Anàlisi i Mineria de Dades Intel·ligent

• Professorat
• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Capacitats prèvies

Professorat

Responsable

• Alfredo Vellido Alcacena ( )

Altres

• Caroline König ( )
• Luis Antonio Belanche Muñoz ( )
• Mario Martín Muñoz ( )

Hores setmanals

Competències

Competències Tècniques Generals

Genèriques

• CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.

Competències Tècniques de cada especialitat

Acadèmiques

• CEA4 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Intel·ligència Computacional, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.
• CEA7 - Capacitat de comprendre la problemàtica, i les solucions als problemes en la pràctica professional de l'aplicació de la Intel·ligència Artificial en l'entorn empresarial i industrial.
• CEA11 - Capacitat de comprendre les tècniques avançades d'Intel·ligència Computacional, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

• CEP1 - Capacitat de resoldre les necessitats d'anàlisi de la informació de les diferents organitzacions, tot identificant les fonts d'incertesa i variabilitat.
• CEP5 - Capacitat de dissenyar noves eines informàtiques i noves tècniques d'Intel·ligència Artificial en l'exercici professional.

Competències Transversals

ús solvent dels recursos d'informació

• CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Raonament

• CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

Analisis i sintesis

• CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

Objectius

1. Presenting DM as a process that should involve a methodology id applied at its best.
   Competències relacionades: CEA7, CEP5, CT4, CT6,
2. Introducing the students to the new concept of DM for processes, called Process Mining.
   Competències relacionades: CEA7, CG3, CEP1, CEP5, CT4, CT6,
3. Delving into some detail in one of the stages of DM: data exploration.
   Competències relacionades: CEA4, CG3, CEP1, CT4,
4. Dealing in detail with the problem of data visualization for exploration as a key issue in DM.
   Competències relacionades: CEA11, CG3, CEP1, CEP5, CT4, CT6,
5. Introducing the students to the basics of probability theory as applied in Intelligent Data Analysis (IDA)
   Competències relacionades: CEP1, CT4, CT6, CT7,
6. Introducing the students to the probabilistic variant of IDA in the form of Statistical Machine Learning, both for supervised and unsupervised learning models.
   Competències relacionades: CEA11, CG3, CT4, CT6, CT7,
7. Dealing in detail with different unsupervised models for data visualization, including case studies.
   Competències relacionades: CEA11, CG3, CEP1, CEP5, CT4, CT6, CT7,
8. Approaching the multi-faceted concept of data mining (DM) from different perspectives.
   Competències relacionades: CEA7, CG3, CEP5, CT4, CT6, CT7,

Continguts

1. Introduction to the concept of data mining (DM).
   DM is a multi-faceted concept that requires discussion and clarification. We will do this at the beginning of the course.
2. DM as a methodology.
   We argue that DM should not be focused on the concept of data analysis/modeling, but, instead, should be treated as a methodology with diverse inter-related stages.
3. DM for processes: Process Mining.
   A new development in DM methodologies is that which deals with one specifically suited for processes. It is called Process Mining and will be described and discussed in this course.
4. Data exploration in DM.
   One of the main stages of well-structures DM methodologies is Data exploration. It will be discussed as a preamble to data visualization.
5. Basics of probability theory in Intelligent Data Analysis (IDA)
   For a long time in the last half-century, multivariate statistics and artificial intelligence (mostly in the field of machine learning) have developed in parallel without fully meeting. Statistical machine learning has bridged that field over the last two decades. We introduce it by first providing some basic principles of probability theory (Bayesian inference).
6. Data visualization for exploration.
   One of the aspects of the problem of data exploration is data visualization. It has a research 'life' of its own as it involves not only computer-based mathematical models, but also natural perception and processing.
7. Statistical Machine Learning for IDA: supervised models.
   Once the basics of Bayesian inference are set, we will delve into the field of Statistical Machine Learning for IDA, starting with supervised learning models, with an emphasis on feed-forward artificial neural networks.
8. Statistical Machine Learning for IDA: unsupervised models.
   Once the basics of Bayesian inference and of Statistical Machine Learning for IDA in supervised models are set, we will continue with unsupervised models, focusing on self-organizing maps and related models.
9. Unsupervised models for data visualization, with case studies.
   In the final item of the contents of the course, we will bring statistical machine learning and data visualization together by discussing some probabilistic unsupervised learning models for data visualization, including some case studies as an example.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Information theory, inference, and learning algorithms - MacKay, D.J.C, Cambridge University Press, 2003. ISBN: 0521642981
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002876809706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Principles of data mining - Hand, D.; Mannila, H.; Smyth, P, MIT Press, 2001. ISBN: 026208290X
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002287109706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Pattern recognition and machine learning - Bishop, C.M, Springer, 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Complementaria:

• Statistics: a very short introduction - Hand, D.J, Oxford University Press , 2008. ISBN: 9780199233564
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003868839706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Information visualization: an introduction - Spence, R, Springer , 2020. ISBN: 9783319073408
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004193539706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Visualize this: the flowing data guide to design, visualization, and statistics - Yau, N, Wiley , 2011. ISBN: 9780470944882
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003948649706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacitats prèvies