Análisis de Datos Espacio-Temporales28277
- Centro
- Facultad de Informática
- Titulación
- Grado en Inteligencia Artificial
- Curso académico
- 2023/24
- Curso
- 4
- Nº Créditos
- 6
- Idiomas
- Inglés
- Código
- 28277
DocenciaAlternar navegación
Guía docenteAlternar navegación
Descripción y Contextualización de la AsignaturaAlternar navegación
La asignatura Análisis de Datos Espacio-Temporales es una asignatura optativa que se imparte en el 4º curso del grado en Inteligencia Artificial. En dicha asignatura, se analizarán los datos de tipo espacio-temporal y se estudiarán los problemas de aprendizaje y algoritmos que sirven para extraer información útil de este tipo de datos.
La asignatura se construye sobre las asignaturas Minería de Datos y Aprendizaje Automático Avanzado impartidos en cursos anteriores, y los contenidos aprendidos en dichas asignaturas serán la base o punto de partida. Además, de una manera transversal, los conocimientos y competencias adquiridas en asignaturas sobre programación y estadística también serán imprescindibles.
Hoy en día, en cada vez más ámbitos, los datos que se obtienen de sensores y otras tecnologías tienen carácter espacio-temporal. Es por ello que obtener información útil de este tipo de datos se ha convertido en una tarea imprescindible. En los últimos años se han propuesto algoritmos y problemas específicos que tienen en cuenta las características específicas de este tipo de datos y conocerlos es importante para cualquier experto en Inteligencia Artificial.
Competencias/ Resultados de aprendizaje de la asignaturaAlternar navegación
Conocer las características principales de los datos espacio-temporales y conocer los métodos para hacer una primera exploración de los mismos y visualizarlos.
Conocer los problemas de minería de datos espacio-temporales más habituales y saber identificarlos en situaciones reales.
Conocer las bases de algunos algoritmos para cada problema de minería de datos espacio-temporales estudiado.
Utilizar R y/o Python para diseñar, implementar y llevar a cabo pequeñas experimentaciones.
Sacar conclusiones de los resultados y visualizaciones obtenidos, y argumentar las conclusiones obtenidas de la evidencia empírica.
Contenidos teórico-prácticosAlternar navegación
1.- Introducción a los datos espacio-temporales.
1.1.- Características principales de los datos espacio-temporales.
1.2.- Visualización de los datos espacio-temporales.
2.- Predicción de series temporales.
2.1.- Modelos estadísticos clásicos.
2.2.- Modelos de Machine Learning.
2.3.- Aplicaciones.
3.- Clasificación no-supervisada de series temporales.
3.1.- Distancias para series temporales.
3.2.- Aplicaciones.
4.- Clasificación supervisada de series temporales.
4.1.- Taxonomías habituales para categorizar los algoritmos más cómunes y ejemplos.
4.2.- Extensiones del probléma clasico de clasificación supervisada de series temporales.
4.2.- Aplicaciones.
5.- Análisis de datos espacio-temporales.
5.1.- Problemas y algoritmos más comunes.
5.2.- Aplicaciones.
MetodologíaAlternar navegación
Los contenidos teóricos de la asignatura se impartirán en clases magistrales en el aula o en el laboratorio y se complementarán con ejercicios y/o ejemplos. Se impulsará el trabajo autónomo trabajando algunas partes del temario mediante trabajos o proyectos grupales. Para ello se proporcionarán recursos bibliográficos e informáticos que ayudarán al alumnado a comprender los contenidos necesarios. La parte computacional de la asignatura se llevará a cabo utilizando R y/o Python.
Sistemas de evaluaciónAlternar navegación
- Sistema de Evaluación Final
- Herramientas y porcentajes de calificación:
- Porcentajes y modalidades de evaluación en el siguiente apartado zehazten dira (%): 100
Convocatoria Ordinaria: Orientaciones y RenunciaAlternar navegación
Los sistemas de evaluación que se contemplan son el sistema de evaluación continua y el sistema de
evaluación final. El sistema de evaluación continua es el que se utilizará de forma preferente, según se indica en la normativa actual de la UPV/EHU.
El alumnado que, cumpliendo las condiciones para continuar en el sistema de evaluación continua, decidiese optar por la evaluación final, deberá informar al profesorado responsable de la asignatura en los plazos y forma indicados a continuación: por email, después de conocer la nota del examen parcial de la segunda semana de horario agrupado.
EVALUACIÓN CONTINUA
La evaluación continua consiste en la evaluación de los trabajos realizados a lo largo del cuatrimestre: proyectos o trabajos realizados individualmente o en grupo (70 %) y un examen parcial de conceptos teórico-prácticos a realizar en el laboratorio (30 %).
La calificación final se obtendrá de la media ponderada de las calificaciones de las diferentes pruebas evaluables realizadas, pero es necesario sacar una nota mínima de 4 en el examen individual. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.
La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación.
EVALUACIÓN FINAL
Para ser evaluado mediante evaluación final el alumnado debe realizar un exámen de conceptos teórico/prácticos en el laboratorio (%50) y algunos proyectos a realizar de forma individual y entregar el día del examen (%50).
La calificación final se obtendrá de la media ponderada de las calificaciones de las diferentes pruebas evaluables realizadas, pero es necesario sacar una nota mínima de 4 en el examen individual. La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.
Convocatoria Extraordinaria: Orientaciones y RenunciaAlternar navegación
La evaluación en la convocatoria extraordinaria será la misma que la evaluación final en convocatoria ordinaria:
Para la evaluación final el alumnado deberá realizar un examen de conceptos teóricos-prácticos en el laboratorio (50%) y realizar algunos proyectos a realizar de forma individual y entregar el día del examen (%50).La no presentación a la prueba escrita o no entregar alguno de los trabajos/proyectos evaluables se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.
Materiales de uso obligatorioAlternar navegación
No hay materiales de uso obligatorio. El/la estudiante irá elaborando su propio material a lo largo del curso.
BibliografíaAlternar navegación
Bibliografía básica
Bagnall, A., Lines, J., Bostrom, A. et al. The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Min Knowl Disc 31, 606–660 (2017).
Hamdi, A., Shaban, K., Erradi, A. et al. Spatiotemporal data mining: a survey on challenges and open problems. Artif Intell Rev 55, 1441–1488 (2022).
Revistas
Revistas del área: IEEE Transaction on Knowledge and Data Engineering, Data Mining and Knowledge Discovery, Journal of Machine Learning Research, Pattern Recognition, Knowledge based Systems, etc.
Direcciones web
https://cran.r-project.org/web/views/TimeSeries.html
https://cran.r-project.org/web/views/SpatioTemporal.html
https://www.timeseriesclassification.com/
GruposAlternar navegación
61 Teórico (Inglés - Mañana)Mostrar/ocultar subpáginas
Semanas | Lunes | Martes | Miércoles | Jueves | Viernes |
---|---|---|---|---|---|
16-30 | 12:00-13:30 (1) | 09:00-10:30 (2) |
Profesorado
61 P. Laboratorio-1 (Inglés - Mañana)Mostrar/ocultar subpáginas
Semanas | Lunes | Martes | Miércoles | Jueves | Viernes |
---|---|---|---|---|---|
16-30 | 10:30-12:00 (1) |