Guía docente de Series Temporales y Minería de Flujos de Datos (M51/56/3/21)

Series temporales

• Conceptos básicos
• Análisis exploratorio de datos
• Descomposición
• Modelos ARIMA
• Evaluación y diagnóstico de modelos de predicción
• Técnicas avanzadas de predicción
• Clasificación y clustering de series temporales

Minería de flujos de datos (data stream mining)

• Definición y conceptos básicos, Ejemplos de aplicación
• Métodos básicos (mantenimiento de estadísticas, sinopsis, ventana deslizante, ...)
• Clasificación en flujos de datos. Métodos de evaluación y experimentación
• Agrupamiento a partir de flujos de datos. Métodos de evaluación y experimentacion
• Patrones frecuentes en flujos de datos. Métodos de evaluación y experimentación
• Nuevas tendencias y líneas futuras
• Software y repositorios de datos

• Conocimientos de los lenguajes de programación R y Python.
• Conocimientos de conceptos y técnicas de Aprendizaje Automático.

• Aprender el concepto de predicción y de serie temporal
• Aprender a realizar la descomposición de una serie temporal
• Aprender el procedimiento estadístico básico para el análisis de una serie temporal Aprender a construir modelos ARIMA
• Aprender a evaluar modelos de predicción
• Aprender a analizar y modelar series temporales con R y Python
• Aprender el concepto de flujo de datos
• Aprender las similitudes y diferencias entre series temporales y flujo de datos
• Conocer aplicaciones y problemas reales de flujos de datos
• Aprender los métodos básicos de flujos de datos
• Aprender los principales modelos de clasificación a partir de flujos de datos
• Aprender los principales modelos de agrupamiento en flujos de datos
• Aprender los principales modelos de obtención de patrones frecuentes en flujos de datos Aprender métodos de evaluación y experimentación en flujos de datos
• Aprender a usar software para flujos de datos

Series temporales

• Conceptos básicos
• Análisis exploratorio de datos
• Descomposición
• Modelos basados en regresión
• Modelos ARIMA
• Evaluación y diagnóstico de modelos de predicción
• Técnicas avanzadas de predicción
• Minería de series temporales

Minería de flujos de datos (data stream mining)

• Definición y conceptos básicos, Ejemplos de aplicación
• Métodos básicos (mantenimiento de estadísticas, sinopsis, ventana deslizante, ...)
• Clasificación en flujos de datos. Métodos de evaluación y experimentación
• Agrupamiento a partir de flujos de datos. Métodos de evaluación y experimentacion
• Patrones frecuentes en flujos de datos. Métodos de evaluación y experimentación
• Nuevas tendencias y líneas futuras
• Software y repositorios de datos

Series temporales:

• Análisis de series temporales
• Predicción de series temporales
• Diagnóstico de modelos de predicción

Minería de flujos de datos:

• Construcción de clasificadores de flujos de datos
• Aplicación de procedimientos de agrupamiento a flujos de datos
• Aplicación de métodos de identificación de patrones frecuentes en flujos de datos

• R. Hyndman, G. Athanasopoulus, «Forecasting: principles and practice» 2021, 3rd Edition, www.otexts.org/fpp3
• R.H. Shumway, D.S. Stoffer, «Time Series Analysis and Its Applications», Springer, 2nd Ed., 2006
• João Gama, Knowledge Discovery from Data Streams, Chapman and Hall/CRC, 2010
• Albert Bifet, Ricard Gavaldà, Geoff Holmes, Bernhard Pfahringer, Machine Learning for Data Streams, The MIT Press, 2018

