Guías Docentes Electrónicas
1. DATOS GENERALES
Asignatura:
MINERÍA DE DATOS
Código:
42348
Tipología:
OBLIGATORIA
Créditos ECTS:
6
Grado:
347 - GRADO EN INGENIERÍA INFORMÁTICA (CR)
Curso académico:
2021-22
Centro:
108 - E.SUPERIOR DE INFORMATICA ( CIUDAD REAL )
Grupo(s):
20 
Curso:
4
Duración:
Primer cuatrimestre
Lengua principal de impartición:
Español
Segunda lengua:
Uso docente de otras lenguas:
Documentación Técnica en Inglés.
English Friendly:
S
Página web:
Espacio virtual de la asignatura en https://campusvirtual.uclm.es
Bilingüe:
N
Profesor: JOSE ANGEL OLIVAS VARELA - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
Fermín Caballero / 3.10
TECNOLOGÍAS Y SISTEMAS DE INFORMACIÓN
6476
joseangel.olivas@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

Profesor: FRANCISCO PASCUAL ROMERO CHICHARRO - Grupo(s): 20 
Edificio/Despacho
Departamento
Teléfono
Correo electrónico
Horario de tutoría
Fermin Caballero / 3.17
TECNOLOGÍAS Y SISTEMAS DE INFORMACIÓN
5748
franciscop.romero@uclm.es
Disponible en https://esi.uclm.es/categories/profesorado-y-tutorias

2. REQUISITOS PREVIOS

Para cursar esta materia es aconsejable haber cursado los módulos de Formación Básica (Módulo I) y el módulo Común a la Rama de Informática (Módulo II).

Esta asignatura se apoya en las competencias y los conocimientos adquiridos en lasasignaturas:

- Lógica

- Estadística

- Diseño de Algoritmos

- Sistemas inteligentes

- Sistemas Basados en el Conocimiento

3. JUSTIFICACIÓN EN EL PLAN DE ESTUDIOS, RELACIÓN CON OTRAS ASIGNATURAS Y CON LA PROFESIÓN

La asignatura se ubica en la intensificación de Computación, en el ámbito de las asignaturas de la Inteligencia Artificial.

La Minería de datos, y el aprendizaje automático en general, están ligados al campo de la estadística y de la algorítmica, y abordan las técnicas para la extracción de conocimiento implícito en conjuntos de datos. En los últimos años, estas disciplinas están ganando importancia debido al incremento en la producción de datos -propiciado por fenómenos como por ejemplo el auge de internet o las redes sociales - o el desarrollo de nuevas técnicas para la obtención de información genética. Desde el punto de vista profesional, cada vez existe una mayor demanda de analistas de datos en ámbitos tan diversos como el márketing, el análisis de mercados, la seguridad, o la biología.


4. COMPETENCIAS DE LA TITULACIÓN QUE LA ASIGNATURA CONTRIBUYE A ALCANZAR
Competencias propias de la asignatura
Código Descripción
CM05 Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
CM7 Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
INS01 Capacidad de análisis, síntesis y evaluación.
INS04 Capacidad de resolución de problemas aplicando técnicas de ingeniería.
INS05 Capacidad para argumentar y justificar lógicamente las decisiones tomadas y las opiniones.
PER02 Capacidad de trabajo en equipo interdisciplinar.
PER04 Capacidad de relación interpersonal.
PER05 Reconocimiento a la diversidad, la igualdad y la multiculturalidad.
SIS01 Razonamiento crítico.
SIS03 Aprendizaje autónomo.
SIS09 Tener motivación por la calidad.
UCLM03 Correcta comunicación oral y escrita.
5. OBJETIVOS O RESULTADOS DE APRENDIZAJE ESPERADOS
Resultados de aprendizaje propios de la asignatura
Descripción
Conocer y desarrollar técnicas de aprendizaje computacional, tanto supervisado como no supervisado, y diseñar e implementar aplicaciones y sistemas que las utilicen.
Desarrollar e implementar un sistema de recuperación de la información de tamaño pequeño a mediano.
Describir y aplicar las distintas fases del proceso de descubrimiento de extracción del conocimiento a partir de grandes volúmenes de datos.
Resultados adicionales
No se han establecido.
6. TEMARIO
  • Tema 1: Introducción
    • Tema 1.1: Inteligencia Artificial, KDD y Data Mining.
    • Tema 1.2: Análisis Inteligente de Datos en entornos Big Data
  • Tema 2: Análisis de Datos Exploratorio
  • Tema 3: Tareas de Minería de Datos
    • Tema 3.1: Agrupamiento
    • Tema 3.2: Reducción de la Dimensionalidad
    • Tema 3.3: Extracción de Reglas de Asociación
    • Tema 3.4: Detección de Anomalías
    • Tema 3.5: Clasificación
    • Tema 3.6: Regresión
  • Tema 4: Aplicaciones de la Minería de Datos
  • Tema 5: Casos de Estudio
COMENTARIOS ADICIONALES SOBRE EL TEMARIO

