A14. Recuperación y extracción de información, grafos y redes sociales
102477
2024-25
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Debido a las cantidades ingentes de información disponible online, la web se
ha convertido en un terreno habitual para el procesamiento de información
(textual y multimedia) y la Ciencia de Datos. Lo mismo ocurre con los grafos,
presentes en multitud de tareas/problemas y que presentan distintos retos en
su análisis (redes sociales, interacciones biológicas, etc.).
En esta asignatura se persigue el procesamiento y fusión eficiente de este
tipo de información no estructurada, abordando las técnicas de extracción y
representación de información a partir de ella, para poder aplicar
posteriormente procesos de Ciencia de Datos, procesamiento del lenguaje
natural y/o visualización.
En el caso de los textos se abordará el uso de técnicas y métodos de
procesamiento de información textual y minería web en distintas aplicaciones
como análisis de textos, minería de textos, análisis de sentimientos,
clasificación, etc.
En el caso de los grafos el objetivo principal consiste en el descubrimiento
elementos o patrones representativos dentro de un grafo, con el fin de
identificar conceptos que describen a las estructuras más importantes para una
mejor interpretación de los datos. Se estudiarán procesos de minería de grafos
tales como, emparejamiento de grafos, compresión de grafos, análisis de
subgrafos, etc.
Extracción y recuperación de información, clasificación y clustering de
documentos.
Textos.
Imágenes.
Emparejamiento de grafos, comprensión de grafos, análisis de subgrafos.
Análisis de sentimientos, análisis de redes sociales.
1. Análisis de Redes Sociales
2. Detección de Comunidades
3. Difusión de Información en Redes Sociales
4. Recuperación de Información
5. Minería de Texto y Análisis de Sentimientos
6. Clustering de Documentos
Unidades
Introducción a la Web 2.0 y al Análisis de Medios Sociales.
Introducción a las Redes Complejas. Aplicaciones. Aspectos Básicos y
Propiedades Estructurales de las Redes Complejas. Aspectos Básicos del
Análisis de Redes Sociales. Medidas de Centralidad. Ejemplos de Aplicación.
Estructura de Comunidades. Justificación de la Necesidad de
Detección. Métodos de Detección de Comunidades. Ejemplos de Aplicación.
Procesos Epidémicos y de Difusión. Modelos Clásicos de Propagación
de Epidemias. Modelos de Difusión de Información en Redes. Ejemplos de
Aplicación.
Introducción. Procesado e indexación de documentos. Modelos de
Recuperación de Información. Evaluación de la recuperación. Recuperación de
información en la Web. Motores de búsqueda de código abierto. Técnicas
avanzadas de RI.
Introducción. Minería de textos. Minería de datos en la Web (Minería
de contenidos. Minería de opiniones y análisis de sentimientos. Minería de la
estructura de la Web. Minería de uso de la Web).
Introducción al agrupamiento documental. Aplicaciones del
agrupamiento. La base: "The cluster hypothesis". Componentes del proceso de
agrupamiento.
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG2 - Evaluar nuevas herramientas computacionales y de gestión del
conocimiento en el ámbito de la Inteligencia Artificial.
CE3 - Seleccionar el mecanismo de representación del conocimiento y el método
de razonamiento más adecuados al contexto donde serán utilizados y diseñar su
aplicación para problemas en el ámbito de la Inteligencia Artificial.
CE4 - Conocer los principales modelos de razonamiento impreciso para valorar
su adecuación a la resolución de problemas que surgen en el ámbito de la
Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales (clases en vídeo): visionado
inicial del material audiovisual que constituye las lecciones de la
asignatura. Se asume 1.5 veces el tiempo real de vídeo, puesto que el
estudiante deberá parar, repetir, etc. algunas secuencias (18 horas).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (50
horas).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos (32,5 horas).
A4 - Foros y chats: lanzamiento, lectura y contestación de cuestiones y
temas para la discusión general (6 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc.
(6 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán un cuestionario de evaluación por cada una de las seis
unidades didácticas. Dichos cuestionarios serán objeto de puntuación en la
nota final. El peso en la nota final de este apartado será del 30% sobre el
total (5% para cada cuestionario).
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final. El peso en la nota final de este apartado será del 10% sobre el
total.
E3 - Valoración de los trabajos individuales: los alumnos deberán
presentar un trabajo individual sobre cada bloque temática de la asignatura
(Bloque I: Redes Sociales y Bloque II: Recuperación de Información y Minería
de Texto) basados en casos de estudio propuesto por los profesores, en los que
se demuestren las competencias adquiridas durante la asignatura. Su valoración
corresponde al 60% del total de la asignatura (30% para cada trabajo).
Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos
final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento,
pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.
Habrá una convocatoria extraordinaria en todas las asignaturas.
Las actas de la convocatoria ordinaria se cerrarán en julio de 2025 y las de
la convocatoria extraordinaria en septiembre de 2025.
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
Zafarani, R., Ali Abbasi, M., Liu, H., Social Media Mining. An Introduction.
Cambridge University Press 2014.
Wasserman, S., Faust, K. Social Network Analysis. Methods and Applications.
Cambridge University Press 1994. ISBN 9780521387071.
Cacheda, F., Fernández-Luna, J.M. y Huete, J. Recuperación de
Información: Un enfoque práctico y multidisciplinar. Ed. Rama
2011.
Bing Liu, Sentiment Analysis: mining opinions, sentiments, and emotions.
Cambridge University Press, 2015.
Albert-Laszlo Barabasi: "Network Science". Interactive Book Project, http://barabasilab.com/networksciencebook
Mark Newman: "Networks: An introduction", Oxford, 2010. ISBN 0199206651.
Kumar, S., Morstatter, F., Liu, H. Twitter Data Analytics. Springer
2013.
McCandless, M., Hatcher, E., Gospodnetic, O. Luce in Action (2d
Edition). Manning 2011.
Sobre Redes Complejas:
Libro electrónico "Network Science Interactive Book Project": http://barabasilab.com/networksciencebook
Web de Mark Newman, University of Michigan: http://www-personal.umich.edu/~mejn/
Web de Réka Albert, Pennsylvania State University: http://www.phys.psu.edu/~ralbert/
Sobre Análisis de Redes y Medios Sociales:
Stanford Network Analysis Project: http://snap.stanford.edu/
Grupo "Social Mining", Max Planck Institute: http://ella.slis.indiana.edu/~katy/S637-S11/
Sobre Recuperación de Información:
Libro en línea sobre RI: http://npl.stanford.edu/IR-book
Web del grupo de IR de la ACM: http://www.acm.org/sigir
Bibliografía fundamental
Bibliografía complementaria
Enlaces recomendados
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Cordón García, Óscar
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Fernández Luna, Juan Manuel
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada