Mineria De Datos.pdf

Programa PROGRAMA DE CURSO CURSO

:

Minería de Datos / Data Mining

SIGLA

:

INP3430

CRÉDITOS

:

10 UC/6 SCT

CARÁCTER

:

Optativo

MÓDULOS

:

2

REQUISITOS

:

Curriculo 041501 o Alumno posgrado UC

DISCIPLINA

:

Autorización profesor.

I.

Ingeniería

DESCRIPCION Este curso busca dar a conocer las principales teorías y prácticas de la Minería de

Datos comprendiendo sus potencialidades y limitaciones. Los conocimientos adquiridos son aplicables a la creación de programas capaces de extraer conocimiento relevante desde bases de datos y permitirán conocer algunas de las principales aplicaciones en que estas técnicas han alcanzado una amplia aceptación. II.

OBJETIVOS 1.

Diseñar soluciones a problemas reales de minería de datos, mediante la

elaboración de modelos capaces de resolver problemas actuales que involucren el análisis de información. 2.

Conocer y aplicar herramientas de software gratuito a tareas concretas de

obtención de información desde bases de datos. III.

CONTENIDOS 1.

El concepto y proceso de Minería de Datos, tipos de problemas en que la Minería

de Datos es relevante. 2.

Data Warehouse y OLAP: Arquitecturas, implementaciones, aplicaciones en Minería

3.

Prepa

de Datos. transformaciones, integración e inconsistencias. 4.

Reducción de la Información (Análisis de las Componentes principales)

5.

Reglas de Asociación (Algoritmo Apriori, Fp-growth)

6.

Clasificación: 6.1. 6.2. Naive Bayes. 6.3. Razonamiento en Base a casos (KNN, Locally Weighted Regression.).

7.

Clustering 7.1. Clustering particional: K-Means, Mean Shift, EM-GMM, BIRCH y otros.

7.2. Medidas de similaridad para distintos tipos de datos. 7.3. Clustering aglomerativo. 8.

Selección de Modelos (Hold Out, Cross Validation, Bootstrapping.).

9.

Métodos de Selección de Variables: Filter, Wrappers, Correlation Based Feature

Selection, 10.

Relief and ReliefF algorithms. Toward Optimal Feature Selection..

11.

Métodos Avanzados y aplicaciones. 11.1. Visualización. 11.2. Minería de texto. 11.3. Detección de Anomalías.

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE DPTO. CIENCIA DE LA COMPUTACIÓN, ESCUELA DE INGENIERÍA / Diciembre 2012 1 IV.

V.

VI.

METODOLOGIA -

Clases expositivas.

-

Actividades prácticas.

-

Lecturas individuales.

EVALUACION -

2 Controles

60%

-

Actividades de laboratorio

40%

BIBLIOGRAFIA Berry, M. and Linoff, G.,

"

M

T

q

M

S

d

Customer S pp " W Berson, A., Thearling, K., and Smith, S.

"B

2004 (T

á

Data Mining Applicat

) CRM" M G

H 2000. Dyche, J.,

" -Data: Turning

I

W

" Addisson Wesley, 2000. Han, J and Kamber M.

"Data mining:Concepts

T

q " M

K

2005. Hastie T., Tibshirani R., and Friedman J. "T

S

L

Inference, P

" Sp

200 .

M

,

Inmon, W.H.,

"B

W

" J

Wiley and

Sons; 3th edition, 2005. Kimball, R. and Ross, M.

"T mode

Mitchell T. M.

p " J

W

S

2011.

"Machine Learning", McGraw Hill, 1997 (Texto

clásico) Witten, I H., Eibe,F., and Hall, M.

"Practical Machine Learning Tools and Techniques"

M Kauffman, 2011

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE DPTO. CIENCIA DE LA COMPUTACIÓN, ESCUELA DE INGENIERÍA / Diciembre 2012 2