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 las asignaturas:
- Lógica
- Estadística
- Diseño de Algoritmos
- Sistemas Inteligentes
- Sistemas Basados en el Conocimiento
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.
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. |
CM07 | 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. |
INS05 | Capacidad para argumentar y justificar lógicamente las decisiones tomadas y las opiniones. |
UCLM03 | Correcta comunicación oral y escrita. |
Resultados de aprendizaje propios de la asignatura | |
---|---|
Descripción | |
Describir y aplicar las distintas fases del proceso de descubrimiento de extracción del conocimiento a partir de grandes volúmenes de datos. | |
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. | |
Resultados adicionales | |
Descripción | |
Obtener resultados concluyentes fruto del proceso de extracción del conocimiento y ser capaz de presentarlos y justificarlos |
Actividad formativa | Metodología | Competencias relacionadas (para títulos anteriores a RD 822/2021) | ECTS | Horas | Ev | Ob | Descripción | |
Enseñanza presencial (Teoría) [PRESENCIAL] | Método expositivo/Lección magistral | CM05 CM07 INS05 | 1.26 | 31.5 | N | N | Se usará para introducir los principales conceptos de cada tema. | |
Prueba final [PRESENCIAL] | Pruebas de evaluación | CM05 CM07 INS05 UCLM03 | 0.1 | 2.5 | S | S | Corresponde al examen oficial de la asignatura. De carácter individual. | |
Talleres o seminarios [PRESENCIAL] | Método expositivo/Lección magistral | CM05 CM07 INS05 | 0.08 | 2 | N | N | Se realizará un seminario en laboratorio de las herramientas/APIs usadas para la implementación de las prácticas e ilustración de los casos de estudio (Python, Weka, etc). Corresponde a la práctica 0. | |
Enseñanza presencial (Prácticas) [PRESENCIAL] | Método expositivo/Lección magistral | CM05 CM07 INS05 | 0.06 | 1.5 | N | N | Se usará la primera media hora de la primera sesión correspondiente a cada una de las tres prácticas obligatorias para describir el trabajo a realizar, el material disponible y el entregable a presentar. | |
Prácticas en aulas de ordenadores [PRESENCIAL] | Trabajo dirigido o tutorizado | CM05 CM07 INS05 | 0.66 | 16.5 | S | S | Trabajo del alumno con supervisión del profesor en las prácticas de la asignatura. | |
Resolución de problemas o casos [PRESENCIAL] | Resolución de ejercicios y problemas | CM05 CM07 INS05 | 0.24 | 6 | N | N | Resolución en clase de problemas y casos de estudio relacionados con los distintos temas estudiados. | |
Estudio o preparación de pruebas [AUTÓNOMA] | Trabajo autónomo | CM05 CM07 INS05 | 1.56 | 39 | N | N | Se estima que el alumno dedicará aproximadamente 1.3 horas de estudio autónomo por cada hora de lección magistral recibida. Esto incluye la búsqueda y lectura de material adicional. | |
Otra actividad no presencial [AUTÓNOMA] | Prácticas | CM05 CM07 INS05 | 0.84 | 21 | N | N | Horas adicionales a las presenciales para completar las prácticas/proyectos de programación. | |
Elaboración de memorias de Prácticas [AUTÓNOMA] | Trabajo autónomo | CM05 CM07 INS05 UCLM03 | 0.42 | 10.5 | S | S | Los alumnos han de plasmar en una memoria el trabajo realizado en la práctica, presentar de forma coherente los resultados y obtener las conclusiones de acuerdo a los objetivos inicialmente fijados. En caso de no superarse las prácticas en evaluación continua, se podrán recuperar en la entrega correspondiente a la convocatoria ordinaria, si bien, el enunciado podrá ser ligeramente diferente. Las prácticas se diseñan para ser realizadas y defendidas por parejas. No obstante en situaciones particulares y pactadas de antemano con el profesor, podrán realizarse de forma individual. | |
Elaboración de informes o trabajos [AUTÓNOMA] | Aprendizaje basado en problemas (ABP) | CM05 CM07 INS05 UCLM03 | 0.78 | 19.5 | S | N | Se facilitarán casos de estudio o ejercicios seleccionados para que el alumno trabaje sobre ellos. La entrega y comentarios sobre los mismos en los foros, de carácter voluntario, será evaluada como participación en clase. Este actiividad es de carácter individual. | |
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)
Sistema de evaluación | Evaluacion continua | Evaluación no continua * | Descripción |
