banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSOMinería de datos y Modelos Evolutivos de Extracción de Conocimiento
NOMBRE DEL MODULOMINERÍA DE DATOS
Nº CRÉDITOS EUROPEOS2 ECTS
COORDINADORRafael Alcalá Fernández
IDIOMAInglés
CARÁCTEROptativo
PROFESORADO
Rafael Alcalá Fernández 1 ECTS
María José del Jesus Díaz 1 ECTS
COMPETENCIAS
Se pretende que el alumno sea capaz de conocer el uso de las técnicas de Computación Evolutiva en el ámbito de la Minería de Datos. Una vez terminado el curso, el alumno debe encontrarse capacitado para:
  • Conocer algunas de las técnicas evolutivas más reconocidas en el desarrollo de modelos de minería de datos.
  • Conocer y aplicar algoritmos específicos sobre algunas de las líneas de investigación y desarrollo para la extracción de conocimiento evolutiva (modelos evolutivos para la minería de datos): Algoritmos evolutivos para el pre-procesamiento de datos y algoritmos de aprendizaje y optimización evolutiva para la obtención de sistemas de clasificación y regresión.
  • Capacidad para la aplicación de los conocimientos adquiridos a la resolución de problemas mediante el uso de las nuevas herramientas evolutivas de extracción de conocimiento a partir de datos en entornos nuevos o poco conocidos dentro de contextos más amplios y mulitidisciplinares, siendo capaces de integrar dichos conocimientos.
METODOLOGÍA DE ENSEÑANZA Y APRENDIZAJE
El sistema de clases es semi-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,
  • 5 horas de clases presenciales (incluyendo tutorías académicas): Mediante la exposición oral del profesor y usando los medios tecnológicos adecuados, se exponen los contenidos del curso favoreciendo la participación por parte del alumnado que dispondrá de la bibliografía necesaria.
  • 3 horas de clases de trabajo práctico en laboratorio: Haciendo uso de las herramientas software adecuadas se plantearán por el profesor distintos ejercicios guiados sobre las distintas temáticas tratadas en el curso.
  • 17 horas de trabajo del alumno: Estudio de los contenidos de los diferentes temas,  análisis y resolución de problemas, elaboración de trabajos de teoría y/o prácticas tutelados.

Mediante la aplicación de las actividades formativas descritas se hace posible la adquisición de las competencias antes señaladas.
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN
El sistema de evaluación tendrá en cuenta la asistencia y participación activa del alumno en las clases presenciales y la elaboración de trabajos teóricos y/o prácticos dirigidos académicamente. De esta forma, la asistencia y participación en las clases presenciales permitirán aprobar el curso, y mediante los trabajos dirigidos se podrá mejorar la nota. Los trabajos aparecerán previamente en el servidor web para que el alumno pueda seleccionar el que más le interese. En cualquier caso, se facilitará para los alumnos que no puedan asistir a todas las clases aprobar el curso mediante el trabajo personal y el material disponible por Internet.
TEMARIO DE TEORÍA
¿Por qué aplicar los Algoritmos Evolutivos en Minería de Datos? 0.1 ECTS
Preprocesamiento y Algoritmos Evolutivos 0.3 ECTS
Extracción Evolutiva de Reglas 0.3 ECTS
Programación Genética para la Extracción de Reglas 0.3 ECTS
Sistemas Difusos Evolutivos: Modelos Avanzados 0.4 ECTS
Aprendizaje Evolutivo Multiobjetivo 0.4 ECTS
Nuevos Retos en el uso de los Algoritmos Evolutivos para la Extracción de Conocimiento 0.2 ECTS
TEMARIO DE PRÁCTICAS
  • Uso de la Herramienta KEEL (Knowledge Extraction based on Evolutionary Learning) para la extracción evolutiva de conocimiento a partir de datos. En particular, se hará uso de los algoritmos evolutivos para el pre-procesamiento de datos y de los algoritmos de aprendizaje y optimización evolutiva para la obtención de sistemas de clasificación y regresión que integra dicha herramienta.
BIBLIOGRAFÍA
  • A.A. Freitas, Data Mining and Knowledge Discovery with Evolutionary Springer-Verlag, 2002.
  • O. Cordón, F. Herrera, F. Hoffmann, L. Magdalena GENETIC FUZZY SYSTEMS. Evolutionary Tuning and Learning of Fuzzy Knowledge Bases. World Scientific, Julio 2001.
  • M.L. Wong, K.S. Leung, Data Mining using Grammar Based Genetic Programming and Applications. Kluwer Academics Publishers, 2000.
  • Y. Jin (Ed.) Multi-Objective Machine Learning Springer-Verlag, 2006.
  • A. Ghosh, L.C. Jain (Eds.), Evolutionary Computation in Data Mining. Springer-Verlag, 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