Guía docente de Minería de Datos: Aprendizaje No Supervisado y Detección de Anomalías (M51/56/3/7)

1. Clustering:
   1. Métodos basados en centróides.
   2. Métodos jerárquicos.
   3. Métodos de evaluación: Interna y externa.
2. Reglas de Asociación: 
   1. Métodos de generación.
   2. Conjuntos maximales y cerrados.
   3. Tratamiento de valores numéricos. Reglas Multinivel.
   4. Evaluación: Medidas de interés.
3. Anomalías:
   1. Métodos Supervisados.
   2. Métodos Semi-supervisados.
   3. Métodos No supervisados.

El alumno aprenderá los algoritmos más importantes para realizar agrupamientos no supervisados de conjuntos de datos utilizando los métodos basados en centroides y los basados en agrupaciones sucesivas (o jerárquicos). Aprenderá a evaluar la calidad de los agrupamientos obtenidos y aplicará los conocimientos obtenidos a casos prácticos en las aulas de laboratorio.

El alumno aprenderá los algoritmos principales para obtener patrones frecuentes y reglas de asociación, conocerá los problemas inherentes asociados al tipo de conocimiento extraído y los resolverá aplicando las distintas medidas de interés, así como utilizando patrones maximales y cerrados para condensar la información obtenida. Aprenderá a poner en práctico estos conocimientos en las aulas de laboratorio.

1. - Clustering:
   1. Métodos basados en centróides.
   2. Métodos jerárquicos.
   3. Métodos de evaluación: Interna y externa.
2. - Reglas de Asociación:
   1. Métodos de generación.
   2. Conjuntos maximales y cerrados.
   3. Tratamiento de valores numéricos. Reglas Multinivel.
   4. Evaluación: Medidas de interés.
3. - Anomalías:
   1. Métodos Supervisados.
   2. Métodos Semi-Supervisados.
   3. Métodos No Supervisados.

• Práctica 1: Clustering.
• Práctica 2: Reglas de Asociación.
• Práctica 3: Anomalías.

• I. H. Witten, E. Frank Data Mining Practical Machine Learning Tools and Techniques (2 Edition). Elsevier (2005)
• P.-N. Tan, M. Steinbach, V. Kumar. Introduction to Data Mining. Addison Wesley (2006)
• M.R. Berthold, Ch. Borgelt, F. Höppner, F. Klawonn. Guide to Intelligent Data Analysis. Springer Verlag (2010)
• I. H. Witten, E. Frank, M. A. Hall, C. J. Pal. Data mining: practical machine learning tools and techniques (4ª Edition). Morgan Kaufmann (2016)
• E. Alpaydin. Introduction to Machine Learning (4ª Edición). The MIT Press (2020)

• F. Provost, T. Fawcett. Data Science for Business. O’Reilly Media (2013)
• S. Shalev-Shwartz, S. Ben-David. Understanding machine learning: from theory to algorithms. Cambridge University Press (2014)
• G. Grolemund, H. Wickham. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media (2016)

• Sitio web del Máster Universitario Oficial en Ciencia de Datos e Ingeniería de Computadores: http://masteres.ugr.es/datcom/
• Departamento de Ciencias de la Computación e I.A.: https://decsai.ugr.es/
• R: http://www.r-project.org/
• RStudio: https://posit.co/download/rstudio-desktop/
• Python: https://www.anaconda.com/download
• KDNuggets: http://www.kdnuggets.com

• 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 

Todo lo relativo a la evaluación se regirá por la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada. El sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional.

La metodología de evaluación se compone de los siguientes elementos:

• SE1. Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas. Ponderación 60%
• SE2. Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación. Ponderación 40%

Más en concreto:

• Examen escrito global de la asignatura. Se propone este examen debido a que se trata de una asignatura de nivelación y debe garantizarse que el alumno adquiere todos los conceptos básicos que serán necesarios en otras materias.
• Un trabajo práctico a desarrollar por el alumno de aquella parte de la asignatura (clustering, anomalías, asociación) que el alumno elija. Dicho trabajo consistirá en desarrollar el guión de prácticas de la parte correspondiente con un dataset distinto al utilizado en clase, a elegir por el alumno. El  trabajo debe incluir un análisis descriptivo de los resultados obtenidos y el profesor podrá solicitar la defensa del trabajo presentado.
• Las dos partes anteriores se ponderarán de la forma siguiente: 0,6 examen escrito + 0,4 trabajo práctico. Será necesario obtener una puntuación mayor o igual a 3,5 sobre 10 en cada una de las dos partes para hacer la media. En caso de que no se llegue al mínimo en alguna de las partes, se le asignara al estudiante como calificación final el mínimo entre 4,9 y la nota obtenida en la asignatura.

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de un examen de teoría y la entrega de un trabajo de prácticas.

La evaluación sigue el mismo esquema que el examen de la convocatoria ordinaria, salvo que, si el estudiante ya se hubiese presentado al examen escrito o entregado la práctica, se le mantiene la nota de la parte que el alumno decida (siempre que no se presente a esa parte en esta convocatoria extraordinaria).

El artículo 8 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que podrán acogerse a la evaluación única final, el estudiante que no pueda cumplir con el método de evaluación continua por causas justificadas. Para acogerse a la evaluación única final, el estudiante deberá solicitarlo al Coordinador del Máster dentro del plazo establecido.

En la evaluación única final, el 60% de la nota será un examen de teoría y el otro 40% de la nota se contabiliza mediante un examen práctico en las aulas de ordenadores, en el que el alumno deberá resolver varias cuestiones relacionadas con los guiones de prácticas de las tres partes de la asignatura. La ponderación será: 0,6 examen escrito + 0,4 examen práctico. Será necesario obtener una puntuación mayor o igual a 3,5 sobre 10 en cada una de las dos partes para hacer la media. En caso de que no se llegue al mínimo en alguna de las partes, se le asignara al estudiante como calificación final el mínimo entre 4,9 y la nota obtenida en la asignatura.

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).