PRÁCTICAS

En las prácticas, a lo largo del curso se desarrollará un proceso KDD completo. El alumno propondrá el dominio vinculado a sus intereses de trabajo y/o investigación o algún tema propuesto por los profesores.

1. Elección de la BD

2. Selección, tarjeta de datos.

3. Preproceso.

4. Transformación.

5. Minería de Datos.

6. Uso de los patrones descubiertos en una aplicación.


7. ACTIVIDADES O BLOQUES DE ACTIVIDAD Y METODOLOGÍA
Actividad formativa Metodología Competencias relacionadas ECTS Horas Ev Ob Descripción
Enseñanza presencial (Teoría) [PRESENCIAL] Método expositivo/Lección magistral CM05 CM7 0.6 15 N N Exposición del temario por parte del profesor (MAG)
Tutorías individuales [PRESENCIAL] CM05 CM7 INS05 SIS01 SIS09 UCLM03 0.18 4.5 N N Tutorías individuales o en pequeños grupos en el despacho del profesor, clase o laboratorio (TUT)
Estudio o preparación de pruebas [AUTÓNOMA] Trabajo autónomo CM05 CM7 INS01 SIS01 SIS03 SIS09 1.8 45 N N Estudio individual (EST)
Otra actividad no presencial [AUTÓNOMA] Prácticas CM05 CM7 INS01 INS04 PER02 PER04 PER05 SIS03 SIS09 UCLM03 0.9 22.5 N N Preparación de prácticas de laboratorio (PLAB)
Resolución de problemas o casos [PRESENCIAL] Resolución de ejercicios y problemas CM05 CM7 INS01 INS04 PER02 PER04 PER05 SIS01 SIS09 0.6 15 S N Resolución de ejercicios por parte del profesor y los estudiantes (PRO)
Elaboración de informes o trabajos [AUTÓNOMA] Trabajo autónomo CM05 CM7 INS01 INS04 INS05 PER02 PER04 PER05 SIS01 SIS03 SIS09 UCLM03 0.9 22.5 S N Realización de un informe sobre un tema propuesto por el profesor (RES)
Prácticas de laboratorio [PRESENCIAL] Prácticas CM05 CM7 INS04 PER02 PER04 PER05 SIS03 SIS09 0.72 18 S S Realización en el laboratorio de las prácticas programadas (LAB)
Pruebas de progreso [PRESENCIAL] Pruebas de evaluación CM05 CM7 INS01 INS04 INS05 PER02 SIS01 SIS09 UCLM03 0.1 2.5 S N Realización de la prueba de progreso 1 correspondiente al primer tercio del temario de la asignatura (EVA)
Pruebas de progreso [PRESENCIAL] Pruebas de evaluación CM05 CM7 INS01 INS04 INS05 PER02 SIS01 SIS09 UCLM03 0.1 2.5 S N Realización de la prueba de progreso 2 correspondiente a los dos primeros tercios del temario de la asignatura (EVA)
Pruebas de progreso [PRESENCIAL] Pruebas de evaluación CM05 CM7 INS01 INS04 INS05 PER02 SIS01 SIS09 UCLM03 0.1 2.5 S N Realización de la prueba de progreso 3 correspondiente al temario completo de la asignatura (EVA)
Total: 6 150
Créditos totales de trabajo presencial: 2.4 Horas totales de trabajo presencial: 60
Créditos totales de trabajo autónomo: 3.6 Horas totales de trabajo autónomo: 90

