Ingeniería del conocimiento
GUÍA DOCENTE Curso 2017-18
Titulación: | Grado en Ingeniería Informática | 801G |
Asignatura: | Ingeniería del conocimiento | 455 |
Materia: | Computación |
Módulo: | Optativas |
Modalidad de enseñanza de la titulación: | Presencial | Carácter: | Optativa |
Curso: | 4 | Créditos ECTS: | 6,00 | Duración: | Semestral |
Horas presenciales: | 60,00 | Horas estimadas de trabajo autónomo: | 90,00 |
Idiomas en que se imparte la asignatura: | Español |
Idiomas del material de lectura o audiovisual: | Inglés, Español |
Departamentos responsables de la docencia
INGENIERÍA MECÁNICA | R110 |
Dirección: | C/ San José de Calasanz, 31 | Código postal: | 26004 |
Localidad: | Logroño | Provincia: | La Rioja |
Teléfono: | 941299526 | Fax: | 941299794 | Correo electrónico: | dpto.dim@unirioja.es |
Profesorado previsto
Profesor: | Martínez De Pisón Ascacibar, Fco.Javier | Responsable de la asignatura |
Teléfono: | 941299232 | Correo electrónico: | fjmartin@unirioja.es |
Despacho: | 113 | Edificio: | EDIFICIO DEPARTAMENTAL | Tutorías: | Consultar |
Descripción de los contenidos
- Introducción a la Ingeniería del Conocimiento. Conceptos Básicos.
- Aspectos semánticos en redes: web semántica. Ontologías. Tecnologías.
- Diseño de Sistemas de Gestión del Conocimiento.
- El proceso de Extracción de Conocimiento en Bases de Datos (Proceso KDD):
- Técnicas más importantes en Minería de Datos.
- Procesamiento de fuentes heterogéneas de datos, estructurados y semi-estructurados.
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Recomendados para poder superar la asignatura.
Conocimientos generales de Estadística, Bases de Datos y Métodos algorítmicos en Matemáticas.
Asignaturas que proporcionan los conocimientos y competencias:
- Bases de datos
- Estadística
- Métodos algorítmicos en matemáticas
Contexto
Se trata de una asignatura que es obligatoria para aquellos alumnos que quieran obtener la mención en "Gestión del Conocimiento" y optativa para los que deseen obtener cualquiera de las otras dos menciones ofertadas en el grado: "Ingeniera del Software" y "Sistemas de Información y Sistemas informáticos".
En esta asignatura se ofrece formación básica en aspectos generales sobre la gestión y extracción del conocimiento. Así mismo, en la asignatura se adquirirán competencias sobre metodologías, tecnologías y herrramientas útiles para la extracción y manejo del conocimiento, además de su aplicación directa en procesos industriales y/o empresariales.
Competencias
Competencias generales
CG1-Estar capacitado para analizar, razonar y evaluar de modo crítico, lógico y, en caso necesario, formal, sobre problemas que se planteen en su entorno.
CG2-Estar capacitado para, utilizando el nivel adecuado de abstracción, establecer y evaluar modelos que representen situaciones reales.
CG3-Estar capacitado para encontrar, relacionar, estructurar e interpretar datos, información y conocimiento provenientes de diversas fuentes.
CG7-Haber desarrollado aquellas habilidades de aprendizaje necesarias para continuar su formación.
CG11-Capacidad para definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas.
CG12-Capacidad para concebir, desarrollar y mantener sistemas, servicios y aplicaciones informáticas empleando los métodos de la ingeniería del software como instrumento para el aseguramiento de su calidad.
CG15-Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones.
Competencias específicas
CE28-Capacidad de identificar y analizar problemas y diseñar, desarrollar, implementar, verificar y documentar soluciones software sobre la base de un conocimiento adecuado de las teorías, modelos y técnicas actuales.
Resultados del aprendizaje
- Conocer los Conceptos Básicos en la Ingeniería del Conocimiento
- Ser capaz de diseñar e implementar sistemas software para el procesamiento inteligente de la información, extracción de conocimiento, procesado de la información, etc.
- Conocer las tecnologías involucradas en los sistemas Web avanzados: Web semántica, Web 2.0, herramientas lingüísticas (ontologías, tesauros,...)
- Saber aplicar las fases del proceso de Extracción de Conocimiento en Bases de Datos (KDD)
- Conocer y saber utilizar las técnicas más importantes de Minería de Datos
- Saber explotar sistemas estructurados y semi-estructurados de datos para ayudar a la toma de decisiones en empresas e instituciones
Temario
TEMA 1: INTRODUCCIÓN A LA INGENIERÍA DEL CONOCIMIENTO
Lección 1. Introducción a la Ingeniería del Conocimiento. Conceptos básicos.
TEMA 2: EL PROCESO DE EXTRACCIÓN DEL CONOCIMIENTO EN BASES DE DATOS (KDD)
Lección 2. Introducción al proceso KDD: metodologías y herramientas.
Lección 3. Fases del proceso KDD.
TEMA 3: TÉCNICAS BÁSICAS DE MINERÍA DE DATOS: MODELOS PREDICTIVOS
Lección 4. Regresión lineal, no lineal y logística.
Lección 5. Redes neuronales y máquinas vectores soporte.
Lección 6. Árboles y reglas de decisión.
