En esta asignatura se aprenderá a analizar series temporales con el objeto de
predecir su comportamiento futuro. Para ello, se trabajará en aplicaciones
reales con series temporales de consumo de energía.
Además, se estudiarán los flujos de datos, conocidos como data streams, cuya
principal característica es que su análisis debe realizarse en tiempo real.
También se estudiará la clasificación multi-etiqueta, en la que los datos se
clasifican con varias etiquetas diferentes a la vez.
Por último, se estudiará el aprendizaje de tiro cero para regresión
consistente en obtener modelos para nuevos escenarios donde no existen
instancias disponibles.
A9. Datos temporales y complejos
102472
2025-26
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Se pretende unir tanto los algoritmos de aprendizaje que usan como entradas
tipos de datos estructurados (como los grafos y las series temporales que
serían un caso particular) y aquellos algoritmos que aprender funciones cuya
salida son tipos de datos estructurados.
Datos temporales: Series temporales, Flujos de datos.
Aprendizaje parcialmente supervisado: semi-supervisado, etiquetado positivo,
multi-instancia.
Salidas estructuradas: multi-etiqueta, Aprendizaje con grafos, Conditional
Random Fields (CRF).
Módulo 1. Series temporales
Módulo 2. Data Streams
Módulo 3. Clasificación multi-etiquetas
Módulo 4. Regresión de tiro cero
Unidades
Tema 1. Introducción
Tema 2. Predicción de series temporales
Tema 3. Outliers
Tema 1. Introducción
Tema 2. Metodología
Tema 3. Minería de datos sobre data streams
Tema 1. Introducción
Tema 2. Algoritmos
Tema 3. Dependencias entre etiquetas
Tema 1. Introducción
Tema 2. Métodos para regresión de tiro cero
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.
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 (clases en vídeo): visionado
inicial del material audiovisual que constituye las lecciones de la
asignatura. Se asume 2 veces el tiempo real de vídeo, puesto que el estudiante
deberá parar, repetir, etc. algunas secuencias (10 horas).
A2 - Trabajos individuales: realización de tests, realización de
ejercicios, realización de un trabajo de investigación y realización de un
examen oral (30,5 horas).
A3 - Trabajo autónomo: estudio del material básico, lecturas
complementarias y otros contenidos (60 horas).
A4 - Foros y chats: lanzamiento, lectura y contestación de cuestiones y
temas para la discusión general (6 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc.
(6 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
La evaluación de la asignatura se basará principalmente en los conocimientos
teóricos adquiridos a través de los videos y transparencias, así como en los
conocimientos prácticos obtenidos a través de la realización de un trabajo de
investigación relacionado con uno de los temas de la asignatura.
La nota final, entre 0 y 10 puntos, se calculará teniendo en cuenta tres
actividades evaluables:
E1 - Valoración de los cuestionarios de evaluación (30% de la
calificación). Cada uno de los temas de la asignatura tendrá varias pruebas
tipo test que deberán ser realizadas por los estudiantes tras el estudio de
los temas. Cada test será evaluado de 0 a 10 puntos y el estudiante dispondrá
de dos intentos para realizarlos. La nota final de cada test será la nota
media de los dos intentos.
E2 - Valoración de la participación en foros y chats (10% de
la calificación). Se valorará el nivel de participación/debate de los
estudiantes que contará para la nota final.
E3 - Valoración de los trabajos individuales (60% de la
calificación). Un examen oral (15% de la calificación) y un trabajo de
investigación (45% de la calificación). Se realizará un examen oral, de unos
10 minutos de duración vía Google Meet, de los bloques Multi-etiqueta y
Aprendizaje de Tiro Cero para Regresión. En dicho examen se discutirán
aspectos teóricos fundamentales de los clasificadores multi-etiqueta y métodos
de aprendizaje de tiro cero para regresión. El objetivo es evaluar si el
estudiante domina o no los conceptos de dichos métodos de aprendizaje. Los
profesores propondrán un trabajo de investigación para cada uno de los bloques
Series Temporales y Aprendizaje en Flujos de Datos. El estudiante deberá
elegir un trabajo de entre los dos propuestos. El trabajo debe hacerse de
forma individual y se entregará a través de la plataforma de docencia online
en el plazo establecido según el calendario del máster.
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.
Habrá una convocatoria extraordinaria en todas las asignaturas.
Las actas de la convocatoria ordinaria se cerrarán en julio de 2025 y las de
la convocatoria extraordinaria en septiembre de 2025.
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools
and Techniques Morgan Kaufmann, June 2005.
G. Box, G. M. Jenkins, G. Reinsel. Analysis Time Series: Forecasting and
Control. John Wiley and Sons, 2008.
Alicia Troncoso Lora et al. Electricity Market Price Forecasting Based on
Weighted Nearest Neighbors Techniques. IEEE Transactions on Power Systems,
Vol. 22, No. 3, pp. 1294-1301, 2007.
Francisco Martinez-Alvarez, Alicia Troncoso et al. Energy time series
forecasting based on pattern sequence similarity. IEEE Transactions on
Knowledge and Data Engineering, 2011.
F. Martínez-Álvarez, Alicia Troncoso Lora, José C. Riquelme, J. S.
Aguilar-Ruíz. Discovery of Motifs for Forecast Outlier Occurrence in Time
Series. Pattern Recognition Letters, Vol. 32, pp. 1652–1665, 2011.
