Download 1. Historial de la asignatura. 2. Pre-requisitos y

Nombre de la asignatura: MINERÍA DE DATOS
Línea de investigación o trabajo: Inteligencia Artificial
Horas
-
Horas
-
Horas
-
Horas
-
Créditos
Docentes
TIS
TPS
totales
(SATCA)
48
20
100
168
6
TIS: Trabajo Independiente significativo del estudiante. TPS: Trabajo profesional supervisado por parte del estudiante
1. Historial de la asignatura.
Fecha revisión /
actualización
Octubre de 2010
Cenidet
20 de junio de 2011
Cenidet
20 de junio de 2011
Participantes
Observaciones,
cambios o justificación
M.C. Andrea Magadán Salazar
M.C. Matilde Velazco Soni
Integrantes del área de IA:
M.C. Andrea Magadán Salazar
Dr. Raúl Pinto Elías
Dr. José Ruiz Ascencio
Dr. Gerardo Reyes Salgado
Dr. Manuel Mejía Lavalle
M.C. Matilde Velazco Soni
Integrantes del área de IA:
M.C. Andrea Magadán Salazar
Dr. Raúl Pinto Elías
Dr. José Ruiz Ascencio
Dr. Gerardo Reyes Salgado
Dr. Manuel Mejía Lavalle
M.C. Matilde Velazco Soni
Propuesta Preliminar
Análisis y conformación de la
asignatura
Definición de la asignatura
2. Pre-requisitos y correquisitos.
Se trata de una materia optativa en el área de Inteligencia Artificial, tiene como pre-requisito la
materia de Reconocimiento de patrones.
3. Objetivo de la asignatura.
Aplicar las técnicas básicas de inteligencia artificial requeridas para el desarrollo de sistemas
inteligentes.
4. Aportación al perfil del graduado.
La materia contribuye a obtener los siguientes aspectos del perfil:
• Plantear, analizar y resolver problemas en el área de Minería de datos.
• Analizar e interpretar los resultados obtenidos.
• Aplicar la metodología científica en el desarrollo de sus trabajos.
• Mantenerse actualizado en el estado del arte y/o práctica de su especialidad.
• Responsabilidad, disciplina y ética en el desarrollo de sus actividades.
5. Contenido temático.
Unidad
Temas
Soft computing y el internet
1
Horas docentes: 9
Consulta a bases de datos
2
Horas docentes: 9
3
Interacción con agentes
inteligentes
Horas docentes: 9
Minería de datos inteligentes
4
Horas docentes: 12
5
Lógica difusa en minería de
datos
Horas docentes: 9.
Subtemas
1.
2.
3.
4.
5.
Conceptos de minería de datos
Conceptos básicos en la softcomputing
Internet
Metabuscadores.
Aplicaciones.
1.
2.
3.
4.
5.
6.
1.
2.
3.
4.
Tipos de datos
Procesamiento de datos
Medidas de similitud entre datos
Exploración de datos
Resumen estadístico
Visualización
Diseño de agentes inteligentes.
Mecanismo de razonamiento.
Arquitectura híbrida.
Interacción entre agentes: principios de la
cooperación.
5. Sistemas cooperación vs. no
cooperativos.
6. Heurísticas para la cooperación
7. Coherencia y coordinación
8. Negociación y argumentación
9. criterios de evaluación
Técnicas de clasificación
1. Árboles de inducción
2. Clasificador de los vecinos más cercanos
3. Clasificador bayesiano
4. Máquinas de vector soporte
5. Análisis asociativo
6. Análisis de agrupación
7. K-means
8. Agrupación jerárquica aglomerativa
9. Agrupación basada en densidades
1. Conceptos de lógica difusa.
2. Conjuntos difusos.
3. Reglas de asociación difusas
4. Uso de lógica difusa en minería de datos.
5. Conclusiones.
6. METODOLOGÍA DE DESARROLLO DEL CURSO
• Unidades a través de clases impartidas por el profesor; tareas y ejercicios a desarrollar por los
estudiantes..
•
Unidades 4, exposición por parte de los alumnos.
Documentación a entregar:
1º Presentar resumen de la investigación.
