Mineria de Dades ( MD )

Professors

Responsable:	Tomas Aluja Banet (alujaeio.upc.edu).
Altres:	(Informació no introduïda)

Objectius Generals

La filosofia de la Mineria de Dades és la conversió de dades en coneixement per a la presa de decisions. La Mineria de Dades constitueix la fase central del procés d¿extracció de coneixement de les bases de dades KDD (Knowledge Discovery in Databases), en aquest sentit la Mineria de Dades és un punt d¿encontre de diferents disciplines: l¿estadística, ¿machine learning¿, tècniques de bases de dades, sistemes per a la presa de decisions, que juntes, permeten afrontar problemes actuals de les organitzacions pel que fa al tractament de la informació
L¿assignatura es divideix en tres parts, centrades en els temes de l¿associació, la classificació i la predicció, els quals configuren la gran majoria de problemes que tracta la Mineria de Dades. Com objectiu paral¿lel està la utilització d¿un entorn de programació lliure per la resolució dels problemes de mineria de dades, així com conèixer entorns professionals de Mineria de Dades

Objectius Específics

Coneixements

1. La descripció estadística automàtica de bases de dades.
2. Eines de reducció de la dimensionalitat i visualització multivariant.
3. La generació de regles d¿associació.
4. Eines per a la definició de ¿clusters¿.
5. La generació de models estadístics de predicció.
6. La generació de regles de classificació.
7. El funcionament del perceptró multicapa.
8. Utilització de l¿entorn R de programació lliure per Mineria de Dades.

Habilitats

1. Identificar problemes de Mineria de Dades en l¿entorn professional.
2. Identificar les tècniques estadístiques i/o de intel¿ligència artificial més apropiades al problema a resoldre.
3. Implementar algorismes senzills d¿aprenentatge.
4. Utilitzar sistemes de Mineria de Dades per a la resolució de problemes reals.
5. Avaluació de la qualitat del resultats obtinguts.
6. Construir un sistema de Mineria de Dades, per integració de diferents eines d¿aprenentatge, enfocat a la presa de decisions.
7. Conèixer els sistemes professionals més utilitzats de Mineria de Dades.

Competències

1. Treball en equip.
2. Capacitat de resolució de problemes quantitatius en l¿entorn informàtic.
3. Redacció d¿informes i defensa oral dels mateixos.
4. Capacitat crítica de les eines i resultats utilitzats en mineria de dades.

Continguts

Hores estimades de:

Metodologia docent

L¿aprenentatge es farà seguint la metodologia dels casos, a partir de l¿anàlisi de conjunts de dades complexes provinents de problemes reals. A partir d¿aquests problemes es desenvoluparan els coneixements científics necessaris en classe de teoria i la seva aplicació en les classe de laboratori, de tal manera que la programació i/o integració de funcions de mineria de dades reforçarà l¿assimilació dels diferents conceptes explicats. Per això, s¿utilitzarà el sistema R.
R es un sistema obert de programació, de distribució lliure, per bé que també es podrà utilitzar el software disponible a la FIB: WEKA, Minitab, Saad, Excel, Matlab, ... Atesa la utilitat finalista de l¿assignatura, també es farà èmfasi en la utilització de sistemes professionals de mineria de dades, tals com SPAD, Clementine i Enterprise Miner.
Pel que fa al desenvolupament de les classes teòriques, es farà seguint els documents pdf dipositats al Racó de l¿assignatura.

Mètode d'avaluació

L'avaluació de l'assignatura es realitzarà a partir de la nota obtinguda en les tres pràctiques realitzades durant el curs. La primera es basa en la resolució d¿un problema de preproces i d¿associació en una base de dades. Aquesta primera pràctica suposa la realització de dos subpràctiques, primer la descripció estadística automàtica d'una Base de Dades, i segón la visualització multivariant i també, per altra banda, la immersió en el sistema R.
La segona pràctica comporta també 2 subpràctiques, la generació de regles d'associació i la definició i interpretaciód'una tipologia.
La tercera pràctica és lliure sobre un problema de predicció, escollit per l¿alumne entre diferents alternatives. Aquesta última pràctica incorpora els elements de les anteriors i té com a finalitat la resolució d'un problema de predicció mitjançant diferents models i la seva comparació. Aquesta pràctica haurà de ser defensada públicament i l'estudiant haurà de respondre a més, les preguntes teòriques sobre els models i mètodes de l'assignatura, configurant així un examen final oral.
Las pràctiques es ponderaran amb un 15%, 15% i 70% respectivament. Cada pràctica comportarà la redacció del corresponen informe i podràn ser efectuades conjuntament fins un màxim de dos alumnes.

Bibliografía bàsica

• Aluja T., Morineau A. Aprender de los datos: El Análisis de Componentes Principales, EUB, 1999.
• Hand D.J. Construction and Assessment of Classification Rules. , John Wiley, 1997.
• Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Data mining, inference and prediction. , Springer, 2001.
• Hernández Orallo J., Ramírez Quintana M.J., Ferri Ramírez C Introducción a la Minería de Datos, Prentice Hall, 2004.
• Witten I.H., Frank E Data Mining, . Morgan Kaufman Publishers, 2000.

Bibliografía complementària

• Berry M.J.A., Linoff G Data Mining Techniques, for marketing, sales and costumer support, John Wiley, 1997.
• Hand D., Mannila H., Smyth P. Principles of Data Mining, The MIT Press, 2001.
• Lebart, L. Morineau, A., Piron M Statistique exploratoire multidimensionelle, Dunod, 1995.
• Peña, D. Regresión y Diseño de Experimentos, Alianza Editorial, 2002.
• Ripley B.D. Pattern Recognition and Neural Networks. , Cambridge University Press, 1995.
• Bishop C. M. Neural Networks for Pattern Recognition, Clarendon Press. Oxford, 1995.
• Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. Classification and Regression Trees. , Wadsworth, 1984.
• Cyos, K., Pedyioz, W. I Swiniaski, R. Data Mining. Methods for Knowledge Discovery, Kluwer, 1998.

Enllaços web

1. http://www.cran.es.r-project.org
   Es la pàgina per baixar-se i informar-se sobre el sistema R.



2. http://www.kdnuggets.com/
   Informació general sobre software, cursos, actualitat de la mineria de dades als Estats Units.



3. http://www.cs.waikako.ac.nz
   Es la pàgina per baixar-se i informar-se sobre el sistema Weka.

Capacitats prèvies

L'assignatura es autocontinguda, però es bo que l'estudiant hagi adquirit una sèrie de conceptes, en particular els següents
-  Concepte de mitjana, matriu de covariancies i correlacions.
-  Concepte de prova de hipòtesis.
-  Descomposició en valors singulars d'una matriu
-  Programació d'algorismes.
-  Regressió lineal múltiple

Les assignatures que haurien de ser prerequisit són Estadística, Programació i Matemàtiques.