Profesores Titulares
Los resultados de aprendizaje de esta asignatura son:
R1. Comprensión de los conceptos y técnicas de minería de datos.
R2. Capacidad para analizar e interpretar grandes conjuntos de datos para extraer información y patrones significativos.
R3. Conocimiento de las diversas herramientas y tecnologías utilizadas en la minería de datos utilizando python, incluyendo numpy, pandas, matplotlib, seaborn y scikit-learn.
R4. Capacidad para evaluar críticamente los resultados de la minería de datos y determinar su fiabilidad y validez.
R5. Capacidad para comunicar y presentar los hallazgos del análisis de minería de datos de manera efectiva.
Primera parte del semestre:
- Introducción a la minería de datos
- Preprocesamiento de datos
- Modelos de regresión
- Modelos de clasificación
Segunda parte del semestre
- Validación cruzada
- Selección de características
- Métodos basados en árboles
- Minería de textos
Proyecto: Predecir el éxito de las startups usando Twitter
R1 - Comprensión de los conceptos y técnicas de minería de datos: Introducción a la minería de datos
R2 - Capacidad para analizar e interpretar grandes conjuntos de datos para extraer información y patrones significativos:
- Preprocesamiento de datos
- Validación cruzada
- Selección de características
R3 - Conocimiento de las diversas herramientas y tecnologías utilizadas en la minería de datos utilizando python, incluyendo numpy, pandas, matplotlib, seaborn y scikit-learn:
- Modelos de regresión
- Modelos de clasificación
- Modelos basados en árboles
R4 - Capacidad para evaluar críticamente los resultados de la minería de datos y determinar su fiabilidad y validez: Proyecto: Predecir el éxito de las startups usando Twitter
R5 - Capacidad para comunicar y presentar los hallazgos del análisis de minería de datos de manera efectiva: Proyecto: Predecir el éxito de las startups usando Twitter
El sistema de evaluación será contínuo combinando varias actividades para facilitar la asimilación de conocimientos por parte del alumno.
La siguiente tabla muestra el porcentaje de evaluación de cada actividad sobre la nota final:
R1, R2 - Deberes - 20%
R2, R3 - Examen parcial - 20%
R4, R5 - Proyecto - 30%
R2, R3 - Examen final - 30%
Los objetivos de la evaluación continua son los siguientes:
- Aprendizaje progresivo de la asignatura y evaluación de la actividad
- Evaluación de los conocimientos adquiridos en exámenes
- Practicar la asignatura con un proyecto real
- Mueller, A., Guido, S. (2016). Introduction to Machine Learning with Python, O'Really
- James, G et al (2021). An Introduction to Statistical Learning, Springer
- Provost, F., Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking, O'Really
- Matthes, E. (2015). Python Crash Course: A Hands-On, Project-Based Introduction to Programming, No Starch Press