• Albert Bifet, Geoff Holmes, Richard Kirkby, Bernhard Pfahringer, Data Stream Mining – A Practical Approach, Centre for Open Software Innovation, 2011
• C. Chatfield, "The analysis of time series: An Introduction", CRC Press, 2003.
• J.D. Cryer, K.-S. Chan, "Time Series Analysis: With Applications in R", Springer, 2010
• J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, A survey on concept drift adaptation, ACM Computing Surveys 46:4 (2014) 44. DOI: 10.1145/2523813
• B. Krawczyk, L.L. Minku, J. Gama, J. Stefanowski, M. Wozniak, Ensemble learning for data stream analysis: A survey, Information Fusion 37 (2017) 132-156. DOI: 10.1016/j.inffus.2017.02.004
• T. Mitsa, "Temporal Data Mining", CRC Press, 2010.
• D. Peña, "Análisis de series temporales", Alianza Editorial, 2010.
• Moamar Sayed-Mouchaweh, Edwin Lughofer (Eds.), Learning in Non-Stationary Environments: Methods and Applications, Springer, 2012
• J.A. Silva, E.R. Faria, R.C. Barros, E.R. Hruschka,A. De Carvalho, J. Gama, Data stream clustering: a survey, ACM Computing Surveys 46:1 (2013) 13. DOI: 10.1145/2522968.2522981

• www.otexts.org/fpp3
• www.r-project.org
• https://cran.r-project.org/view=TimeSeries
• r-bloggers.com
• https://www.kaggle.com/code/prashant111/complete-guide-on-time-series-analysis-in-python
• https://towardsdatascience.com/the-complete-guide-to-time-series-analysis-and-forecasting-70d476bfe775
• https://forecastingdata.org https://github.com/rakshitha123/TSForecasting
• https://medium.com/analytics-vidhya/a-complete-introduction-to-time-series-analysis-with-r-9882f2d44c9d
• https://towardsdatascience.com/introduction-to-time-series-analysis-with-r-a2f97650baa3
• http://moa.cms.waikato.ac.nz/
• http://huawei-noah.github.io/streamDM/
• http://jubat.us/en/
• https://github.com/VowpalWabbit/vowpal_wabbit

• MD01 Lección magistral/expositiva 
• MD02 Resolución de problemas y estudio de casos prácticos 
• MD03 Prácticas de laboratorio 
• MD04 Seminarios 
• MD05 Análisis de fuentes y documentos 
• MD06 Realización de trabajos en grupo 
• MD07 Realización de trabajos individuales 

Para su evaluación, los alumnos pueden optar por evaluación continua o evaluación única final.

La asignatura se compone de dos partes bien diferenciadas que la integran al 50% (series temporales y minería de flujos de datos). A cada una de las partes se dedica la mitad del tiempo y también aportan la mitad de la calificación de la asignatura.

En el caso de evaluación continua, los alumnos realizarán las siguientes actividades:

• Parte "Series Temporales": 
  • Teoría: Examen escrito o cuestionario con múltiples preguntas y diversas posibles respuestas (25% de la calificación final).
  • Práctica: Resolver distintos problemas propuestos aplicando las técnicas aprendidas y redactar un informe explicando cómo han resuelto los problemas planteados (memoria de prácticas, 25% de la calificación final).
• Parte "Minería de flujos de datos": Los alumnos entregarán un documento que incluirá una justificación teórica del método o métodos aplicados, decisiones tomadas, y aplicación práctica del mismo a los casos concretos suministrados.
  • Teoría: Memoría escrita respondiendo a diferentes preguntas sobre la parte teórica (25% de la calificación final).
  • Prácticas: Memoria de prácticas para resolución de ejercicios propuestos (25% de la calificación final)

La ponderación de estos elementos en la calificación final se indica en la siguiente tabla:

No será imprescindible la asistencia a clase, aunque los alumnos que no lo hagan lo tendrán más difícil para preparar los documentos que se piden. La resolución de los problemas es eminentemente práctica.

La evaluación en la convocatoria extraordinaria se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente. La parte práctica podrá ser sustituida por las calificaciones obtenidas en las memorias de prácticas (50% de la calificación), renunciando a la evaluación práctica en el examen.

Alternativamente a la evaluación continua, el alumno puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada (http://secretariageneral.ugr.es/pages/normativa/ugr/ncg7121). Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación única final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta guía docente.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Python

R