Gaia
Denbora-segiden Datuen Analisirako Sarrera
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Ingelesa
Irakasgaiaren azalpena eta testuingurua
En este curso se abordarán algunas de las tareas más importantes del ámbito de la minería de las series temporales como son la predicción, la clasificación supervisada y no-supervisada o la detección de anomalías o outliers y se analizarán los algoritmos más populares para su resolución.Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
MORI CARRASCAL, USUE | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputazio Zientzia eta Adimen Artifiziala | usue.mori@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Conocimiento de las tareas más relevantes de la minería de series temporales. | 25.0 % |
Conocimiento de los algoritmos más populares para resolver las distintas tareas de minería de series temporales. | 25.0 % |
Ser capaz de aplicar distintos algoritmos de minería de series temporales utilizando R o Python. | 25.0 % |
Comunicar por escrito y de forma oral los procesos de experimentación llevados a cabo y los resultados y conclusiones obtenidos. | 25.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 10 | 0 | 10 |
Ordenagailuko p. | 20 | 45 | 65 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Eskola magistralak | 10.0 | 100 % |
Ordenagailuko praktikak | 20.0 | 66 % |
Talde-lana | 40.0 | 0 % |
Testuen analisia | 5.0 | 0 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Banakako eta/edo taldeko lana, entsegua | 10.0 % | 20.0 % |
Lanen erakusketa, irakurketak... | 15.0 % | 30.0 % |
Talde-lanak (arazoak konpontzea, proiektuak diseinatzea) | 50.0 % | 75.0 % |
Irakasgaia ikastean lortuko diren emaitzak
Conocer los distintos problemas de minería de series temporales y los algoritmos que se utilizan para resolverlos.Aplicar las técnicas de minería de datos temporales utilizando R o Python.
Irakasgai-zerrenda
Tema 1 - Introducción a la minería de series temporalesTema 2 ¿ Predicción de series temporales
Tema 3 ¿ Distancias para series temporales.
Tema 4 ¿ Clasificación no-supervisada de series temporales.
Tema 5 ¿ Clasificación supervisada de series temporales.
Tema 6 ¿ Detección de anomalías en series temporales.
En el aspecto práctico se hará uso de R y Python para la aplicación de los algoritmos que se analizarán en cada uno de los temas.
Bibliografia
Oinarrizko bibliografia
P. S.P. Cowpertwait and A. V. Metcalfe. Introductory Time Series with R (Use R). Springer, 2009.P. Esling and C.Agon. 2012. Time-series data mining. ACM Comput. Surv. 45, 1, Article 12 (November 2012), 34 pages.
A. Bagnall, J. Lines, A. Bostrom, 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).
T. Warren Liao, Clustering of time series data¿a survey, Pattern Recognition, Volume 38, Issue 11, 2005, Pages 1857-1874.
Ane Blázquez-García, Angel Conde, Usue Mori, and Jose A. Lozano. 2021. A Review on Outlier/Anomaly Detection in Time Series Data. ACM Comput. Surv. 54, 3, Article 56 (April 2022), 33 pages.
Gehiago sakontzeko bibliografia
P. J. Brockwell and R. A. Davis. Introduction to Time Series and Forecasting. Springer Verlag, 1996.R. H. Shumway and D. S. Stoffer. Time Series Analysis and Its Applications With R Examples. Springer Verlag, 2006.
Aldizkariak
Data mining and Knowledge DiscoveryACM Computing Surveys
IEEE Transactions on Knowledge and Data Engineering
Journal of Machine Learning Research
Estekak
https://www.timeseriesclassification.com/https://otexts.com/fpp2/