2º Exposición de 45 minutos en total durante el curso.
•
Asignación de proyectos.
Queda a elección del docente el marcar problemas de aplicaciones específicas (para trabajo
individual) en los cuales se aplique al menos una de las técnicas planteadas en el curso.
Entregar:
a
1er reporte del análisis y diseño, 10 semana.
a
2º Código fuente documentado (Primera revisión 11 semana, revisión final semana
a
12 )
a
3º Entrega del documento final: reporte del análisis, conclusiones (13 semana).
7. SUGERENCIAS DE EVALUACIÓN
a. Exposición
20%
b. Proyecto
40%
c. Exámenes
20%
d. Trabajos
20%
8. BIBLIOGRAFÍA Y SOFTWARE DE APOYO
• Pang-Ning Tan, Michael Steinbach and Vipin Kumar. Introduction to Data Mining.
Addison-Wesley. 2006. ISBN: 0321321367.
• Anil K. Jain, Richard C. Dubes. Algorithms for Clustering Data. Prentice Hall. 1988. ISBN:
013022278X.
• T. Hastie, R. Tibshirani and J. Friedman. Elements of Statistical Learning: Data Mining,
Inference and Prediction. Springer-Verlag. 2001. ISBN: 0387952845.
• ordini, Rafael H et al., Multi-agent programming: Languages, platforms, and applications,
Springer, New York, 2005.
• Jaques Ferber, Multi-agent Systems. An introduction to Distributed Artificial Intelligence,
Addison Wesley, NY, 1999.
• Mas Ana, Agentes de software y sistemas multiagentes, Pearson Prentice Hall, UK,
2005.
• Maimon Oded and Lior Rokach, “Data minig and knowledge discovery handbook.
Editorial Springer. 2005 USA.
Bases de datos públicas para reconocimiento de formas (material de apoyo). [En línea]
• http://www-etsi2.ugr.es/depar/ccia/rf/practica/datos/datos.html
• Repositorio: CI Machine Learning Repository, (material de apoyo). [En línea]
• http://www.ics.uci.edu/~mlearn/MLRepository.html
9. PRÁCTICAS PROPUESTAS
Se sugiere que las prácticas propuestas sean realizadas por equipos para estar en
concordancia con la finalidad de fomentar la discusión de ideas que plantea el curso. En este
sentido, se proponen las siguientes prácticas por unidad:
Unidad
1 Soft computing y el internet
Práctica
Análisis y discusión en clase de las aplicaciones actuales de las
técnicas de soft computing.
Discusión grupal:
•
¿Es correcto el planteamiento del problema?
•
¿Se han incluido todas las características descriptivas del
problema?
•
¿Son correctos los operadores obtenidos?
•
¿Se ha contemplado las restricciones del problema?
3. Interacción con agentes
inteligentes
Desarrollo de un programa de computadora aplicando los métodos
de razonamiento y/o cooperación entre agentes, analizar y discutir
la evolución de cada uno, casos de aplicación en donde se obtienen
mejores rendimientos.
Analizar y discutir el tipo de arquitectura utilizada.
Implementar un método de cooperación de acuerdo al
problema.
•
Entrega del reporte impreso: análisis, implementación,
pruebas, conclusiones.
Análisis y discusión en clase de las diferentes técnicas de
aprendizaje automático y su aplicación en tareas de minería de
datos.
•
•
4. Minería de datos inteligentes
Horas docentes: 9
5. Lógica difusa en minería de
datos
Horas docentes: 12
Discusión grupal:
•
Dado un problema: Modelar el problema con la técnica
apropiada, verificar ventajas y desventajas
•
¿Es posible combinar las estructuras? ¿Existe mejoras en
la representación del conocimiento al utilizar una
combinación?
•
Evaluación de la técnica en alguna herramienta de
software libre.
Análisis y discusión en clase de las diferentes aplicaciones de la
lógica difusa ene la minería de datos .
Discusión grupal:
•
¿En qué tipo de aplicaciones se recomienda la lógica
difusa?
•
Análisis de las ventajas y desventajas de su uso.
10. NOMBRE DEL CATEDRÁTICO RESPONSABLE:
M.C. Andrea Magadán Salazar