Logo LSI r�tulo LSI Logo US

Docencia | Investigación | Personal | Información | Noticias | Enlaces | Descargas | Zona privada

Introducción a la Minería de Datos
Curso 2006/2007


Titulación Cuatrimestre Horario Créditos
Ingeniería Técnica en Informática de Sistemas segundo 6.0
Ingeniería Informática segundo 6.0
Ingeniería Técnica en Informática de Gestión segundo 6.0

Profesorado | Motivación | Objetivos | Temario | Evaluación | Bibliografía

Profesorado


Arriba

Motivación

  • El curso es una introducción a un área de la Inteligencia Artificial denominada Knowledge Discovery in Databases (KDD).
  • El crecimiento del volumen de información propicia la aplicación de técnicas que sean capaces de obtener conocimiento lingüísticamente comprensible incluso por no expertos. Bases de datos con un abundante número de registros contienen información que no es posible extraer sin la aplicación de determinadas técnicas, las cuales pueden ofrecernos: el conocimiento inherente a ellas expresado con una semántica clara; la posibilidad de realizar una clasificación de nuevos registros a partir de los resultados obtenidos, a modo de técnica de decisión; la aplicación de técnicas que faciliten el almacenamiento y recuperación rápidos, bien por la eliminación de información o por la búsqueda de prototipos.
  • Los campos científicos e industriales donde la aplicación de estas técnicas es adecuada son cada vez más numerosos, entre ellos:
    • medicina: obtención de reglas de decisión para establecer diagnósticos; análisis de parámetros médicos para su posible eliminación; interdependencia de síntomas, etc.
    • robótica: obtención de reglas de decisión para proporcionar conocimiento de la experiencia a robots: caminos, planificación, ...
    • industria: obtención de secuencias de ensamblaje para la fabricación de elementos; construcción; etc.
    • banca: búsqueda de determinadas propiedades en grupos de clientes.
    • biología: búsqueda de patrones genéticos que son predeterminantes en futuras enfermedades.
    • investigación: análisis de resultados de estudios o experimentos científicos.

Arriba

Objetivos

  • Que el alumno tenga una visión global del Data Mining y KDD.
  • Que el alumno conozca las técnicas de extracción de conocimiento.
  • Que el alumno sea capaz de interpretar los resultados.
  • Que el alumno adquiera experiencia práctica con una herramienta de KDD.

Arriba

Temario

  • Tema 1: Visión General de los Sistemas de Adquisición de Conocimiento
  • Tema 2: Fases del KDD y Tareas de la Minería de Datos
  • Tema 3: Preprocesado mediante Técnicas Estadísticas
  • Tema 4: Preprocesado mediante Técnicas basadas en el vecino más cercano
  • Tema 5: Selección de Atributos: objetivos y técnicas
  • Tema 6: Clustering: objetivos y técnicas
  • Tema 7: Clasificación: objetivos y técnicas
  • Tema 8: Reglas de Asociación: objetivos y técnicas
  • Tema 9: Aplicación Comparativa entre Paradigmas de Aprendizaje
  • Tema 10: Introducción al Aprendizaje en Data Streams
  • Tema 11: Introducción a la Minería de Datos Visual
  • Tema 12: Introducción a la BioInformática

Arriba

Evaluación

  • La asignatura se aprobará con la asistencia de al menos el 80% de las clases. Se ofertarán trabajos optativos para complementar la nota.
  • Para desarrollar algunos de los trabajos propuestos, el alumno justificará su habilidad en alguno de los siguientes puntos:
    • Dominio de la herramienta de KDD utilizada durante el curso
    • Programación en C++
    • Programación en Java

Arriba

Bibliografía

  • Goldberg, D.E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989.
  • Mitchell, T., Machine Learning, McGraw-Hill, 1997.
  • Quinlan, J.R., C4.5 Programs for Machine Learning, Morgan-Kaufmann, 1993.

Arriba

Programas de otros cursos:

umraniye escort umraniye escort pendik escort beylikduzu escort beylikduzu escort

inicio | mapa del sitio | rss | aviso legal | contacto