BÁSICAS/GENERALES

• CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
• CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
• CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
• CG3 - Proponer, analizar, validar e interpretar modelos de situaciones reales utilizando las técnicas estadísticas más adecuadas a los fines que se persigan.
• CG5 - Adquirir los conocimientos matemáticos, estadísticos e informáticos necesarios para desarrollar adecuadamente las investigaciones estadísticas.

• CE1 - Conocer, utilizar y desarrollar diferentes herramientas informáticas de uso común en los ámbitos de las Matemáticas, la Estadística y la Investigación Operativa. Gestionar la información disponible de manera óptima.
• CE2 - Saber comunicar, tanto por escrito como de forma oral, conocimientos, procedimientos, resultados e ideas estadísticas.
• CE4 - Capacitar para conocer los principales conceptos y analizar mediante técnicas estadísticas los datos procedentes de diferentes ámbitos: técnico, biosanitario, socio-jurídico o económico.
• CE8 - Capacidad para realizar estudios descriptivos e inferenciales de distintos tipos de datos, utilizando las herramientas informáticas más adecuadas.
• CE1 - Conocer, utilizar y desarrollar diferentes herramientas informáticas de uso común en los ámbitos de las Matemáticas, la Estadística y la Investigación Operativa. Gestionar la información disponible de manera óptima.
• CE4 - Capacitar para conocer los principales conceptos y analizar mediante técnicas estadísticas los datos procedentes de diferentes ámbitos: técnico, biosanitario, socio-jurídico o económico.
• CE8 - Capacidad para realizar estudios descriptivos e inferenciales de distintos tipos de datos, utilizando las herramientas informáticas más adecuadas.

Instrumentales:

• CT01. Capacidad de análisis y síntesis.
• CT02. Capacidad de organización y planificación.
• CT03. Capacidad de gestión de la información.
• CT04. Resolución de problemas.

 Interpersonales:

• CT05. Trabajo en equipo.
• CT06. Razonamiento crítico.
• CT07. Compromiso ético.
• CT08. Habilidades en las relaciones interpersonales.
• CT09. Sentido de la igualdad en su amplia definición.

Sistémicas:

• CT10. Aprendizaje autónomo.
• CT11. Motivación por la calidad.
• CT12. Compromiso con el medio ambiente

La asignatura tendrá un componente práctico importante y será impartida en su gran mayoría en las aulas de informática, combinando la explicación de los conceptos teóricos con las prácticas llevadas a cabo con el ordenador (se recomienda utilizar un ordenador propio en clase para no tener problemas de actualización).

PRIMER BLOQUE

1. REPASO DE CONCEPTOS GENERALES SOBRE LA MINERÍA DE DATOS, APRENDIZAJE AUTOMÁTICO Y EL PROCESO DE LA EXTRACCIÓN DEL CONOCIMENTO. Definición. Cometido de la Minería de Datos. Recogida de datos. Tipos de datos, técnicas, algoritmos y variables. Descubrimiento del conocimiento en una base de datos (KDD). Evaluación de resultados. Áreas de aplicación. Problemas tipo.
2. INTRODUCCIÓN A LOS LENGUAJES DE PROGRAMACIÓN INTERPRETADOS: R, Python u otros.
3. PROCESADO DE LOS DATOS. Selección y extracción de atributos. Análisis Exploratorio de Datos (EDA).
4. CONCEPTOS DE APRENDIZAJE AUTOMÁTICO. Apredizaje supervisado y no supervisado. Entrenamiento, validación, test. Sesgo y varianza. Problemas de sobreajuste y falta de generalización. Workflow/Pipeline de un proyecto de aprendizaje automático.

SEGUNDO BLOQUE

5.-  APRENDIZAJE SUPERVISADO (regresión y clasificación): regresión lineal, regresión logística, máquinas de vector soporte, árboles de decisión, K vecinos más cercanos, redes neuronales, redes neuronales profundas, métodos ensemble: métodos bagging, métodos boosting, métodos stacking.

6.- EVALUACIÓN DE MODELOS. Aspectos que evaluar en los modelos. Métricas de evaluación.

7.- VALIDACIÓN Y PUESTA EN PRODUCCIÓN DE LOS MODELOS DESARROLLADOS. Bootstrap, validación cruzada, validación cruzada anidada, datos de validación y test, validación externa, filtrado de información del test al entrenamiento. Puesta en producción de nuestros modelos.

