Breve descripción

El principal objetivo de esta asignatura es que el estudiante sepa aplicar los conocimientos básicos sobre las distintas metodologías y técnicas de aprendizaje automático de forma crítica en problemas reales, incluyendo la minería de textos y la minería Web.

Un segundo objetivo, de tipo práctico, es proporcionar al alumno las capacidades y herramientas estándar necesarias para poder llevar a cabo de manera autónoma proyectos de analítica de datos.

Título asignatura

Semántica, datos conectados y minería de datos textual

Código asignatura

102270

Curso académico

2023-24

Planes donde se imparte

MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE

Créditos ECTS

4

Carácter de la asignatura

OPTATIVA

Duración

Cuatrimestral

Idioma

Castellano e Inglés

Contenidos

1. Redes semánticas.

2. Ontologías y aprendizaje de ontologías.

3. Linked data.

4. Análisis de redes complejas.

5. Minería de textos y minería Web.

Generales

CG1 - Capacidad para integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar su actividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes

CG2 - Capacidad de estudio, síntesis y autonomía suficientes para, una vez finalizado este programa formativo, iniciar una Tesis Doctoral

CG4 – Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico

CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados

CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica

Transversales

CT1 - Capacidad para buscar, obtener, seleccionar, tratar, analizar y comunicar información utilizando diferentes fuentes

CT2 - Capacidad para proyectar los conocimientos, habilidades y destrezas adquiridos para promover una sociedad basada en los valores de la libertad, la justicia, la igualdad y el pluralismo

CT3- Dominio de la gestión del tiempo

CT4- Capacidad para afrontar tareas y situaciones críticas

CT5- Capacidad de trabajo autónomo y toma de decisiones

CT6- Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar

Específicas

DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones

DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos

DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando una amplia gama de plataformas de análisis de datos

DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras

Actividades formativas

AF1 - Participación y asistencia a lecciones magistrales y seminarios (10 horas)

AF2 - Realización de prácticas de computación y análisis de datos (20 horas)

AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (7 horas)

AF7 - Elaboración de informes de laboratorio y trabajos (15 horas)

AF8 - Estudio individual de contenidos de la asignatura (15 horas)

AF9 - Trabajo en grupo (30 horas)

A10 - Pruebas de evaluación (3 horas)

Metodologías docentes

Se comenzará por una exposición de los conceptos y métodos básios, incluyendo ejemplos ilustrativos sencillos de distintas disciplinas, que serñan analizados y discutidos en común.
Los estudiantes, organizados en grupos, realizarán un análisis práctico detallado de distintos casos de estudio relaes (por ejemplo, problemas de Kaggle o Kaggle in Class) adaptando y aplicando las técnicas adecuadas en cada caso.
La parte práctica se realizará utilizando el software estadístico R de uso libre y software específico especializado (e.g.: deep learning).

Resultados de aprendizaje

• Entender métodos complementarios para el análisis de grandes masas de datos no estructurados, introduciéndose en el campos de la minería de textos (y minería Web).

• Entender los fundamentos de la representación y análisis de datos con redes complejas.

Descripción del sistema de evaluación

SE1 - Examen (30%)

SE2 - Valoración de informes y trabajos escritos (50%)

SE4 - Seguimiento de actividades presenciales (20%)

Profesor responsable

Profesorado

Horario

Bibliografía

Bibliografía básica

Sholom M. Weiss, Nitin Indurkhya, Tong Zhang, Fred Damerau. Text mining: predictive methods for analyzing unstructured information. Springer Science+Business Media (2005)

Juan Antonio Pastor Sánchez. Tecnologías de la web semántica. UOC (2012)

Toby Segaran, Colin Evans, Jamie Taylor. Programming the semantic web. O'Reilly (2009)

Bibliografía complementaria

Jiawei Han, Micheline Kamber. Data mining: concepts and techniques. Morgan Kaufmann Publishers (2006)

Programa para imprimir

Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.

Documento para la solicitud de reconocimiento de créditos en otros estudios