El objetivo del curso es extraer información útil y valiosa mediante el análisis de grandes volúmenes de datos de forma automática, localizando patrones que expliquen el comportamiento de los datos. Esta información será muy útil para una toma de decisiones adecuada.
Extraer información útil y valiosa mediante el análisis de grandes volúmenes de datos de forma automática, localizando patrones que expliquen el comportamiento de los datos. Esta información será muy útil para una toma de decisiones adecuada.
A Ingenieros técnicos o superiores, así como alumnos de último curso del Grado y Máster en Ingeniería (en particular Ingenieros Navales).
Diplomado en Informática por la Universidad de Cádiz. Licenciado en Informática por la UNED. Doctor en Ingeniería y Arquitectura por la Universidad de Cádiz. Profesor Ayudante Doctor en el Departamento de Ingeniería Informática de la Universidad de Cádiz donde ha impartido desde hace más de once años asignaturas de informática, percepción y reconocimiento de patrones.
Graduado en Ingeniería Informática en la Universidad de Cádiz (premio al mejor Proyecto Fin de Grado de la Escuela Superior de Ingeniería) y Máster en Investigación en Ingeniería de Sistemas y Computación y Master en Profesorado de Educación Secundaria Obligatoria y Bachillerato, Formación Profesional y enseñanza de Idiomas. Actualmente es becario FPU, y realiza su tesis doctoral en el campo de la optimización automática de software para la mejora de eficiencia energética.
Licenciado y Doctor en Informática por la Universidad Politécnica de Madrid. Actualmente es Catedrático de Universidad en el departamento de Ingeniería Informática de la Universidad de Cádiz. Responsable del Grupo de Investigación “Sistemas Inteligentes de Computación”, con más de 30 años de experiencia en áreas relacionadas con la Inteligencia Artificial y el Tratamiento Digital de Imágenes.
Titulada en Ingeniería Informática en 2008 por la Universidad de Cádiz donde también obtuvo su doctorado en Ingeniería y Arquitectura en 2012 basado en el procesamiento de imágenes digitales. Desde 2008 pertenece al Departamento de Ingeniería Informática de la Universidad de Cádiz y actualmente imparte docencia como Profesora Contratada Doctora en el área de Ciencias de la Computación e Inteligencia Artificial.
Ingeniera Informática por la Universidad de Málaga y Doctora Ingeniera Industrial por la Universidad de Cádiz, es profesora Titular de Universidad del Dpto. de Ingeniería Informática y posee una amplia experiencia docente en el ámbito universitario de más de 20 años en asignaturas de Ingeniería Informática en general, y del área de Ciencia de la Computación e Inteligencia Artificial, en particular.
Diplomado en Informática por la Universidad de Cádiz. Ingeniero en organización industrial por la Universidad de Cádiz Doctor en Ingeniería y Arquitectura por la Universidad de Cádiz. Profesor Titular de Universidad en el Departamento de Ingeniería Informática de la Universidad de Cádiz donde ha impartido desde hace más de veinticinco años asignaturas de programación e informática.
Licenciado en Informática por la Universidad de Granada y Doctor en Ingeniería Industrial por la Universidad de Cádiz, entró a formar parte del Departamento de Ingeniería Informática de la Universidad de Cádiz en 1994. Actualmente es Titular de Universidad siendo profesor responsable e impartiendo las asignaturas de Procesamiento de Imágenes, Aprendizaje Computacional en las distintas titulaciones oficiales de Ingeniería Informática de la UCA.
Graduado en Ingeniería Informática en la Universidad de Cádiz (premio al mejor Proyecto Fin de Grado de la Escuela Superior de Ingeniería y premio extraordinario de la Universidad de Cádiz) y Máster en Investigación en Ingeniería de Sistemas y Computación. Actualmente es becario FPU, y realiza su tesis doctoral en el campo de la Inteligencia Artificial y la Ingeniería Neuromórfica, centrada en el desarrollo de nuevas técnicas de aprendizaje bio-inspiradas.
Diplomado y Licenciado en Informática por la Universidad de Granada. Doctor Ingeniero Industrial por la Universidad de Cádiz. Profesor Titular del Departamento de Ingeniería Informática de la Universidad de Cádiz desde hace más de veinticinco años donde ha impartido desde hace más de quince años asignaturas de inteligencia artificial, minería de datos, sistemas expertos, procesamiento de datos y reconocimiento automático del habla.
1. ¿Qué es la minería de datos?
El concepto de minería de datos y diferencia con el KDD (Descubrimiento de Conocimiento en Bases de Datos). Tipos de datos. Tipos de tareas. Tipos de modelos obtenidos a partir de los datos analizados.Fases del proceso de extracción de conocimiento. Relación con otras disciplinas.Aplicaciones. Herramientas de minería de datos. Primeros pasos con WEKA: instalación, tipos de datos, formato de archivo ARFF, descripción y primeros pasos en el manejo de las interfaces de usuario.