8.- INTERPRETACIÓN DE LOS MODELOS DESARROLLADOS. Abriendo las cajas negras. Técnicas para interpretar los modelos. SHAP, LIME, PDP, ICE, ALE, importancia de las variables, etc.

TERCER BLOOQUE

9.- APREDIZAJE NO SUPERVISADO. Reglas de agrupamiento, reglas de asociación y reducción de dimensionalidad. Aplicaciones del aprendizaje no supervisado: diferentes categorías de noticias y agruparlas según su temática, detectar anomalías e irregularidades dentro de un grupo de datos, hábitos de compra de un cliente para publicidad personalizada, recomendaciones de películas o canciones que pueden gustarle al suscriptor, reconocimiento de objetos, ayuda al sector médico en funciones básicas de dispositivos de creación de imágenes, etc.

10.- APRENDIZAJE POR REFUERZO. Fundamentos del aprendizaje por refuerzo. Métodos de aprendizaje por refuerzo. Problemas y aplicaciones

1. G. James, D. Witten, T. Hastie, R. Tibshirani, y J. Taylor, An Introduction to Statistical Learning: with Applications in Python. en Springer Texts in Statistics. Cham: Springer International Publishing, 2023. doi: 10.1007/978-3-031-38747-0.
2. «R for Data Science (2e)». Accedido: 28 de febrero de 2024. [En línea]. Disponible en: https://r4ds.hadley.nz/
3. G. James, D. Witten, T. Hastie, y R. Tibshirani, An Introduction to Statistical Learning: with Applications in R. Springer Nature, 2021.
4. T. Hastie, R. Tibshirani, y J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Science & Business Media, 2001.
5.  I. H. Witten, E. Frank, M. A. Hall, y C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2016.
6.  N. Ye, Data Mining: Theories, Algorithms, and Examples. CRC Press, 2013.
7. R. Layton, Learning Data Mining with Python. Packt Publishing Ltd, 2017.
8.  B. Clarke, E. Fokoue, y H. H. Zhang, Principles and Theory for Data Mining and Machine Learning. Springer Science & Business Media, 2009.

Evaluación continua:

• Cuestionarios de evaluación con tests teórico-prácticos basados en las clases (15%).
• Entregas de tareas de evaluación continua (15%).
• Asistencia a clase y participación (10%).

Examen final:

Consistirá en la elaboración personal de los alumnos de un proyecto escrito de minería de datos (60%), donde se valorará la capacidad del alumno para llevar a la práctica los métodos aprendidos, el manejo del software utilizado, la elaboración de informes y la bibliografía consultada, así como las competencias instrumentales, interpersonales y sistémicas, así como las competencias básicas/generales, específicas y transversales.

La nota de la evaluación continua será la que se obtenga durante el desarrollo del curso. Se mantendrá la nota para la segunda convocatoria del mismo curso académico.

• Cuestionarios de evaluación continua tipo test.
• Tareas desarrolladas y entregadas a lo largo del curso.
• Proyecto final

Se recomienda la asistencia y participación en todas las actividades programadas y el uso de las tutorías, así como estudiar la asignatura de forma  regular  desde el principio  de curso.

Utilizar la bibliografía para afianzar conocimientos y, si es necesario, adquirir una mayor destreza en la materia.

Plantear las posibles dudas que tenga el alumno en cada momento en clase o en tutorías.

Realizar las tareas propuestas a lo largo del curso.

Para evaluar:

• Tareas desarrolladas a lo largo del curso.
• Cuestionarios mediante preguntas de tipo test, preguntas concretas o preguntas que relacionen varios conceptos de diferentes unidades temáticas, como parte de la evaluación continuada a lo largo del desarrollo de la signatura.

Desarrollo de un proyecto escrito de Minería de datos al terminar a la asignatura.

Recuperación:

Se entregará un proyecto final (2ª convocatoria), para aquellos casos en los que, tras el primer proyecto final (1ª convocatoria), no se ha logrado la superación de la asignatura (por no haber entregado o no superar el mínimo de 5 puntos en el global de la asignatura.

Los criterios de evaluación en la 2ª convocatoria son los mismos que en la primera (40% evaluación continua durante el curso + 60% proyecto final), por lo que la segunda convocatoria solo permite recuperar el 60% correspondiente al proyecto final. Las actividades de evaluación continua son las obtenidas durante el curso y no son recuperables.

En ningún caso se mantendrán notas parciales para cursos posteriores.