- Máster Universitario en Educación y Recursos Digitales (Elearning)
- Máster Universitario en Neuropsicología
- Máster Universitario en Psicopedagogía
- Máster Universitario en Dirección y Gestión de Centros Educativos
- Máster Universitario en Educación Inclusiva y Personalizada
- Máster Universitario en Psicología General Sanitaria
- Máster Universitario en Formación del Profesorado de Educación Secundaria, Bachillerato, Formación Profesional y Enseñanza de Idiomas
- Formación Pedagógica para el Acceso a la Profesión Docente de Formación Profesional
- Máster Universitario en Dirección y Administración de Empresas (MBA)
- Máster Universitario en Dirección Económico-Financiera
- Máster Universitario en Auditoría de Cuentas
- Máster Universitario en Dirección y Gestión Contable
- Máster Universitario en Marketing Digital y Redes Sociales
- Máster Universitario en Dirección Comercial y Marketing
- Máster Universitario en Asesoría Fiscal
- Máster Universitario en Práctica de la Abogacía y de la Procura
- Máster Universitario en Dirección y Gestión de Recursos Humanos
- Máster Universitario en Asesoría Jurídico-Laboral
- Máster Universitario en Prevención de Riesgos Laborales
- Máster Universitario en Análisis e Investigación Criminal
- Máster Universitario en Asesoría Jurídica de Empresas
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).
Minería de Datos
| Código de la asignatura | 1779 |
|---|---|
| Nº Créditos ECTS | 6 |
| Tipo | Optativa |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2024-25 |
Minería de Datos es una asignatura que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
- Capacidad para trabajar en situaciones carentes de información y bajo presión, teniendo nuevas ideas, que permiten la resolución de la situación con el uso de la informática.
- Capacidad para integrarse en la empresa de modo autónomo demostrando conocimientos básicos de la informática, comprensión de la responsabilidad ética y profesional, y motivación por y la mejora continua y la calidad del producto.
- Capacidad para el uso profesional de la tecnología de la información y la comunicación.
- Tener capacidad para realizar la formalización y especificación de problemas reales cuya solución requiere el uso de la informática.
- Capacidad para abordar proyectos de extración de conocimiento y para aplicar técnicas de Minería de Datos para la resolución de problemas específicos mediante el uso de los algoritmos existentes para cada tipo de problema.
- Capacidad de análisis y síntesis.
- Capacidad de organización y planificación.
- Capacidad de gestión de la información.
- Toma de decisiones.
- Comprender el concepto de minería de datos y sus fases.
- Conocer y saber aplicar las principales técnicas de extracción de conocimiento en bases de datos.
- Saber manejar herramientas para la aplicación de técnicas de extracción de conocimiento en bases de datos.
| SEMANAS (*) | UNIDADES DIDÁCTICAS | ACTIVIDADES DIDÁCTICAS |
|---|---|---|
| Semana 1 | Tema 1. Introducción a la minería de datos 1.1. Origen y motivación 1.2. El proceso de descubrimiento de conocimiento en bases de datos 1.3. Tipos de datos 1.4. Relación con otras áreas 1.5. Utilidad de la minería de datos 1.6. Aplicaciones 1.7. Repercusión, desafíos y tendencias en minería de datos |
|
| Semana 2 | Tema 2. El proceso de KDD 2.1. Introducción 2.2. Recopilación de datos 2.3. Selección, limpieza y transformación de datos 2.4. Data mining 2.5. Interpretación y evaluación 2.6. Visión de conjunto |
|
| Semana 3 | Tema 3. Modelos de data mining 3.1. Introducción 3.2. Clasificación 3.3. Regresión 3.4. Clustering 3.5. Asociación 3.6. Detección de atípicos 3.7. Tareas y técnicas 3.8. Técnicas y modelos 3.9. Herramientas de data mining |
|
| Semana 4 | Tema 4. Clasificación: árboles de decisión 4.1. Introducción 4.2. Árboles y reglas de decisión |
|
| Semanas 5 y 6 | Tema 5. Clasificación: técnicas bayesianas y técnicas basadas en casos 5.1. Introducción 5.2. Técnicas bayesianas 5.3. Técnicas basadas en casos 5.4. Evaluación de clasificadores |
|
| Semana 7 | Tema 6. Clustering: técnicas particionales 6.1. Introducción 6.2. Medidas de distancia 6.3. Clustering particional |
|
