoak datu meatzaritzaren baitan, beraien potentziala, konputazio kostea, mugak eta ulergarritasuna

3 Aukeratzeko gai izan, ataza jakin baterako, datu meatzaritzako zeintzuk teknika diren egokiak

4 Sortu ereduak eta patroiak datu meatzaritzako tresna-paketea erabiliz

5 Ebaluatu ereduen kalitatea oinarrizko ebaluazio teknikak uztartuz

6 Ezagutu problematika berezia datu web meatzaritzan eta ohiko aplikazio teknikak

OHARRA: IRAKASGAI HAU ERDERAZ EZARRITA DAGO, ENGLISH FRIENDLY MODALITATEAREKIN BATERA







SARRERA:

· Helburua. Aplikazio testuingurua.

· Aplikazio komertzialak: scoring, errententzioa, gurutzatutako salmenta, web-sistemak

· Adimen artifiziala, ikasketa automatikoa, patroi ezagutza

· Hurbilpenak: Sailkapena, Asoziazioa, Clustering

· Datuak: Eskuratzea. Analisia

· Aurre-prozesamendua: atributu hautapena. Bilaketa heuristikoak eta genetikoak. Desoreka eta datu urritik inferentzia egiteko estrategiak



ESPLORAZIO TEKNIKAK: CLUSTERING

· Ikasketa ez-gainbegiratua (clustering)

· Clustering tenkikak: zatiketa bidezkoa (k-means clustering); clustering probabilistikoa (EM algoritmoa); clustering hierarkiko (algoritmo aglomeratibia); sare neuronalak

· Aplikazioak: lengoaia naturalaren prozesamendua



TEKNIKA PREDIKTIBOAK: SAILKAPENA

· Ebaluazio teknikak eta balidazioa sailkapen gainbegiratuan

· Inferentzia algoritmoak: neural networks, bayesian networks, random forest, logistic regression · Sailkatzaileen konbinazioa: meta-sailkatzaileak (ensembles)

· Multi-class ereduak mono-label vs multi-label

· Aplikazioak: business intelligence, diagnosia

OHARRA: IRAKASGAI HAU ERDERAZ EZARRITA DAGO, ENGLISH FRIENDLY MODALITATEAREKIN BATERA





Irakasgaia presentziala da.



Klase Magistraletan: oinarri teorikoak landuko dira eta ariketak egingo dira adibide gisa. Jarrera pro-aktiboa sustatzen da, diskusioa eta pentsamendu kritikoa.



Ordenagailu Taldeak: klase magistraletan landutako teknikak sistema errealetan nola inplementatzen diren lantzea da helburua. Proposatutako helburu ezberdinak lortzeko talde-lana eta lan autonomoa sustatzen da.

• Ebaluazio Jarraituaren Sistema
• Azken Ebaluazioaren Sistema
• Kalifikazioko tresnak eta ehunekoak:
  • Garatu beharreko proba idatzia (%): 40
  • Praktikak egitea (ariketak, kasuak edo buruketak) (%): 60

Konpetentziak maila praktikoan nahiz garapenez egiaztatuko dira, hurrengo haztapen faktorearen bidez.



Haztapena:

60% Praktikak eta Lanak

40% Azterketa

Baldintza: irakasgaia gainditzeko, behintzat, kalifikazioaren %40a atera behar da atal bietako bakoitzean, alegia, bai azterketan eta bai lan eta praktiketan.





Ezarpena:

OHIKO DEIALDIAN Praktika eta Lanei dagokien kalifikazio osoaren %40a EBALUAZIO JARRAITUAren bidez jasotzen dira defektuz, ikasturtean zehar egiaztatzen dira gaitasunak. Ebaluazio jarraituari eutsiko zaio, arautegi orokorrak dakarren bezala, dagokion astea baino lehenago uko egiten ez bazaio.

Ebaluazio jarraituari uko eginez gero, "EBALUAZKO FINALA" prozedura ezartzen da (ebaluazio honetara jotzeko baldintzak betetzen direnean, 43. artikuluaren 1.c atala). Ebaluazio finalean, konpetentzien egiaztapen faktorea mantendu egiten da ez-ohiko deialdiko irizpideak aplikatuz.





Aurkeztua vs. Ez-Aurkeztua:

· Aurkeztua: deialdi horretako azterketara aurkeztea, azterketara agertzea aurkeztutzat emango da.

· Ez-Aurkeztua: deialdi horretako azterketara EZ aurkeztea

EZ-OHIKO DEIALDIAN Konpetentziak maila praktikoan nahiz garapenez egiaztatuko dira, ohiko deialdian aplikatzen diren haztapen faktoreen bidez baina ezarpena aldatu egiten da alor praktiko eta lanei dagokienean, jarraian adierazten den bezala.





Haztapena:

60% Praktikak eta Lanak

40% Azterketa

Baldintza: irakasgaia gainditzeko, behintzat, kalifikazioaren %40a atera behar da atal bietako bakoitzean, alegia, bai azterketan eta bai lan eta praktiketan.





Ezarpena:

Praktikak eta Lanak atalari dagokion (eta kalifikazio osoaren %40ko haztapena duen) gaitasuna proba praktiko bakar baten bidez egiaztatuko da (trebetasun-proba praktikoa)





Aurkeztua vs. Ez-Aurkeztua:

· Aurkeztua: deialdi horretako azterketara aurkeztea, azterketara agertzea aurkeztutzat emango da.

· Ez-Aurkeztua: deialdi horretako azterketara EZ aurkeztea

Moodle

Oinarrizko bibliografia

· E. Alpaydin. Introduction to Machine Learning. MIT Press, 2009



· Ian Witten, Eibe Frank, Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2006



· Jiawei Han & Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2006



· Pang-Ning Tan, Michael Steinbach & Vipin Kumar. Introduction to Data Mining. Addison-Wesley, 2006



· Tom Mitchell. Machine Learning. McGraw Hill, 1997.

Gehiago sakontzeko bibliografia

· Richard O. Duda, Peter E. Hart, David G. Stork; Pattern Classification; Ed. Wiley-Interscience; 2 ed ISBN-13: 978-0471056690

· C.M. Bishop; Pattern Recognition and Machine Learning. Springer. (2006).

· S. Chakrabarti. Mining the Web: Discovering knowledge from hypertext. Morgan Kaufmann. 2003

Aldizkariak

· ACM Transactions on KDD

· IEEE Transactions on Knowledge and Data Engineering

· Data Mining and Knowledge Discovery (DMKD)

· ACM SIGKDD Explorations

· Data & Knowledge Engineering (DKE)

Web helbideak

http://www.kdnuggets.com/
http://www.kdd.org/
http://www.cs.waikato.ac.nz/ml/weka
http://rapid-i.com