Técnicas Avanzadas de Análisis de Datos
(Curso Académico 2021 - 2022)

Mostrar Todo Ocultar Todo

• CG1 - Ser capaces de aplicar los conocimientos adquiridos para resolver problemas en entornos nuevos o poco conocidos dentro de contextos relacionados con seguridad informática o inteligencia de datos
• CG3 - Mantener una actitud de permanente actualización, que les permita estudiar de manera autónoma mediante formación continua en su futuro desempeño profesional como expertos en seguridad informática e inteligencia de datos
• CG7 - Desarrollar las capacidades de trabajo en equipo y las habilidades de comunicación para mantener relaciones con otros profesionales y con organizaciones relevantes
• CG8 - Tener la capacidad analítica y de resolución para atender a los problemas reales de acuerdo con los valores éticos y sociales y con el máximo respeto a la legalidad vigente

• CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
• CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
• CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
• CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
• CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo

• CE7 - Conocer las diferentes técnicas de análisis y explotación de datos y valorar su correcta aplicación en la extracción de información relevante
• CE11 - Ser capaz de comunicar efectivamente las conclusiones alcanzadas tras analizar un conjunto de datos

Tema 1. Modelos avanzados de clasificación
         a. Regresión logística
         b. Máquinas de vectores soporte para clasificación binaria. Aplicaciones. Extensiones y temas avanzados. Herramienta: LIBSVM
         c. Ensamble methods o métodos multiclasificadores: bagging, boosting, stacking

Tema 2. Introducción a los sistemas de recomendación.
         a. Sistemas recomendadores colaborativos
         b. Sistemas recomendadores basados en contenido
         c. Sistemas recomendadores basados en conocimiento
         d. Sistemas recomendadores híbridos

Tema 3. Series Temporales
        a. Análisis exploratorio de series temporales
        b. Análisis predictivo
        c. Previsión
        d. Detección de anomalías

Tema 4. Minería de flujos de datos
        a. Definición de flujos de datos
        b. Clasificación en flujos de datos
        c. Agrupamiento en flujos de datos.
 

En esta asignatura se impartirán 1,5 horas de clases en inglés. Además, la mayor parte del material de teoría y prácticas será proporcionado en inglés.

La metodología docente de las clases teóricas consistirá en sesiones en las que el profesorado explicará los conceptos fundamentales de cada tema que deben ser asimilados por el alumnado, presencialmente para las clases presenciales y no presencialmente mediante retransmisión online, en directo usando videoconferencia o en diferido a través de grabaciones colgadas en el entorno virtual para las clases no presenciales.

La metodología docente de las clases prácticas de laboratorio consistirá en sesiones supervisadas en grupos reducidos en el laboratorio en las que se realizarán diversas prácticas informáticas de dificultad creciente aplicando los conceptos expuestos en las clases de teoría. Además, el alumnado aprenderá a usar diversas herramientas, en entornos reales o de simulación, así como metodologías relacionadas con el contexto de la materia.

La metodología docente de los informes, trabajos y proyectos consistirá en el desarrollo por parte del alumnado de su capacidad para la aplicación de los conocimientos adquiridos y la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar estos conocimientos.

En los seminarios y otras actividades complementarias se plantea una metodología docente que consistirá en sesiones donde se llevará a cabo una explicación más detallada de determinados aspectos concretos de algunos temas teóricos o prácticos especialmente relevantes. Se ofrecerán seminarios donde profesionales de esta materia harán charlas debates con el alumnado de los temas relacionados con el mundo profesional.

Las tutorías individuales ayudarán a reforzar los diferentes aspectos de la materia y ayudarán al alumnado en la comprensión de la teoría y la realización de las prácticas.

Actividades formativas	Horas presenciales	Horas de trabajo autónomo	Total horas	Relación con competencias
Clases teóricas	10,00	10,00	20,0	[CE7], [CB10], [CB8], [CB6], [CG8], [CG3]
Clases prácticas (aula / sala de demostraciones / prácticas laboratorio)	16,00	16,00	32,0	[CE11], [CE7], [CB10], [CB9], [CB8], [CB7], [CB6], [CG8], [CG7], [CG3], [CG1]
Realización de seminarios u otras actividades complementarias	2,00	2,00	4,0	[CE11], [CE7], [CB9], [CB8], [CB7], [CG8], [CG1]
Estudio/preparación de clases teóricas	0,00	20,00	20,0	[CE7], [CB10], [CB8], [CB6], [CG8], [CG3]
Estudio/preparación de clases prácticas	0,00	12,00	12,0	[CE11], [CE7], [CB10], [CB9], [CB8], [CB7], [CB6], [CG8], [CG7], [CG3], [CG1]
Realización de exámenes	2,00	0,00	2,0	[CE11], [CE7], [CB9], [CB8], [CB7], [CB6]
Asistencia a tutorías	0,00	12,00	12,0	[CE11], [CE7]
Informes, trabajos y proyectos	0,00	48,00	48,0	[CE11], [CE7], [CB10], [CB9], [CB8], [CB7], [CB6], [CG8], [CG7], [CG3], [CG1]
Total horas
Total ECTS

A. Bifet Adaptive Stream Mining: Pattern Learning and Mining from Evolving Data Streams. IOS Press, 2010
 

Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich. Recommender Systems: An Introduction. Cambridge, 2011.