| Semanas 8 y 9 | Tema 7. Clustering: técnicas jerárquicas y técnicas basadas en densidad 7.1. Introducción 7.2. Clustering jerárquico 7.3. Clustering basado en densidad 7.4. Clustering basado en grid 7.5. Evaluación de modelos de clustering 7.6. Evaluación de modelos de clustering |
|
| Semanas 10 y 11 | Tema 8. Asociación, regresión y detección de atípicos 8.1. Introducción 8.2. Asociación 8.3. Regresión 8.4. Detección de atípicos |
|
| Semanas 12 y 13 | Tema 9. Minería de datos no convencionales Introducción 9.1. Análisis de series temporales 9.2. Web mining 9.3. Text mining 9.4. Data mining espacial 9.5. Minería de datos multimedia |
|
| Semanas 14 y 15 | Tema 10. Caso de estudio: aplicación de la minería de datos en el dominio de la medicina 10.1. Introducción 10.2. Dominio médico de aplicación: estabilometría Marco para el descubrimiento 10.3. de conocimiento en el entorno médico |
|
| Resto de semanas hasta finalización del semestre | Estudio y preparación para el examen final, celebración del examen final y cierre de actas | |
| Tipo de actividad | Actividades planificadas | Peso clasificación |
|---|---|---|
| Actividades de aprendizaje | 4 | 10% |
| Actividades de Ebaluación Continua (AEC) | 3 | 30% |
| Controles | 4 | 10% |
| Examen final | 0 | 50% |
| Total | 100% |
Para aprobar la asignatura, es necesario obtener una calificación mínima de 5 en el examen final presencial, así como en la calificación total del curso, una vez realizado el cómputo ponderado de las calificaciones obtenidas en las actividades didácticas y en el examen final presencial.
Si un estudiante no aprueba la asignatura en la convocatoria ordinaria podrá examinarse en la convocatoria de septiembre.
Las fechas previstas para la realización de todas las actividades se indican en el aula virtual de la asignatura.
Originalidad de los trabajos académicos
Según la Real Academia Española, “plagiar” significa copiar en lo sustancial obras ajenas dándolas como propias. Dicho de otro modo, plagiar implica expresar las ideas de otra persona como si fuesen propias, sin citar la autoría de las mismas. Igualmente, la apropiación de contenido puede ser debida a una inclusión excesiva de información procedente de una misma fuente, pese a que esta haya sido citada adecuadamente. Teniendo en cuenta lo anterior, el estudiante deberá desarrollar sus conocimientos con sus propias palabras y expresiones. En ningún caso se aceptarán copias literales de párrafos, imágenes, gráficos, tablas, etc. de los materiales consultados. En caso de ser necesaria su reproducción, esta deberá contemplar las normas adecuadas para la citación académica.
Los documentos que sean presentados en las actividades académicas podrán ser sometidos a diferentes mecanismos de comprobación de la originalidad (herramientas antiplagios que detectan coincidencias de texto con otras fuentes, comparación con trabajos de otros estudiantes, comparación con información publicada en Internet, etc). El profesor valorará si el trabajo presentado cuenta con los criterios de originalidad exigidos o, en su caso, se atribuye adecuadamente la información no propia a las fuentes correspondientes. La adjudicación como propia de información que corresponde a otros autores podrá suponer el suspenso de la actividad.
Los documentos presentados en las actividades académicas podrán ser almacenados en formato papel o electrónico y servir de comparación con otros trabajos de terceros, a fin de proteger la originalidad de la fuente y evitar la apropiación indebida de todo o parte del trabajo del estudiante. Por tanto, podrán ser utilizados y almacenados por la universidad, a través del sistema que estime, con el único fin de servir como fuente de comparación de cualquier otro trabajo que se presente.
Sistema de calificaciones
El sistema de calificación de todas las actividades didácticas es numérico del 0 a 10 con expresión de un decimal, al que se añade su correspondiente calificación cualitativa:
0 - 4.9: Suspenso (SU) 5.0 - 6.9: Aprobado (AP) 7.0 - 8.9: Notable (NT) 9.0 - 10: Sobresaliente (SB)
(RD 1125/2003, de 5 de septiembre, por lo que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y con validez en todo el territorio nacional).