banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSOModelos Probabilísticos para Minería de Datos
NOMBRE DEL MODULOMINERÍA DE DATOS
Nº CRÉDITOS EUROPEOS3 ECTS
COORDINADORLuis Miguel de Campos Ibáñez
IDIOMAEspañol
CARÁCTEROptativo
PROFESORADO
Silvia Acid Carrillo 1 ECTS
Luis Miguel de Campos Ibáñez 2 ECTS
COMPETENCIAS
Se pretende que el alumno sea capaz de:
  • Conocer y utilizar los métodos y técnicas de aprendizaje y descubrimiento de modelos gráficos, especialmente redes bayesianas.
  • Conocer y utilizar los diversos métodos de clasificación automática, tanto supervisada como no supervisada, basados en modelos gráficos probabilísticos.
  • Conocer las posibilidades reales de aplicación de estas técnicas en diferentes áreas del conocimiento.
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 se dispone de un acceso identificado a través de la web del master que permite la comunicación directa entre el profesor y el alumno, descarga de material, consultas diversas, foros, etc. 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
Requisitos previos: Es conveniente haber realizado el curso denominado Razonamiento Probabilístico, del módulo Soft Computing: Fundamentos
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN
-Trabajos presentados y académicamente dirigidos, teóricos o prácticos. Concretamente cada estudiante podrá elegir entre realizar (1) un trabajo teórico sobre un conjunto de artículos relacionados con el curso, (2) un trabajo práctico realizado sobre elvira o Weka, consistente en el estudio y la aplicación de diferentes técnicas de aprendizaje y/o clasificación a alguna(s) base(s) de datos, o (3) la entrega de una relación de ejercicios resueltos, de tipo teórico-práctico. Los alumnos que no asistan regularmente a clase deberán de realizar dos trabajos, así como aquellos que se presenten a la convocatoria de septiembre.
-Participación activa en clases, seminarios, etc
TEMARIO DE TEORÍA
Aprendizaje de modelos gráficos probabilísticos 1.5 ECTS
Clasificadores bayesianos 1 ECTS
Aplicaciones 0.5 ECTS
TEMARIO DE PRÁCTICAS
  • Software Elvira
  • Software Weka
BIBLIOGRAFÍA
  • R.E. Neapolitan, Learning Bayesian Networks, Prentice Hall, 2004.
  • P. Spirtes, C. Glymour, R. Scheines, Causation, Prediction, and Search, Lecture Notes in Statistics, Springer Verlag, 1993.
  • C. Borgelt, R. Kruse, Graphical Models. Methods for Data Analysis and Mining, Wiley, 2002.
  • Machine Learning, volumen 59, 2005 (número especial sobre clasificadores basados en modelos gráficos probabilísticos). - I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques (Second Edition), Morgan Kaufmann, 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