José Hernández Orallo, María José Ramírez Quintana y César Ferri Ramírez. Introducción a la Minería de Datos. Editorial: Prentice Hall, 2004.

Robert H. Shumway, David S. Stoffer. Time Series Analysis and Its Applications. Springer, 2017.

La evaluación de la teoría supondrá un 40% de la evaluación de la asignatura, mientras que la evaluación de la práctica supondrá un 60%.

La evaluación continua será obtenida de la siguiente manera. 
  - Calificación de Teoría (CT): pruebas escritas (40%)
  - Calificación de Prácticas (CP): memorias de prácticas (10%) + seminarios con tareas reales y/o simuladas (10%) + trabajos y proyectos (40%).

Ambas calificaciones serán valores entre 0 y 10, de forma que la Calificación Final (CF) se obtendrá mediante la fórmula:
   - CF = 0,40*CT + 0,60*CP, si y solo si CT >= 5 y CP >= 5. En otro caso, CF = min(CT, CP).

El alumnado que no supere la evaluación continua podrá realizar en las diferentes convocatorias pruebas de evaluación destinadas exclusivamente a evaluar las mismas competencias y resultados de aprendizaje de la asignatura.

Tipo de prueba	Competencias	Criterios	Ponderación
Pruebas objetivas	[CE7], [CB10], [CB8], [CB6], [CG8], [CG3]	Se realizarán las pruebas objetivas requeridas para evaluar el grado de alcance de las competencias de la asignatura mediante medios presencias o virtuales.	40,00 %
Trabajos y proyectos	[CE11], [CE7], [CB10], [CB9], [CB8], [CB7], [CB6], [CG8], [CG7], [CG3], [CG1]	Se realizarán y presentarán los trabajos y proyectos correspondientes a la asignatura mediante medios presencias o virtuales.	40,00 %
Informes memorias de prácticas	[CE11], [CE7], [CB10], [CB9], [CB8], [CB7], [CB6], [CG8], [CG7], [CG3], [CG1]	Se realizarán y presentarán las memorias de prácticas correspondientes a los trabajos y proyectos mediante medios presenciales o virtuales.	10,00 %
Pruebas de ejecuciones de tareas reales y/o simuladas	[CE11], [CE7], [CB9], [CB8], [CB7], [CG8], [CG1]	Se realizarán las pruebas mediante medios presencias o virtuales.	10,00 %

Debido al carácter semipresencial del máster, está previsto que las clases presenciales se desarrollen de la forma siguiente: el alumnado tendrá 3 horas diarias las semanas 1 a 5 y 8 a 12 del primer cuatrimestre, y 3 o 4 horas diarias las semanas 1 a 5 del segundo cuatrimestre.

Todas las asignaturas se desarrollarán en bimestres. Particularmente, esta asignatura se impartirá en el bimestre 3. Las clases presenciales serán las semanas 1 a 5 del segundo cuatrimestre. 

Semana	Temas	Actividades de enseñanza aprendizaje	Horas de trabajo presencial	Horas de trabajo autónomo	Total
Semana 1:	1	Clases teóricas y prácticas y seminarios presenciales.	4.00	15.00	19.00
Semana 2:	1 y 2	Clases teóricas y prácticas y seminarios presenciales. Realización de actividades.	6.00	15.00	21.00
Semana 3:	2 y 3	Clases teóricas y prácticas y seminarios presenciales. Realización de actividades.	6.00	15.00	21.00
Semana 4:	3 y 4	Clases teóricas y prácticas y seminarios presenciales. Realización de actividades.	6.00	10.00	16.00
Semana 5:	4	Clases teóricas y prácticas y seminarios presenciales. Realización de actividades.	6.00	15.00	21.00
Semana 6:	1 y 2	Realización de seminarios y cuestionarios on-line utilizando el campus virtual. Videotutoriales y foro para la resolución de dudas.	0.00	20.00	20.00
Semana 7:	2, 3 y 4	Realización de seminarios y cuestionarios on-line utilizando el campus virtual. Videotutoriales y foro para la resolución de dudas.	0.00	20.00	20.00
Semana 8:	3 y 4	Realización de seminarios y cuestionarios on-line utilizando el campus virtual. Videotutoriales y foro para la resolución de dudas.	0.00	10.00	10.00
Semana 9:			0.00	0.00	0.00
Semana 10:			0.00	0.00	0.00
Semana 11:			0.00	0.00	0.00
Semana 16 a 18:	Evaluación	Evaluación del alumnado	2.00	0.00	2.00
Total			30.00	120.00	150.00