Esta materia tiene como objetivo proporcionar a los estudiantes conocimientos
básicos sobre los métodos estadísticos para la descripción,
presentación y análisis de datos, así como los principios generales para la
aplicación práctica de las principales técnicas automáticas de
modelización y predicción de minería de datos para el tratamiento de grandes
masas de datos.
Minería de datos
102265
2023-24
MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE
6
OBLIGATORIA
Cuatrimestral
Castellano e Inglés
Introducción y perspectiva histórica.
Problemas canónicos, paradigmas de aprendizaje y validación.
Aprendizaje no supervisado con Reglas de Asociación.
Aprendizaje supervisado con técnicas de vecinos k-nn.
Cross-Validación y Aprendizaje.
Regularización y selección de variables.
Reducción de la dimensionalidad con Técnicas lineales y No lineales.
Técnicas de embedding.
Técnicas basadas en árboles.
Ensemble Methods: Bagging and Random Forests.
Técnicas de Segmentación.
CG1 - Integrarse eficazmente en un grupo de trabajo y trabajar en equipo,
compartir la información disponible e integrar su actividad en la actividad
del grupo colaborando de forma activa en la consecución de objetivos comunes
CG2 - Capacidad de estudio, síntesis y autonomía suficientes para desarrollar
de forma autónoma proyectos básicos de investigación
CG6 - Buscar, obtener, procesar, comunicar información y transformarla en
conocimiento
CG7 - Conocer las herramientas metodológicas necesarias para desarrollar
proyectos avanzados
CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito
de la comunidad científica
CT1 - Analizar y combinar información utilizando diferentes fuentes
CT3 - Dominio de la gestión del tiempo
CT5 - Capacidad de trabajo autónomo y toma de decisiones
CT6 - Capacidades asociadas al trabajo en equipo: cooperación, liderazgo,
saber escuchar
DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de
datos y descubrir nuevas relaciones
DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles
para lograr una visión adecuada de los mismos
DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y
desarrollar ideas innovadoras
AF1 - Participación y asistencia a lecciones magistrales y seminarios (13
horas)
AF2 - Realización de prácticas de computación y análisis de datos (32 horas)
AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (12 horas)
AF7 - Elaboración de informes de laboratorio y trabajos (30 horas)
AF8 - Estudio individual de contenidos de la asignatura (30 horas)
AF9 - Trabajo en grupo (30 horas)
A10 - Pruebas de evaluación (3 horas)
Entender las técnicas para la descripción estadística de un conjunto de datos
y saber aplicar críticamente las que mejor se adapten a un caso práctico.
Entender el modelo de regresión lineal y saber aplicarlo en casos prácticos.
Conocer el concepto de regularización.
Saber identificar los distintos problemas de minería de datos (asociación,
segmentación, clasificación y predicción) y saber qué técnicas se aplican en
cada caso.
Entender las principales metodologías para aprendizaje automático (basado en
casos, supervisado o no supervisado).
Entender el funcionamiento y saber aplicar las principales técnicas de minería
de datos.
Conocer el concepto de generalización y entender el problema del sobreajuste.
Saber validar de forma crítica los modelos aprendidos y saber identificar el
modelo más adecuado para un caso práctico concreto.
Saber utilizar paquetes de software para resolver casos prácticos de minería
de datos y analizar críticamente las soluciones obtenidas.
SE1 - Examen (escrito, oral y/o práctico en el aula de computación) (40%)
SE2 - Valoración de informes y trabajos escritos (60%)
An Introduction to Statistical Learning with Applications in R, Gareth
James, Daniela Witten, Trevor Hastie and Robert Tibshirani, Editorial
Springer. Available at http://www-bcf.usc.edu/~gareth/ISL/
Dimension Reduction: A Guided Tour, Christopher J. C. Burges,
Foundations and Trends® in Machine Learning: Vol. 2: No. 4, pp 275-365.
http://dx.doi.org/10.1561/2200000002
Machine learning: a probabilistic perspective, Kevin P. Murphy. ISBN
978-0-262-01802-9, MIT Press Cambridge, Massachusetts, London, England
The Elements of Statistical Learning Data Mining, Inference and Prediction,
Jerome Friedman, Trevor Hastie and Robert Tibshirani, Ed. Friedman, Hastie &
Tibshirani
Bibliografía básica
Bibliografía complementaria
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
Cuatrimestral
Créditos ECTS: 6
Herrera García, Sixto
Doctor por la Universidad de Cantabria. Programa: Matemáticas y Computación.
Profesor Titular de Universidad (Matemática Aplicada).
Universidad de Cantabria. Dpto. de Matemática Aplicada y Ciencias de la Computación (Caminos).
Bedia Jiménez, Joaquín
BSc (Hons.) Environmental Science.
Doctor (Ciencia, Tecnología y Computación).
Universidad de Cantabria.
García Manzanas, Rodrigo
Licenciado en Física.
Doctor en Ciencia, Tecnología y Computación.
Universidad de Cantabria.
Van Vaerenbergh , Steven Johan Maria
Doctor por la Universidad de Cantabria.
Profesor Contratado Doctor.
Universidad de Cantabria.