S. Gelper, R. Fried, and C. Croux. Robust forecasting with exponential and
holt-winters smoothing. Journal of Forecasting, 29:285–300, 2010.
F. Martínez-Álvarez, A. Troncoso, G. Asencio-Cortés, J. C. Riquelme. A Survey
on Data Mining Techniques Applied To Electricity-Related Time Series
Forecasting. Energies, Vol. 8, no. 11, pp. 13162-13193, 2015.
Charu C. Aggarwal (Ed) Data Streams: Models and Algorithms. Springer, 2007.
Enlace web: http://charuaggarwal.net/streambook.pdf
Joao Gama. Knowledge Discovery from Data Streams. Chapman and Hall/CRC, 2010.
Enlace web: www.liaad.up.pt/area/jgama/DataStreamsCRC.pdf
Joao Gama et al. A Survey on Concept Drift Adaptation, ACM Computing Surveys,
Vol. 1, No. 1, Article 1, 2013.
Joao Gama, A survey on learning from data streams: current and future trends.
Progress in Artificial Intelligence, Volume 1, Issue 1, pp 45–55, 2012.
Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets.
Cambridge University Press, 2013. Enlace web: http://www.mmds.org/#ver21
Albert Bifet, Geoff Holmes, Richard Kirkby and Bernhard Pfahringer. Data
Streams Mining: A Practical Approach, University of Waikato, 2011.
MOA (Massive Online Analysis) http://moa.cms.waikato.ac.nz/
K. Dembczynski, W. Waegeman, W. Cheng, E. Hüllermeier, On label dependence and
loss minimization in multi-label classification, Machine Learning 88, pp.
5–45. 2012.
K. Dembczynski, W. Cheng, E. Hüllermeier, Bayes Optimal Multilabel
Classification via Probabilistic Classifier Chains, in: ICML, 2010, pp.
279–286. 2010.
E. Gibaja, S. Ventura, Multilabel learning: a review of the state of the art
and on going research,Wiley Interdisciplinary Reviews: Data Mining and
Knowledge Discovery, vol. 4, no. 6, pp. 411–444, 2014.
F. Herrera, F. Charte, A.J. Rivera, A.J., M.J. del Jesus, Multilabel
Classification: Problem Analysis, Metrics and Techniques. Springer. 2016.
O. Luaces, J. Díez, J. Barranquero, J. J. del Coz, A. Bahamonde, Binary
relevance efficacy for multilabel classification, Progress in Artificial
Intelligence 4, pp. 303–313. 2012.
G. Madjarov, D. Kocev, D. Gjorgjevikj, S. Dzeroski, An extensive experimental
comparison of methods for multi-label learning, Pattern Recognition 45, pp.
3084–3104. 2012.
E. Montañés, R. Senge, J. Barranquero, J. R. Quevedo, J. J. del Coz, and E.
Hüllermeier, Dependent binary relevance models for multi-label classification,
Pattern Recognition, vol. 47, no. 3, pp. 1494 – 1508, 2014.
G. Tsoumakas, I. Katakis, I. Vlahavas, Mining multi-label data, in: Data
Mining and Knowledge Discovery Handbook, pp. 667-685. Springer US, 2009.
G. Tsoumakas, I. Vlahavas, Random k-Labelsets: An Ensemble Method for
Multilabel Classification, in: ECML/PKDD’07, LNCS, Springer, 2007, pp. 406–417.
J. Read, B. Pfahringer, G. Holmes, E. Frank, Classifier chains for multi-label
classification, Machine Learning 85, pp. 333–359. 2011.
JM. Fdez-Díaz, J.R. Quevedo, and E. Montañés. Target inductive methods for
zero-shot regression. Information Sciences, 599:44– 63, 2022.
M. Fdez-Díaz, E. Montañés, and J.R. Quevedo. Direct side information learning
for zero-shot regression. Neurocomputing, 561:126873, 2023.
Series Temporales
Data Streams - Flujos de datos
Multi-etiquetas
Aprendizaje de tiro cero
F. Pourpanah, M. Abdar, Y. Luo, X. Zhou, R. Wang, C.P. Lim, X.-Z. Wang,
Q.M.J.
Wu, A review of generalized zero-shot learning methods, IEEE Trans.
Pattern
Anal. Mach. Intell. (2022) 1–20.
W. Waegeman, K. Dembczyński, E. Hüllermeier, Multi-target prediction: a
unifying view on problems and methods, Data Min. Knowl. Discov. 33 (2) (2019)
293–324.
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
Troncoso Lora, Alicia
DOCTORA EN INGENIERÍA INFORMÁTICA.
CATEDRÁTICA DE UNIVERSIDAD.
UNIVERSIDAD PABLO DE OLAVIDE DE SEVILLA.
Melgar García, Laura
Doctora en Ingeniería Informática - especialidad Inteligencia Artificial.
Profesora Ayudante Doctora.
Universidad Politécnica de Madrid.
Montañés Roces, Elena
DOCTORA EN INGENIERO EN INFORMÁTICA.
PROFESORA TITULAR DE UNIVERSIDAD EN EL ÁREA DE CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL.
UNIVERSIDAD DE OVIEDO, CENTRO DE INTELIGENCIA ARTIFICIAL, CAMPUS DE VIESQUES, GIJÓN.