A14. Recuperación y extracción de información, grafos y redes sociales
102130
2016-17
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Debido a las cantidades ingentes de información disponible online, la web se
ha convertido en un terreno habitual para el procesamiento de información
(textual y multimedia) y la Ciencia de Datos. Lo mismo ocurre con los grafos,
presentes en multitud de tareas/problemas y que presentan distintos retos en
su análisis (redes sociales, interacciones biológicas, etc.).
En esta asignatura se persigue el procesamiento y fusión eficiente de este
tipo de información no estructurada, abordando las técnicas de extracción y
representación de información a partir de ella, para poder aplicar
posteriormente procesos de Ciencia de Datos, procesamiento del lenguaje
natural y/o visualización.
En el caso de los textos se abordará el uso de técnicas y métodos de
procesamiento de información textual y minería web en distintas aplicaciones
como análisis de textos, minería de textos, análisis de sentimientos,
clasificación, etc.
En el caso de los grafos el objetivo principal consiste en el descubrimiento
elementos o patrones representativos dentro de un grafo, con el fin de
identificar conceptos que describen a las estructuras más importantes para una
mejor interpretación de los datos. Se estudiarán procesos de minería de grafos
tales como, emparejamiento de grafos, compresión de grafos, análisis de
subgrafos, etc.
Extracción y recuperación de información, clasificación y clustering de
documentos.
Textos.
Imágenes.
Emparejamiento de grafos, comprensión de grafos, análisis de subgrafos.
Análisis de sentimientos, análisis de redes sociales.
1. Análisis de Redes Sociales
Introducción a la Web 2.0 y al Análisis de Medios Sociales. Introducción a las
Redes Complejas. Aplicaciones. Aspectos Básicos y Propiedades Estructurales de
las Redes Complejas. Aspectos Básicos del Análisis de Redes Sociales. Medidas
de Centralidad. Ejemplos de Aplicación.
2. Detección de Comunidades
Estructura de Comunidades. Justificación de la Necesidad de Detección. Métodos
de Detección de Comunidades. Ejemplos de Aplicación.
3. Difusión de Información en Redes Sociales
Procesos Epidémicos y de Difusión. Modelos Clásicos de Propagación de
Epidemias. Modelos de Difusión de Información en Redes. Ejemplos de Aplicación.
4. Recuperación de Información
Introducción. Procesado e indexación de documentos. Modelos de Recuperación de
Información. Evaluación de la recuperación. Recuperación de información en la
Web. Motores de búsqueda de código abierto. Técnicas avanzadas de RI.
5. Minería de Texto y Análisis de Sentimientos
6. Clustering de Documentos
Unidades
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG2 - Evaluar nuevas herramientas computacionales y de gestión del
conocimiento en el ámbito de la Inteligencia Artificial.
CE3 - Seleccionar el mecanismo de representación del conocimiento y el método
de razonamiento más adecuados al contexto donde serán utilizados y diseñar su
aplicación para problemas en el ámbito de la Inteligencia Artificial.
CE4 - Conocer los principales modelos de razonamiento impreciso para valorar
su adecuación a la resolución de problemas que surgen en el ámbito de la
Inteligencia Artificial.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales: visionado inicial del material
audiovisual (vídeos introductorios, presentaciones, animaciones) que se
elabore en cada una de las materias y que servirán presentación de cada uno de
los temas a los estudiantes (12 horas - 100% presencialidad).
A2 - Trabajos individuales: realización de ejercicios, resolución de
problemas, realización de prácticas y/o trabajos/proyectos individuales (17
horas - 0% presencialidad).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos y estudio (72 horas - 0% presencialidad).
A4 - Foros y chats: lanzamiento de cuestiones y temas para la discusión
general (5,5 horas - 0% presencialidad).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(6 horas - 100% presencialidad).
E1 - Valoración de los cuestionarios de evaluación: los
estudiantes realizarán por cada unidad didáctica un cuestionario de evaluación
que será objeto de puntuación en la nota final (ponderación mínima 20% y
máxima 40%).
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes que contará para
la nota final (ponderación mínima 10% y máxima 20%).
E3 - Valoración de los trabajos individuales: se valorarán los
problemas, proyectos, trabajos realizados y entregados a través de la
plataforma, y apoyado en los casos que sea necesario (sobre todo cuando se
trate de desarrollo de código) por plataformas de gestión de código como
GitHub. También se incluirá el video que el alumno deberá enviar al profesor
para cada asignatura (ponderación mínima 40% y máxima 70%).
Las sesiones se desarrollarán en marzo de 2017.
Zafarani, R., Ali Abbasi, M., Liu, H., Social Media Mining. An Introduction.
Cambridge University Press 2014.
Wasserman, S., Faust, K. Social Network Analysis. Methods and Applications.
Cambridge University Press 1994. ISBN 9780521387071.
Cacheda, F., Fernández-Luna, J.M. y Huete, J. Recuperación de Información: Un
enfoque práctico y multidisciplinar. Ed. Rama 2011.
Bing Liu, Sentiment Analysis: mining opinions, sentiments, and emotions.
Cambridge University Press, 2015.
Albert-Laszlo Barabasi: "Network Science". Interactive Book Project, http://barabasilab.com/networksciencebook
Mark Newman: "Networks: An introduction", Oxford, 2010. ISBN 0199206651.
Kumar, S., Morstatter, F., Liu, H. Twitter Data Analytics. Springer 2013.
McCandless, M., Hatcher, E., Gospodnetic, O. Luce in Action (2d Edition).
Manning 2011.
Sobre Redes Complejas:
Libro electrónico "Network Science Interactive Book Project": http://barabasilab.com/networksciencebook
Web de Mark Newman, University of Michigan: http://www-personal.umich.edu/~mejn/
Web de Réka Albert, Pennsylvania State University: http://www.phys.psu.edu/~ralbert/
Sobre Análisis de Redes y Medios Sociales:
Stanford Network Analysis Project: http://snap.stanford.edu/
Grupo "Social Mining", Max Planck Institute: http://ella.slis.indiana.edu/~katy/S637-S11/
Sobre Recuperación de Información:
Libro en línea sobre RI: http://npl.stanford.edu/IR-book
Web del grupo de IR de la ACM: http://www.acm.org/sigir
Bibliografía fundamental
Bibliografía complementaria
Enlaces recomendados
Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.
Descripción no definida
Anual
Créditos ECTS: 4,5
Cordón García, Óscar
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Fernández Luna, Juan Manuel
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada