Miner铆a de Datos
SIGLA
|
: INP3430
|
CAR脕CTER
|
: OPTATIVO
|
CR脡DITOS
|
: 10
|
PROFESOR
|
: Denis Parra
|
MODULOS
|
: 2
|
I. DESCRIPCI脫N
El objetivo de este curso es proporcionar al alumno elementos que le permitan entender las principales teor铆as y pr谩cticas de la emergente 谩rea de Miner铆a de Datos. Al final del curso el alumno deber谩 tener un conocimiento te贸rico y pr谩ctico de las principales t茅cnicas utilizadas actualmente en la creaci贸n de programas capaces de extraer conocimiento relevante desde bases de datos y conocer algunas de las principales aplicaciones donde en la actualidad este tipo de t茅cnicas est谩n teniendo una amplia aceptaci贸n, comprendiendo sus potencialidades y limitaciones.
II. OBJETIVOS
- Aprender t茅cnicas de clustering para procesamiento de informaci贸n
- Comprender y aplicar algoritmos de clasificaci贸n
- Aplicar reglas de asociaci贸n
III. CONTENIDOS
- Introducci贸n El concepto y proceso de Miner铆a de Datos, tipos de problemas en que la Miner铆a de Datos es relevante.
- Data Warehouse y OLAP
- Arquitecturas
- implementaciones
- aplicaciones en Miner铆a de Datos.
- Preparaci贸n de la informaci贸n
- Datos ruidosos,
- datos faltantes,
- reducci贸n de la dimensionalidad y transformaciones, integraci贸n e inconsistencias.
- Reducci贸n de la Informaci贸n
- An谩lisis de las Componentes principales
- Clasificaci贸n
- 脕rboles de Decisi贸n
- NaiveBayes
- Razonamiento en Base a casos.
- Clustering y medidas de similaridad en distintos tipos de datos.
- Clustering particional: K-Means, Mean Shift.
- Medidas de similaridad para distintos tipos de datos.
- Clustering aglomerativo.
- Selecci贸n de Modelos (Hold Out, Cross Validation.).
- Conceptos B谩sicos en Miner铆a de Texto.
IV. METODOLOG脥A
- Clases expositivas
- Actividades en clases
- Trabajos grupales
V. EVALUACI脫N
- Tareas
- Controles
- Trabajo final
VI. BIBLIOGRAF脥A
- Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank
- Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber.
- Machine Learning, Tom M. Mitchell
- Kimball, R. 鈥漈he data warehouse toolkit : the complete guide to dimensional modeling鈥, John Wiley and Sons, 2002.
- Inmon, W.H., 鈥滲uilding the DataWarehouse鈥, John Wiley and Sons; 3th edition, 2002.
- T. Hastie, R. Tibshirani, and J. Friedman, 鈥漈he Elements of Statistical Learning: Data Mining, Infe- rence, and Prediction鈥, Springer, 2001.
- Berry, M. and Linoff, G., 鈥滵ata Mining Techniques for Marketing, Sales and Customer Support鈥, Wiley, 1997.
- Berson, A., Thearling, K., and Smith, S. 鈥滲uilding Data Mining Applications for CRM鈥, McGraw Hill, 1999.
- Dyche, J., .e-Data: Turning Data into Information with Data Warehousing鈥, Addisson Wesley, 2000.
|
|