Ev: Actividad formativa evaluable
Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)

8. CRITERIOS DE EVALUACIÓN Y VALORACIONES
Sistema de evaluación Evaluacion continua Evaluación no continua * Descripción
Pruebas de progreso 15.00% 0.00% Prueba de progreso 2. Actividad no obligatoria y recuperable a realizar al final del segundo tercio del periodo docente
Pruebas de progreso 27.50% 0.00% Prueba de progreso 3. Actividad no obligatoria y recuperable a realizar en el periodo sin docencia
Elaboración de trabajos teóricos 15.00% 15.00% Actividad no obligatoria y recuperable a realizar antes del fin del periodo docente
Pruebas de progreso 7.50% 0.00% Prueba de progreso 1. Actividad no obligatoria y recuperable a realizar al final del primer tercio del periodo docente
Realización de prácticas en laboratorio 25.00% 25.00% Actividad obligatoria y recuperable a realizar en las sesiones de laboratorio
Presentación oral de temas 10.00% 10.00% Actividad no obligatoria y recuperable. A realizar en las sesiones de teoría/laboratorio para los estudiantes de la modalidad continua. Los estudiantes de modalidad no continua serán evaluados de esta actividad a través de un sistema alternativo en la convocatoria ordinaria
Prueba final 0.00% 50.00% Actividad obligatoria y recuperable a realizar en la fecha prevista para el examen final de la convocatoria ordinaria
Total: 100.00% 100.00%  
* En Evaluación no continua se deben definir los porcentajes de evaluación según lo dispuesto en el art. 6 del Reglamento de Evaluación del Estudiante de la UCLM, que establece que debe facilitarse a los estudiantes que no puedan asistir regularmente a las actividades formativas presenciales la superación de la asignatura, teniendo derecho (art. 13.2) a ser calificado globalmente, en 2 convocatorias anuales por asignatura, una ordinaria y otra extraordinaria (evaluándose el 100% de las competencias).

