Cursos de Grado

Ministerio de Educación, Ciencia y Tecnología
Universidad Nacional de San Luis
FACULTAD DE CS. FISICO MAT. Y NAT.

ANEXO II

PROGRAMA DEL CURSO: OPTATIVA
DEPARTAMENTO DE: INFORMATICA
AREA: Area V: Automatas y Lenguajes (FAC.MATEM	AÑO: 2003 (Id: 2538)
Estado: En tramite de Aprobación

**I - OFERTA ACADÉMICA**
CARRERAS PARA LAS QUE SE OFRECE EL MISMO CURSO	PLAN DE ESTUDIOS ORD. Nº	CRÉDITO HORARIO
		SEM.	TOTAL
LIC. EN CIENCIAS DE LA COMPUTACION	01/03	10	150

**II - EQUIPO DOCENTE**
Funciones	Apellido y Nombre	Total hs en este curso	Cargo y Dedic.	Carácter
Responsable	LEGUIZAMON, MARIO GUILLERMO	5 hs.	PROFESOR ADJUNTO EXC.	Efectivo
Co-Responsable	ERRECALDE, MARCELO LUIS	5 hs.	PROFESOR ADJUNTO EXC.	Interino
Auxiliar de 1º	MUCHUT, ALFREDO RUBEN	2 hs.	AYUDANTE DE 1RA. SEMI.	Interino

**III - CARACTERÍSTICAS DEL CURSO**
CREDITO HORARIO SEMANAL				MODALIDAD	REGIMEN
Teórico/ Práctico	Teóricas	Prácticas de Aula	Práct. de lab/ camp/ Resid/ PIP, etc.		2c
Hs.	2 Hs.	2 Hs.	6 Hs.	Asignatura	Otro:
					Duración: 14 semanas
					Período del 11/08/03 al 14/11/03

**IV.- FUNDAMENTACION**
A partir de la popularización de Internet y el crecimiento del número de bases de datos accesibles, se ha producido en los últimos años un gran crecimiento en los volúmenes y disponibilidad de datos alrededor del mundo. Se ha estimado que la cantidad de datos almacenados en las bases de datos del mundo se duplica cada veinte meses. Este crecimiento cuantitativo de los datos no se ha reflejado en un crecimiento cualitativo de la información disponible. Existe un \\\"gap\\\" creciente entre la generación de los datos y nuestro entendimiento de los mismos. Una alternativa para solucionar este problema que ha recibido un interés creciente es el área de Minería de datos. La Minería de datos (en ingles Data Mininig y de ahora en más MD) es el proceso de descubrir patrones en los datos. Este proceso debe ser automático (o más usualmente) semi-automático. Los patrones descubiertos deben ser significativos en el sentido que deben conducir a alguna ventaja (generalmente económica). Los datos generalmente consitirán en grandes volúmenes de datos \\\"crudos\\\" (no estructurados).

**V.- OBJETIVOS**
Introducir al alumno en los principales conceptos vinculados a la Minería de datos. Al finalizar el curso los alumnos deberán ser capaces de identificar las principales etapas y procesos de la Minería de datos, los mecanismos estadísticos y de aprendizaje automático frecuentemente utilizados en este área. Se espera además que los mismos sean capaces de detectar y aplicar las técnicas de Minería de datos en aplicaciones concretas del mundo real.

**VI. - CONTENIDOS**
- Introducción a Minería de Datos (MD). Conceptos involucrados. Diferentes enfoques de MD: Extracción de conocimiento y predicción. Vínculo entre MD, Aprendizaje de Máquina y Métodos Estadísticos. Aplicaciones del mundo real. Futuros desarrollos a partir de los avances en las tecnologías de software y hardware. - Modelos y algoritmos para MD: Redes Neuronales, ID3, k-vecinos más cercanos, Regresión, Boosting, Algoritmos Genéticos, etc. Sus principales características y aplicabilidad. Tendencias de los modelos y algoritmos para MD. - El proceso de MD. Etapas del proceso de MD. Estandares actuales usados en el proceso de MD: 5A\\\'s, SEMMA, CRISP-DM, entre otros. - Aspectos prácticos involucrados en el desarrollo de MD para un problema particular. Herramientas de desarollo de aplicaciones para MD. Uso del software Weka. Desarrollo de un proyecto de programación.

**VII. - PLAN DE TRABAJOS PRÁCTICOS**
Desarrollo de un proyecto de programación a ser entregado a final de cuatrimestre.

**VIII - RÉGIMEN DE APROBACIÓN**
- Promocional: La materia se aprueba con la entrega del proyecto de programación propuesto más un informe adicional vinculado a los principales conceptos de MD.

**IX.a - BIBLIOGRAFÍA BÁSICA**
\\\"Data Mining\\\". Witten y Frank. Morgan Kaufmann. 2000. \\\"Machine Learning\\\". Tom Mitchell. McGraw-Hill Series in Computer Science, 1997. \\\"Readings in Machine Learning\\\". Shavlik, J. y Dietterich, Thomas. Morgan Kaufmann, 1990. \\\"The Elements of Statistical Learning\\\". T. Hastie, R. Tibshirani, J. H. Friedman. Springer, 2002. \\\"Principles of Data Mining (Adaptive Computation and Machine Learning)\\\". David J. Hand, Heikki Mannila, Padhraic Smyth. MIT Press, 2001.

**IX b - BIBLIOGRAFÍA COMPLEMENTARIA**
Warning: fread() [function.fread]: Length parameter must be greater than 0. in /extra/alumnos/carreras/impresion.php3 on line 568

COMPLEMENTO DE DIVULGACION

**OBJETIVOS DEL CURSO**
Introducir al alumno en los principales conceptos vinculados a la Minería de datos. Al finalizar el curso los alumnos deberán ser capaces de identificar las principales etapas y procesos de la Minería de datos, los mecanismos estadísticos y de aprendizaje automático frecuentemente utilizados en este área. Se espera además que los mismos sean capaces de detectar y aplicar las técnicas de Minería de datos en aplicaciones concretas del mundo real

**PROGRAMA SINTETICO**
- Introducción a Minería de Datos (MD). Conceptos involcrados. Diferentes enfoques de MD: Extracción de conocimiento y predicción. Vínculo entre MD, Aprendizaje de Máquina y Métodos Estadísticos. Aplicaciones del mundo real. Futuros desarrollos a partir de los avances en las tecnologías de software y hardware. - Modelos y algoritmos para MD: Redes Neuronales, ID3, k-vecinos más cercanos, Regresión, Boosting, Algoritmos Genéticos, etc. Sus principales características y aplicabilidad. Tendencias de los modelos y algoritmos para MD. - El proceso de MD. Etapas del proceso de MD. Estandares actuales usados en el proceso de MD: 5A\\\'s, SEMMA, CRISP-DM, entre otros. - Aspectos prácticos involucrados en el desarrollo de MD para un problema particular. Herramientas de desarollo de aplicaciones para MD. Uso del software Weka. Desarrollo de un proyecto de programación.

**IMPREVISTOS**