Última actualización: 29/06/2021


Curso Académico: 2021/2022

Análisis de Datos
(15986)
Titulación: Grado en Ingeniería Informática (218)


Coordinador/a: GARCIA HERRERO, JESUS

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación (1º, 1C) Inteligencia Artificial (2º, 2C)
Objetivos
Conocimientos: 1. Evaluación basada en varias tareas de análisis de datos 2. Conocimiento sobre las técnicas clásicas y de aprendizaje automático para desarrollar modelos que expliquen los datos 3. Conocimiento de técnicas que tratan con los errores habituales en los datos para poder utilizarlos Procedimentales/Instrumentales: 1. Los estudiantes usarán diferentes técnicas de análisis, comparándolas mediante experimentos y analizando los resultados 2. Los estudiantes aplicarán la técnica de análisis apropiada con los parámetros correctos para resolver cada tarea (objetivo) Actitud: 1. Los estudiantes harán los trabajos en equipo 2. Los estudiantes usarán herramientas de análisis para dar soluciones a problemas del mundo real desde la informática 3. Capacidad de aplicar los conocimientos en la práctica 4. Los estudiantes presentarán una memoria por trabajo y el trabajo final se presentará oralmente, además de hacer el examen final escrito 5. Los estudiantes deben saber usar el estado del arte de las herramientas de análisis de datos para resolver los trabajos propuestos
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al análisis de datos y minería de datos 2. Aprendizaje con técnicas numéricas 2.1. Modelos estadísticos de los datos y relaciones causales 2.2. Clasificadores bayesianos. Atributos numéricos y simbólicos 3. Árboles para predicción numérica 3.1. Regresión lineal y árboles de regresión 3.2. Agrupamiento con técnicas numéricas: K-medias y EM 4. Evaluación de prestaciones 4.1. Matrices de confusión 4.2. Comparación de técnicas, contrastes de significatividad. 5. Análisis de atributos 5.1. Selección no supervisada 5.2. Transformación de atributos 5.3. Selección supervisada 6. Metodologías en análisis de datos 7. Otras técnicas avanzadas (combinación, SVM, aprendizaje de sistemas difusos, técnicas genéticas,...)
Actividades formativas, metodología a utilizar y régimen de tutorías
Clases magistrales: 2 ECTS. Para los objetivos de conocimiento y análisis y en relación con todos los temas se presentarán las ideas fundamentales mediante clase magistral que se valorará mediante exámenes de conocimiento. Resolución de supuestos prácticos: 2,5 ECTS. Para los objetivos de comprensión, análisis, síntesis y crítica y en relación con todos los temas se desarrollarán casos concretos donde el alumno deberá demostrar su capacidad para plantear soluciones coherentes y analizar soluciones propuestas por otros alumnos, la valoración se hará en función de las propuestas de solución de cada alumnos a los problemas propuestos. Desarrollo de un trabajo práctico: 1,5 ECTS. Para el objetivo de desarrollo y en relación con uno de los temas de la asignatura el alumno deberá desarrollar un trabajo práctico
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • I. Witten y E. Frank. Data Mining: Practical Machine Learning Tools and Techniques (Third Edition) . Morgan Kaufmann. 2011
  • Jesús García, Antonio Berlanga, José M. Molina, Miguel A. Patricio. Ciencia de datos: Técnicas analíticas y aprendizaje estadístico en un enfoque práctico. Altaria. 2018
Bibliografía complementaria
  • David Hand, Heikki Mannila. Principles of data mining. MIT Press. 2002
  • Pérez López, César. Estadística aplicada a través de Excel. Prentice Hall. 2002

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.