Criterios de evaluación de la convocatoria ordinaria:
  • Evaluación continua:
    En las actividades obligatorias se debe obtener un mínimo de 4 sobre 10 para considerar la
    actividad superada y poder aprobar la asignatura. La valoración de las actividades será global y,
    por tanto, se debe expresar por medio de una única nota. En las actividades recuperables existe
    una prueba de evaluación alternativa en la convocatoria extraordinaria.
    Las pruebas de progreso serán comunes para todos los grupos de teoría/laboratorio de la
    asignatura y serán calificadas por los profesores de la asignatura de forma horizontal, es decir,
    cada una de las partes de las pruebas de progreso serán evaluadas por el mismo profesor para
    todos los estudiantes.
    El estudiante aprueba la asignatura si obtiene un mínimo de 50 puntos sobre 100 con las
    valoraciones de cada actividad de evaluación y supera todas las actividades obligatorias.
    Para los estudiantes que no aprueben la asignatura en la convocatoria ordinaria, la calificación
    de las actividades superadas se conservará para la convocatoria extraordinaria. Si una actividad
    no es recuperable, su valoración se conservará para la convocatoria extraordinaria aunque no
    se haya superado. En el caso de actividades recuperables superadas, el estudiante podrá
    presentarse a la evaluación alternativa de esas actividades en la convocatoria extraordinaria y,
    en ese caso, la nota final de la actividad corresponderá a la última nota obtenida.
    La calificación de las actividades superadas en cualquier convocatoria, exceptuando las pruebas
    de progreso, se conservará para el próximo curso académico a petición del estudiante siempre
    que ésta sea igual o superior a 5 y no se modifique las actividades formativas y los criterios de
    evaluación de la asignatura en el próximo curso académico.
    La no comparecencia a la prueba de progreso 3 supondrá la calificación de "No presentado". Si
    el estudiante no ha superado alguna actividad de evaluación obligatoria, la nota final en la
    asignatura no puede superar el 4 sobre 10.
  • Evaluación no continua:
    Los estudiantes pueden solicitar, al principio del cuatrimestre, acogerse a la modalidad de
    evaluación no continua. Del mismo modo, el estudiante podrá cambiarse a la modalidad de
    evaluación no continua siempre que no haya participado durante el periodo de impartición de
    clases en actividades evaluables que supongan en su conjunto al menos el 50% de la evaluación
    total de la asignatura. Si un estudiante ha alcanzado ese 50% de actividades evaluables o si, en
    cualquier caso, el periodo de clases hubiera finalizado, se considerará en evaluación continua
    sin posibilidad de cambiar de modalidad de evaluación.
    Los estudiantes que se acogen a la modalidad de evaluación no continua serán calificados
    globalmente, en 2 convocatorias anuales, una ordinaria y otra extraordinaria, evaluándose el
    100% de las competencias, a través de los sistemas de evaluación indicados en la columna
    "Evaluación no continua".
    En la modalidad de evaluación "no continua" no existe la obligatoriedad de conservar la nota
    obtenida por el estudiante en las actividades o pruebas (de progreso o parciales) que haya
    realizado en modalidad de evaluación continua

Particularidades de la convocatoria extraordinaria:
Se realizará pruebas de evaluación para todas las actividades recuperables. Por la naturaleza de las pruebas de progreso en la convocatoria extraordinaria existirá una única prueba de progreso que engloba a las tres pruebas de progreso de la convocatoria ordinaria.
Particularidades de la convocatoria especial de finalización:
Mismas características que en la convocatoria extraordinaria.
9. SECUENCIA DE TRABAJO, CALENDARIO, HITOS IMPORTANTES E INVERSIÓN TEMPORAL
No asignables a temas
Horas Suma horas

Comentarios generales sobre la planificación: La asignatura se imparte en tres sesiones semanales de 1,5 horas
10. BIBLIOGRAFÍA, RECURSOS
Autor/es Título Libro/Revista Población Editorial ISBN Año Descripción Enlace Web Catálogo biblioteca
 
Adriaans, P. W.; Zantinge, D. Data Mining. Addison-Wesley 1996  
Berry, M. J. A.; Linoff, G. Data Mining Techniques. New York Wiley Computer Publishing. 1996  
Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. The KDD Process for Extracting Useful Knowledge from Volumes of Data. 1996  
Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P.; Uthurusamy, R. (Eds) Advances in Knowledge Discovery and Data Mining. Cambridge MA AAAI/MIT Press 1996  
Igual, Laura, Seguí, Santi Introduction to Data Science Springer 9783319500171 2017 This accessible and classroom-tested textbook/reference presents an introduction to the fundamentals of the emerging and interdisciplinary field of data science. The coverage spans key concepts adopted from statistics and machine learning and the practical application of data science. https://link.springer.com/book/10.1007%2F978-3-319-50017-1  
Jan Van der Plass Python Data Science Handbook O'Reilly 9781491912058 2016 https://learning.oreilly.com/library/view/python-data-science/9781491912126/  
Jefrey Leek The Elements of Data Analytic Style LeanPub 2014 http://worldpece.org/sites/default/files/datastyle.pdf  



Web mantenido y actualizado por el Servicio de informática