Lección 7. Métodos bayesianos.
Lección 8. Métodos basados en instancias.
TEMA 4: TÉCNICAS BÁSICAS DE MINERÍA DE DATOS: MODELOS DESCRIPTIVOS
Lección 9. Reglas de asociación y técnicas cluster
TEMA 5: DISEÑO DE SISTEMAS DE GESTIÓN DEL CONOCIMIENTO
Lección 10. Web semántica y ontologías.
Lección 11. Técnologías y casos prácticos.
TEMA 6: CONCEPTOS Y MÉTODOS AVANZADOS
Lección 12. Combinación de modelos. Metamodelos y métodos Avanzados.
Lección 13. Técnica avanzadas de evaluación y selección de modelos.
Lección 14. Búsqueda de modelos óptimos con técnicas bioinspiradas.
PROGRAMA DE PRÁCTICAS
Práctica 1. Desarrollo y evaluación de modelos de regresión lineal. Aplicación a sistemas de predicción de recursos energéticos.
Práctica 2. Desarrollo de modelos de decisión basados en modelos de regresión avanzados. Aplicación a casos industriales y medioambientales.
Práctica 3. Clasificadores básicos. Desarrollo y evaluación. Estudio de casos de uso en procesos empresariales.
Práctica 4. Clasificadores avanzados. Evaluación avanzada de modelos. Estudio de casos de uso en procesos empresariales.
Práctica 5. Modelos descriptivos basados en técnicas cluster y de reglas de asociación.
Práctica 6. Diseño de Interfaces de apoyo a la toma de decisiones basados en modelos descriptivos y predictivos.
Práctica 7. Desarrollo de Interfaces de gestión del conocimiento.
Bibliografía
Tipo: | Título |
Básica | Ingeniería del conocimiento : aspectos metodológicos. Amparo Alonso et al. Pearson Educacion, Prentice Hall. Madrid, 2004. Absys Biba |
Básica | Introducción a la minería de datos. José Hernández Orallo, Mª José Ramírez Quintana, Cèsar Ferri Ramírez. Editorial Pearson, 2004. Absys Biba |
Básica | Data mining : practical machine learning tools and techniques / Ian H. Witten, Eibe Frank and Mark A. Hall-- 3rd ed-- Amsterdan : Elsevier, 201 Absys Biba |
Complementaria | Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An introduction to statistical learning (with applications in R), Springer, 2013. |
Complementaria | Kuhn, Max.Applied predictive modeling / Max Kuhn, Kjell Johnson.Editorial:New York, Springer, 2013. Absys Biba |
Complementaria | Data preparation for data mining / Dorian Pyle-- San Francisco, California : Morgan Kaufman Publishers, cop. 1999 Absys Biba |
Complementaria | Data mining : concepts, models, methods, and algorithms / Mehmed Kantardzic-- 2nd ed-- Hoboken (New Jersey) : Wiley : IEEE Press, [2011] Absys Biba |
Recursos en Internet |
Página Web de la Asignatura: Apuntes, Transparencias, Foros y Casos Prácticos. |
Información útil sobre Gestión del Conocimiento |
Portal Sobre Minería de Datos |
Ejemplos Prácticos de Minería de Datos |
Metodología
Modalidades organizativas
Clases teóricas
Clases prácticas
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Organización
Actividades presenciales | Tamaño de grupo | Horas |
Clases prácticas de laboratorio o aula informática | Informática | 28,00 |
Clases teóricas | Grande | 32,00 |
Total de horas presenciales | 60,00 |
Trabajo autónomo del estudiante | Horas |
Estudio autónomo individual o en grupo | 20,00 |
Preparación de las prácticas y elaboración de cuaderno de prácticas | 50,00 |
Preparación en grupo de trabajos, presentaciones (orales, debates, ...), actividades en biblioteca o similar | 20,00 |
Total de horas de trabajo autónomo | 90,00 |
Evaluación
Sistemas de evaluación | Recuperable | No Recup. |
Trabajos y proyectos | | 30% |
Pruebas escritas | 30% | |
Informes y memorias de prácticas | 40% | |
Total | 100% |
Comentarios
Las pruebas de evaluación contínua (30%) se corresponden con la parte no recuperable de la asignatura.
Para los estudiantes a tiempo parcial (reconocidos como tales por la
Universidad), las actividades de evaluación no recuperable podrán ser sustituidas por otras, a especificar en cada caso. Esta posibilidad se habilitará siempre y cuando la causa que le impida la realización de la actividad de evaluación programada sea la que ha llevado al reconocimiento de la dedicación a tiempo parcial.
El material didáctico (transparencias, ejercicios propuestos, etc.) se encontrará disponible en la página Web de la Asignatura para todos los alumnos matriculados en esta asignatura.
Criterios críticos para superar la asignatura
-
Superar todas las pruebas escritas con una nota mínima de 5.0 sobre 10.
-
Superar todos las prácticas propuestas con una nota mínima de 5.0 sobre 10.
-
Superar los trabajos propuestos en los seminarios y supuestos prácticos desarrollados en el aula.
-
Asistencia mayor del 90% en las actividades presenciales. Nota: Se incluye en este porcentaje la "no asistencia" que haya sido debidamente justificada (enfermedad, asuntos familiares, etc.).
31/01/18 12:08:20 - G 2017-18 - 801G - 455