Valoración de la participación con aprovechamiento en clase | 10.00% | 0.00% | (ESC) Este 10% de la nota corresponde a la participación en clase y en los foros. El objetivo es resolver, compartir y discutir en clase y/o en los foros de la asignatura, los problemas (ejercicios o casos) que se propongan para realizar. Esta es de carácter individual y no es obligatoria ni tiene mínimo. |
Elaboración de memorias de prácticas | 15.00% | 15.00% | (INF) Es obligatoria la entrega de las tres memorias de prácticas. Se abrirá plazo de entrega específico para la evaluación no continua. Se exige un mínimo de 4 sobre 10 en la nota promediada de las tres prácticas. |
Realización de prácticas en laboratorio | 15.00% | 15.00% | (LAB) Se supervisará la eficiencia y eficacia del código generado para las tres prácticas planteadas. Entrega por grupo de prácticas. Se abrirá plazo de entrega específico para la evaluación no continua. Se exige un mínimo de 4 sobre 10 en la nota promediada de las tres prácticas. |
Otro sistema de evaluación | 15.00% | 15.00% | (PRES) Cada grupo de prácticas deberá presentar su práctica al profesor y responder a las preguntas realizadas. Entrevista por grupo de prácticas, con preguntas individuales. Se abrirá plazo de entrega específico para la evaluación no continua. Se exige un mínimo de 4 sobre 10 en la nota promediada de las tres prácticas. |
Prueba final | 45.00% | 55.00% | (ESC) En la convocatoria ordinaria en la modalidad de evaluación continua esta prueba tendrá un valor del 45% de la nota final de la asignatura. En la convocatoria ordinaria en la modalidad no continua su peso será del 55%. Entrega individual. El temario es el mismo en ambas modadlidades (continua y no-continua). |
Total: | 100.00% | 100.00% |
No asignables a temas | |
---|---|
Horas | Suma horas |
Enseñanza presencial (Teoría) [PRESENCIAL][Método expositivo/Lección magistral] | 31.5 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | 2.5 |
Talleres o seminarios [PRESENCIAL][Método expositivo/Lección magistral] | 2 |
Enseñanza presencial (Prácticas) [PRESENCIAL][Método expositivo/Lección magistral] | 1.5 |
Prácticas en aulas de ordenadores [PRESENCIAL][Trabajo dirigido o tutorizado] | 16.5 |
Resolución de problemas o casos [PRESENCIAL][Resolución de ejercicios y problemas] | 6 |
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] | 39 |
Otra actividad no presencial [AUTÓNOMA][Prácticas] | 21 |
Elaboración de memorias de Prácticas [AUTÓNOMA][Trabajo autónomo] | 10.5 |
Elaboración de informes o trabajos [AUTÓNOMA][Aprendizaje basado en problemas (ABP)] | 19.5 |
Actividad global | |
---|---|
Actividades formativas | Suma horas |
Comentarios generales sobre la planificación: | La planificación es ORIENTATIVA, pudiendo variar a lo largo del periodo lectivo en función de las necesidades docentes, festividades, o por cualquier otra causa imprevista. La planificación semanal de la asignatura podrá encontrarse de forma detallada y actualizada en la plataforma Campus Virtual (Moodle). Las actividades presenciales se organizan en tres clases de 1.5 horas por semana. Las clases concretas a usar para cubrir los 6 créditos (60 horas presenciales) se anunciarán oportunamente en CampusVirtual. |
Autor/es | Título | Libro/Revista | Población | Editorial | ISBN | Año | Descripción | Enlace Web | Catálogo biblioteca |
---|---|---|---|---|---|---|---|---|---|
Manuales de Python. | |||||||||
Aurélien Géron | Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition | Libro | O'Reilly Media, Inc. | 9781492032649 | 2019 | https://learning.oreilly.com/library/view/hands-on-machine-learning/9781492032632/ | |||
García, Salvador, Luengo, Julián, Herrera, Francisco | Data Preprocessing in Data Mining | Springer | 978-3-319-10246-7 | 2015 | |||||
Joel Grus | Data Science from Scratch: First Principles with Python | Libro | O'Reilly UK Ltd | 978-1492041139 | 2019 | ||||
José Hernández Orallo, M.José Ramírez Quintana, Cèsar Ferri Ramírez | INTRODUCCIÓN A LA MINERÍA DE DATOS | Pearson | 84 205 4091 9 | 2004 | |||||
Pang-Ning Tan, Michael Steinbach, and Vipin Kumar | Introduction to Data Mining | Addison-Wesley Longman Publishing Co | 0321321367 | 2005 | |||||
Witten, Frank & Hall | Data Mining: Practical Machine Learning Tools and Techniques | Morgan & Kauffmann | 978-0-12-374856-0 | 2011 | |||||
Xindong Wu, Vipin Kumar | The Top Ten Algorithms in Data Mining | Chapman and Hall/CRC | 9781420089646 | 2009 |