Tener la capacidad de reunir y/o interpretar datos relevantes (dentro del área de la Estadística y de alguno de sus campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

Poder comunicar métodos y resultados de problemas a un público tanto especializado como no especializado.

Conocer técnicas aplicables al tratamiento de datos en bruto para refinarlos y prepararlos antes de
proceder a su análisis. (CG3)
Conocer métodos para tratar la falta de datos y detectar datos erróneos. (CG3)
Conocer técnicas de transformación para reducir la dimensionalidad de grandes volúmenes de datos.
(CG3)
Conocer distintas técnicas de agrupación y saber aplicarlas para obtención de grupos homogéneos.
(CG3, CE1)
Saber realizar un proceso completo de depuración y transformación de un conjunto de datos. (CG3,
CE1)
Conocer los fundamentos de la minería de datos y relación con otras disciplinas. (CG1, CG2, CG3,
CG4)
Conocer técnicas de clasificación, asociación y dependencia para extracción del conocimiento. (CG3)
Conocer técnicas de minería de datos complejos de diversa tipología. (CG3)
Saber aplicar técnicas de evaluación, comparación y uso de modelos. (CG4, CE1)
Saber realizar un proceso completo de minería de datos. (CG3, CG2, CE1, CE2)

Sesiones académica teóricas: 50%

Sesiones académicas de resolución de ejercicios y de realización de prácticas con software R en el aula de informática: 50%

2,4

3,6

8

Se introduce al alumno en los métodos y conceptos de la minería de datos

Se haya cursado con aprovechamiento las asignaturas Probabilidad, Estadística y Estadística Aplicada

Introducir al alumno en la metodología de la minería de datos.

1. Introducción a la minería de datos.

2. Aprendizaje supervisado.

3. Aprendizaje no supervisado.

Software estadístico.

Donde se incluyen los siguientes contenidos de: 

 Almacenamiento de datos.

 Limpieza y transformación de datos. Datos erróneos, datos ausentes. 

 Técnicas de exploración y selección de datos. 

 Técnicas de agrupación. 

 Técnicas de extracción de conocimiento (clasificación, asociación,…). 

 Minería de datos complejos (espaciales, temporales simbólicos,…). 

 Técnicas de evaluación. 

 Campos de aplicación y casos. 

Examen escrito de conocimientos teóricos y ejercicios: 60%
Prácticas con software R: 30%
Evaluación in situ mediante observación directa de trabajo y desempeño de los alumnos: 10%
Será necesario superar cada una de las partes para aprobar la asignatura.

Breiman,L.; Friedman,J.H. y otros (1993) Classification and Regresión Trees

Gareth James • Daniela Witten • Trevor Hastie Robert Tibshirani (2013) An Introduction to Statistical Learning with Applications in R

Hernández Orallo y otros (2005) Introducción a la minería de datos Pearson Reentice Hall

Han J.,Kamber M. (2001) Data Mining Concepts and techniques. Morgan Kaufman P
Hastie Trevor, R. Tibshirani. J.Friedman (2008) The Elements of Statistical
Learning: Data Mining, Inference, and Prediction

Oded Maimon ¿ Lior Rokach Editors (2010) Data Mining and Knowledge Discovery Handbook Second Edition

Matignon, Daniel. (2007) Data mining using SAS E . Miner , Wiley Intescience

Peña, D. (2002) "Análisis de datos multivariantes" McGraw-Hill.

Pérez L. C. (2007) Minería de Datos Técnicas y Herramientas. Thomson

Torgo L.(2011). Data Mining with R: Learning with Case Studies

E-BOOKS
Mathematics for Machine Learning. M. P. Deisenroth, A. A. Faisal, and C. S. Ong, 2021. https://mml-book.com.
https://mml-book.github.io/book/mml-book.pdf
Data mining and learning analytics: applications in educational research / ed. Hoboken, New Jersey : John Wiley & Sons, Inc., [2017]

Data mining: practical machine learning tools and techniques / Ian Witten. Amsterdam, [Netherlands] : Elsevier, 2017

Principles of Data Mining by Max Bramer. London : Springer, 2016

Data Mining: The Textbook / by Charu C. Aggarwal. Cham : Springer International Publishing : Imprint: Springer, 2015