2. ¿Qué deberíamos saber antes de empezar a aplicar minería de datos?
Breve repaso de estadística descriptiva y probabilidad: parámetros estadísticos, probabilidad y probabilidad condicionada, teorema de Bayes, distribuciones de probabilidad y tests estadísticos. Métricas de distancia para medir la similitud entre los datos: definición de distancia y descripción de las métricas más utilizadas por los algoritmos de minería de datos.
3. ¿Cómo entender mejor los datos?: Visualización previa de los datos.
Importancia y utilidad de la visualización previa de los datos.Herramientas utilizadas antes de aplicar minería de datos.Exploración de los datos en WEKA mediante histogramas y diagramas de dispersión.
4. ¿Qué hacer con los datos antes de aplicar las técnicas de minería?: Preparación de los datos.
Recopilación. Limpieza.Transformación. Selección.Reducción de la dimensionalidad.Preparación de los datos en WEKA: operaciones de preprocesamiento sobre las características (atributos) y los datos (instancias).
5. ¿Cómo actuar cuando no tenemos un conocimiento a priori en el momento de aplicar minería de datos?: Métodos no supervisados
Introducción, descripción de los algoritmos y métricas de evaluación de la bondad de los modelos obtenidos en las tareas de extracción de reglas de asociación y agrupamiento o clustering (jerárquicos o de partición).Técnicas para la optimización de los parámetros de los modelos obtenidos aplicando métodos de agrupamiento. Métodos de preagrupamiento.Aplicación de los métodos no supervisados en WEKA y análisis de los indicadores de bondad obtenidos.
6. ¿Cómo actuar cuando conocemos la clase a la pertenecen los datos?: Métodos supervisados para la construcción de modelos predictivos.
Técnicas para validación de los modelos. Introducción, descripción de los algoritmos, métricas de evaluación de la bondad de los modelos obtenidos y técnicas para la optimización de los parámetros de los modelos obtenidos aplicando regresión (lineal o logística), métodos bayesianos, k vecinos más cercanos, máquinas de soporte vectorial y árboles de decisión. Aplicación de los métodos supervisados en WEKA y análisis de los indicadores de bondad obtenidos.
7. Las redes neuronales: ¿Cómo podemos aplicarlas tanto para un aprendizaje supervisado como no supervisado?
Introducción a las redes neuronales artificiales, descripción de la arquitectura y los algoritmos de entrenamiento de redes supervisadas y no supervisadas, métricas de evaluación de la bondad de los modelos obtenidos y técnicas para la optimización de los parámetros de los modelos.Creación de modelos, propuesta de estrategias para obtener modelos óptimos y análisis de los indicadores de bondad con WEKA.
8. Un enfoque diferente para mejorar los resultados de predicción: combinación de modelos.
Descripción de las ventajas e inconvenientes relacionados con las técnicas de combinación de modelos.Combinación paralela de modelos base similares.Combinación secuencial de modelos base diferentes.Aplicación de técnicas de combinación de modelos en WEKA y análisis de los indicadores de bondad obtenidos.
El curso se imparte online a través de nuestro campus virtual en un entorno cómodo y flexible al eliminar los desplazamientos y los horarios rígidos de la formación presencial. Toda la documentación (apuntes, material didáctico, material de apoyo, presentaciones,...) se facilita a través de dicha plataforma web en formato electrónico.
El alumno dispone de herramientas de autoevaluación, ejercicios propuestos por el profesor y corrección de los mismos de forma personalizada y de tutorías a través de medios online en contacto directo con el profesor del curso, asegurando así una formación eficaz con un alto grado de aprovechamiento para el alumno.
Al finalizar el curso el alumno recibe Certificado expedido por la Fundación Ingeniero Jorge Juan, acreditando la realización de esta acción formativa, en el que se detalla el título, horas de curso, fecha de realización y programa detallado.
- Todos los precios incluyen el 21% de IVA
- La matriculación en nuestros cursos se produce mediante el íntegro pago del importe de la correspondiente matrícula. El pago de la matrícula es único y se devenga en su integridad en el mismo momento de la matriculación, sin perjuicio de los calendarios de pagos o de los fraccionamientos que, excepcionalmente, pudieren acordase en casos puntuales.
- En caso de no alcanzar el número de alumnos necesario, la Fundación Ingeniero Jorge Juan, se reserva el derecho de suspender o aplazar su impartición, previo reintegro de las cantidades abonadas.
- Todos nuestros cursos están reconocidos por la AINE (Asociación de Ingenieros Navales y Oceánicos de España), miembro de la Confederation of European Maritime Technology Societies.
@2019 Fundación Ingeniero Jorge Juan. All rights reserved.