A8. Métodos no supervisados y detección de anomalías
102124
2017-18
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
En Ciencia de Datos el análisis de conjuntos de datos tiene como objetivo
extraer patrones desconocidos de interés.
Dependiendo de las técnicas utilizadas se pueden extraer distintos tipos de
información: Aplicando procesos de clustering se agrupan registros de datos;
las reglas de asociación buscan dependencias entre distintas características
de los datos; las técnicas de detección de anomalías permiten detectar
registros poco usuales.
Clustering: tipos, validación.
Reglas de asociación.
Detección de anomalías.
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG3 - Gestionar de manera inteligente los datos, la información y su
representación.
CE2 - Aplicar las técnicas de aprendizaje automático utilizando la metodología
de validación y presentación de resultados más apropiada en cada caso.
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%).
Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos
final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento,
pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.
Las fechas serán:
20/12/17
27/2/18
31/5/18
Habrá una convocatoria extraordinaria en todas las asignaturas.
Para su evaluación, la entrega de trabajos se cerrará el día:
01/07/18
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
Varun Chandola, Arindam Banerjee, and Vipin Kumar. 2009. Anomaly detection: A
survey. ACM Comput. Surv. 41, 3, Article 15 (July 2009), 58 pages.
DOI=http://dx.doi.org/10.1145/1541880.1541882
Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. 2005. Introduction to Data
Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston,
MA, USA.
Charu C. Aggarwal. 2013. Outlier Analysis. Springer Publishing Company,
Incorporated. http://charuaggarwal.net/outlierbook.pdf
Jiawei Han. 2012. Data Mining: Concepts and Techniques. Morgan Kaufmann
Publishers Inc., San Francisco, CA, USA; Third edition.
Vic Barnett , Toby Lewis , 1994. Outliers in Statistical Data. Wiley; Third
edition.
Bibliografía fundamental de la parte de Anomalías
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
Cubero Talavera, Juan Carlos
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Granada
Luna Ariza, José María
Profesor Contratado Doctor
Universidad de Córdoba
Reyes Pupo, Óscar Gabriel
Teaching Assistant
Profesor Contratado Doctor en Informática
Universidad de Córdoba
Ventura Soto, Sebastián
Catedrático de Ciencias de la Computación e Inteligencia Artificial
Universidad de Córdoba