| Objetivos | Programa | Evaluación | Más Información |
 |
Data Warehousing y Data Mining GRADUADO EN INGENIERÍA DEL SOFTWARE Curso 2010/11 |
| Tipo: | Optativa |
Profesores: |
| Curso: | 4º | |
| Semestre: | 1º | |
| ECTS: | 6 |
Objetivos
| CÓDIGO | RESULTADOS DE APRENDIZAJE DE LA ASIGNATURA |
| RA1 | Adquirir una visión global e integradora de las principales técnicas de minería de datos |
| RA2 | Adquirir la capacidad de utilizar apropiadamente las diversas técnicas existentes de minería de datos, en cada una de las fases de extracción de conocimiento a partir de datos |
| RA3 | Aplicar la minería de datos para resolver problemas concretos de diferentes campos de la ciencia: aplicaciones financieras, banca, seguros, salud, educación, etc. |
Programa
| CONTENIDOS ESPECÍFICOS (TEMARIO) | |
| TEMA | APARTADOS |
| Tema | 1. DATA WAREHOUSE |
| 1.1 Introducción. | |
| 1.2 Arquitectura de un Data Warehouse. | |
| 1.3 El diseño multidimensional. | |
| 1.4 Data Warehouse vs Data Marts. | |
| 1.5 Las fases de un proyecto de Data Warehouse. | |
| Tema | 2. PREPARACIÓN DE LOS DATOS |
| 2.1 Introducción. | |
| 2.2 Recopilación de Datos. | |
| 2.3 Integración y Carga de Datos. | |
| 2.4 Limpieza y Transformación. | |
| Tema | 3. INTRODUCCIÓN A LA MINERÍA DE DATOS |
| 3.1 Qué es la minería de datos (Data Mining). | |
| 3.2 Una primera definición de Data Mining. | |
| 3.3 Ejemplos de aplicación. | |
| 3.4 Fases en el proceso de extracción de conocimiento. | |
| 3.5 Ciclo de Vida del Data Mining. | |
| Tema | 4. TÉCNICAS ESTADÍSTICAS DE MINERÍA DE DATOS |
| 4.1 Problemas de Clasificación y Predicción | |
| 4.1.1 Introducción y definiciones. | |
| 4.1.2 Problemas de clasificación. | |
| 4.1.3 Clasificación mediante árboles. | |
| 4.1.4 Clasificadores estadísticos: regresión, análisis discriminante. | |
| 4.1.5 Redes Bayesianas. | |
| 4.1.6 Redes Neuronales. | |
| 4.1.7 Validación de los modelos extraídos. | |
| 4.2 Análisis de segmentación: Clustering | |
| 4.2.1 Introducción. | |
| 4.2.2 Distancia entre datos. | |
| 4.2.3 Principales métodos de clustering. | |
| 4.3 Búsqueda de reglas de asociación en bases de datos | |
| 4.3.1 Introducción. | |
| 4.3.2 Definición del problema. | |
| 4.3.3 Algoritmo Apriori. | |
| Tema | 5. TÉCNICAS INFORMÁTICAS DE MINERÍA DE DATOS |
| 5.1 Problemas de cobertura. | |
| 5.2 Cobertura mediante árboles de decisión. | |
| 5.3 Algoritmos genéticos. | |
| Tema | 6. MINERÍA DE DATOS COMPLEJOS |
| 6.1 Minería de datos espaciales. | |
| 6.2 Minería de datos temporales. | |
| 6.3 Minería web (Web Mining). | |
| 6.4 Minería sobre textos. | |
Evaluación
|
EVALUACIÓN SUMATIVA
|
|||
|
BREVE DESCRIPCIÓN DE LAS ACTIVIDADES QUE SE EVALÚAN
|
MOMENTO
|
LUGAR
|
PESO EN LA
CALIFICACIÓN
|
|
Asistencia a clase
|
|
AULA
|
5%
|
|
Exposiciones orales
|
|
AULA
|
10%
|
|
Actividades prácticas
|
|
AULA Moodle
|
65%
|
|
Examen Final
|
|
AULA
|
20%
|
Secretaría: