banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSOFundamentos de Minería de Datos
NOMBRE DEL MODULOMINERÍA DE DATOS
Nº CRÉDITOS EUROPEOS3 ECTS
COORDINADORJuan Carlos Cubero Talavera
IDIOMAEspañol
CARÁCTEROptativo
PROFESORADO
Fernando Berzal Galiano 0.5 ECTS
Juan Carlos Cubero Talavera 1.5 ECTS
Francisco Herrera Triguero 1 ECTS
COMPETENCIAS
Una vez terminado el curso, el alumno se encontrará capacitado para:

·    Analizar y categorizar adecuadamente algoritmos y modelos de aprendizaje existentes. Además, deberá adquirir el bagaje suficiente para proponer métodos alternativos adecuados a situaciones específicas no descritas anteriormente.
·    Plantear el test de hipótesis más conveniente para analizar una hipótesis de independencia entre variables, atendiendo a la naturaleza de éstas (nominales o intervalares) y sea capaz de lanzarlo en el programa SPSS
·    Aplicar los métodos básicos para la limpieza de datos necesaria, previa a cualquier análisis estadístico o destinado al aprendizaje automático.
·    Manejar y aplicar software específico para Data Mining como SPSS, TMINER o KEEL
METODOLOGÍA DE ENSEÑANZA Y APRENDIZAJE
  • El sistema de clases es presencial, aunque se pretende el uso intensivo de los recursos de internet para mejorar y potenciar la calidad docente. Para ello profesores y alumnos disponen de un acceso identificado a través de esta web que permite la comunicación directa entre el profesor y el alumno, descarga de material, consultas diversas, foros, realización de encuestas, etc.  Como referencia básica cada ECTS se corresponde con 25 horas de trabajo efectivo del alumno y habitualmente se estructura de la siguiente forma

    - 4 horas de clases presenciales
    - 4 horas de clases de trabajo práctico en laboratorio
    - 17 horas de trabajo del alumno.
  • Reparto de Teoría/Prácticas en las distintas sesiones:
    - Fundamentos de Estadística para Data Mining (30% / 70%)
    - Modelos de Aprendizaje (60% / 40%) Preprocesamiento y Reducción de Datos (50% / 50%)
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN

-    Para superar el curso, el alumno debe asistir a clase y realizar un trabajo práctico o teórico relacionado con alguna de las temáticas impartidas en el curso. Se le ofrecerá al alumno una serie de trabajos alternativos, de los que tendrá que elegir uno.
-    El alumno que no pueda asistir a alguna de las sesiones docentes deberá realizar un trabajo práctico encargado por el profesor asignado a dicha sesión

TEMARIO DE TEORÍA
Fundamentos de Estadística para Data Mining 1 ECTS
Modelos de Aprendizaje 1.25 ECTS
Preprocesamiento y Reducción de Datos 0.75 ECTS
TEMARIO DE PRÁCTICAS
  • SPSS
  • KEEL/TMINER
BIBLIOGRAFÍA
  • Pang-Ning Tan, Michael Steinbach, Vipin Kumar. Introduction to Data Mining. Addison-Wesley, 2006
  • Jiawei Han, Micheline Kamber. Data Mining: Concepts and Techniques, 2nd ed. The Morgan Kaufmann Series in Data Management Systems, Jim Gray, Series Editor . Morgan Kaufmann Publishers, March 2006. - John Wang (Ed.), Encyclopedia of Data Warehousing and Mining (Idea Group 2006)
  • Dorian Pyle, Data Preparation for Data Mining (Morgan Kaufmann Publishers, 1999)
  • Manual online SPSS. http://www2.uca.es/serv/ai/formacion/spss/Inicio.pdf
  • Jerrold H. Zar. Biostatistical Analysis (4th Edition) Prentice Hall; 1998
  • Ian H. Witten & Eibe Frank, Data Mining. Practical Machine Learning Tools and Techniques 2 Ed. (Elsevier 2005)
Máster: Soft Computing y Sistemas Inteligentes
Mapa Web
sugerencias
Dpto. Ciencias de la Computación e Inteligencia Artificial
E.T.S. Ingeniería Informática y de Telecomunicaciones
Universidad de Granada
 
¡CSS Válido!   Valid XHTML 1.1