Irakasgaiaren azalpena eta testuingurua

En la actualidad el progreso del conocimiento y el desarrollo de la tecnología se soportan en gran medida en la explotación de grandes cantidades de datos empíricos recogidos de todo tipo de mediciones. Las bases de datos facilitan el almacenamiento, actualización, ordenación y búsqueda de esos datos. La minería de datos, combina los recursos de la estadística y la computación para descubrir patrones de comportamiento en los datos, que generen nueva información relevante y que se pueda estructurar para su uso posterior. El proceso conlleva diferentes fases, tales como la selección y preprocesamiento de las variables, la aplicación de las técnicas relevantes, la validación y selección del mejor modelo y su interpretación.

Ohiko deialdia: orientazioak eta uko egitea

CRITERIOS DE LA EVALUACIÓN CONTINUA:

Realización de una tarea individual consistente en la aplicación de técnicas de aprendizaje de reglas de asociación o similar sobre un conjunto de datos: 20%

Una segunda tarea individual o por parejas donde se resuelve un problema de aprendizaje supervisado aplicando diversas técnicas y seleccionando el modelo más adecuado. Se debe entregar un informe que describa todo el proceso de trabajo y el código utilizado: 80%

Para aprobar la asignatura será necesario entregar ambas tareas y alcanzar una nota de 5 sobre 10 en la calificación conjunta de ambas tareas.

CRITERIOS DE LA EVALUACIÓN FINAL:

Los estudiantes que lo soliciten, podrán someterse a una evaluación final, que podrá consistir en una prueba única, o en un conjunto de pruebas y trabajos.

Se podrá establecer de manera excepcional la asistencia a determinadas sesiones presenciales, y la superación, en su caso, de las pruebas que en ellas se establezcan.

Los estudiantes deberán solicitar la evaluación diferenciada mediante escrito razonado dirigido al Coordinador del Máster, desde el momento de la matrícula hasta transcurridos, como máximo, cinco días desde el inicio del curso. La solicitud se acompañará de todos los documentos que acrediten la imposibilidad de seguir con normalidad el desarrollo del curso. La Comisión Académica del Máster, resolverá en el plazo máximo de veinte días.

RENUNCIA:

El alumnado que haya realizado sólo parte de las tareas asignadas a lo largo del curso, será calificado como No presentado/a.

Ezohiko deialdia: orientazioak eta uko egitea

Los criterios de evaluación serán los mismos que en la convocatoria ordinaria. La evaluación de las actividades realizadas a lo largo del curso (prácticas de ordenador, ejercicios, seminarios) será válida para las dos convocatorias del curso. En consecuencia, el alumnado que haya superado estas actividades a lo largo del curso, en la convocatoria extraordinaria solo tendrá que presentarse al trabajo individual. En el caso del alumnado que no haya superado la evaluación de dichas actividades o haya elegido la modalidad de evaluación final, en la convocatoria extraordinaria deberá realizar, también, una prueba complementaria diseñada para la evaluación de las actividades realizadas a lo largo del curso. Dicha prueba puede consistir en una exposición oral, una demostración ante un ordenador o una descripción escrita de los conocimientos prácticos abordados en las actividades planteadas a lo largo del curso.

Irakasgai-zerrenda

Introducción a la minería de datos

Métodos 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

Bibliografia

Nahitaez erabili beharreko materiala

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

Oinarrizko bibliografia

T. Hastie, R. Tibshirani and J. Friedman (2003) The elements of Statistical Learning. Data Mining, Inference, and Prediction. Springer



I.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

Gehiago sakontzeko bibliografia

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"

Aldizkariak

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

Estekak

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/