- Máster Universitario en Educación y Recursos Digitales (Elearning)
- Máster Universitario en Neuropsicología
- Máster Universitario en Psicopedagogía
- Máster Universitario en Dirección y Gestión de Centros Educativos
- Máster Universitario en Educación Inclusiva y Personalizada
- Máster Universitario en Psicología General Sanitaria
- Máster Universitario en Formación del Profesorado de Educación Secundaria, Bachillerato, Formación Profesional y Enseñanza de Idiomas
- Formación Pedagógica para el Acceso a la Profesión Docente de Formación Profesional
- Máster Universitario en Dirección y Administración de Empresas (MBA)
- Máster Universitario en Dirección Económico-Financiera
- Máster Universitario en Auditoría de Cuentas
- Máster Universitario en Dirección y Gestión Contable
- Máster Universitario en Marketing Digital y Redes Sociales
- Máster Universitario en Dirección Comercial y Marketing
- Máster Universitario en Asesoría Fiscal
- Máster Universitario en Práctica de la Abogacía y de la Procura
- Máster Universitario en Dirección y Gestión de Recursos Humanos
- Máster Universitario en Asesoría Jurídico-Laboral
- Máster Universitario en Prevención de Riesgos Laborales
- Máster Universitario en Análisis e Investigación Criminal
- Máster Universitario en Asesoría Jurídica de Empresas
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |
Minería de datos y aprendizaje automático
| Código de la asignatura | 1416 |
|---|---|
| Nº Créditos ECTS | 6 |
| Duración | Semestral |
| Idiomas | Castellano |
| Planes de estudio | |
| Profesor(es) | |
| Año académico | 2022-23 |
Minería de Datos y Aprendizaje Automático es una asignatura optativa que consta de 6 créditos y que dotará al estudiante de conceptos relacionados con la Minería de Datos (más conocido como Data Mining, su nombre en inglés) y el Proceso de Descubrimiento de Conocimiento en Bases de Datos (más conocido por sus siglas KDD, de su nombre en inglés Knowledge Discovery in Databases).
La asignatura comienza con un tema que tiene como objetivo introducir los conceptos básicos de Data Mining. A continuación se presenta el proceso de KDD y sus diferentes fases. Tras esta primera parte introductoria se describen las etapas iniciales del proceso de KDD. En la parte central de la asignatura se presentan las técnicas y algoritmos de Data Mining más utilizados. Finalmente, se analizará la forma de ejecutar un proyecto real de Data Mining.
No existe ningún prerrequisito formal de matrícula para cursar la asignatura de Minería de Datos y Aprendizaje Automático, aunque es recomendable contar con los conocimientos adquiridos en las asignaturas de Bases de Datos y Bases de Datos Avanzadas, que facilitarán la comprensión de las técnicas estudiadas.
El objetivo de la asignatura es dotar al estudiante de los conceptos sobre los que se fundamenta la minería de datos. La asimilación de estos conceptos permitirá al estudiante comprender la utilidad y funcionalidad de estas técnicas. Con esta asignatura se pretende que el estudiante llegue a:
- Conocer los fundamentos de la Minería de Datos.
- Conocer el proceso de KDD.
- Conocer las fases iniciales del proceso de KDD.
- Conocer las técnicas y algoritmos de Data Mining.
- Conocer el proceso de implantación de un proyecto de Data Mining.
- Conocer los aspectos sociales y éticos de Data Mining, y las tendencias futuras en este área.
- Conocer la Minería de Datos y sus fases.
- Conocer las diferentes técnicas de Data Mining: Clustering, Decision, Clasificación y Regresión.
La metodología adoptada para el aprendizaje y evaluación de los contenidos de esta asignatura se encuentra adaptada a la modalidad de enseñanza a distancia de UDIMA.
Además del estudio del material proporcionado para el estudio de la asignatura, se encuentran programadas una serie de actividades de aprendizaje y de evaluación continua para que el estudiante consolide los conocimientos adquiridos. Dichas actividades se encuentran planificadas en el "Cronograma de Actividades Didácticas", y definidas en el "sistema de evaluación", apartados ambos que figuran en la guía docente de la asignatura.
Las dudas que puedan surgir tras el estudio razonado de las unidades didácticas y del material complementario deben plantearse en los foros de tutorías activados en el Aula Virtual.
Dedicación requerida
Se estima que la lectura y comprensión de los contenidos teóricos abarcados en las diversas unidades didácticas ocupará aproximadamente unas 60 horas, mientras la realización de las Actividades de Evaluación Continua (AECs), las Actividades de Aprendizaje y la realización de los Controles, llevará unas 75 horas aproximadamente. También se puede considerar que, con el empleo de unas 15 horas por parte del alumno de cara a preparar el examen final presencial, será suficiente para consolidar los conocimientos y habilidades adquiridas durante el trascurso de la asignatura.
| Unidad 1. | Introducción a la Minería de Datos. |
| Unidad 2. | El proceso de KDD. |
| Unidad 3. | Modelos de Data Mining. |
| Unidad 4. | Clasificación: Árboles de decisión y redes de neuronas artificiales. |
| Unidad 5. | Clasificación: Técnicas bayesianas y técnicas basadas en casos. |
| Unidad 6. | Clustering: Técnicas particionales. |
| Unidad 7. | Clustering: Técnicas jerárquicas y técnicas basadas en densidad. |
| Unidad 8. | Asociación, Regresión y Detección de atípicos. |
| Unidad 9. | Minería de Datos no convencionales. |
| Unidad 10. | Caso de Estudio: aplicación de la Minería de Datos en el dominio de la medicina. |