Curso 2020-2021

La asignatura Inteligencia de Negocio, impartida en el grado en Ingeniería Informática (especialidad en Sistemas de Información), se centrará el estudio y diseño de técnicas de extracción de conocimiento utilizadas en el área de Business Analytics.

La entrega de prácticas y gestión de grupos se realiza a través de pradogrado2021.ugr.es

Teoría:

Transparencias de la asignatura:

• Presentación y planificación de la asignatura

  • Presentación

  • Planificación

• Tema 1. Introducción a la Inteligencia de Negocio
• Tema 2. Minería de Datos 
• Tema 3. Modelos de Predicción: clasificación, regresión y series temporales 
  1. Clasificación
  2. Regresión y series temporales
• Tema 4. Preparación de Datos
  • Material adicional:  Estudio de la relevancia de las variables porsu presencia en Random Forest.
    • Explicación en PDF:
    • Notebook con el código
• Tema 5. Modelos de Agrupamiento o Segmentación
•  
• Tema 6. Modelos de Asociación
• Tema 7. Modelos Avanzados de Minería de Datos
  • Parte I
  • Parte II
  • Deep Learning
    
  • Análisis de sentimientos
    
• Tema 8. Big Data

Prácticas:

El horario de clases prácticas durante este curso es el siguiente:

Material de prácticas:

• Práctica 1. Resolución de problemas de clasificación y análisis experimental.
  1. Fichero CSV de mamografías
• Práctica 2. Resolución de problemas de segmentación mediante clustering. Visualización
  1. Fichero CSV de accidentes
  2. Utilidades para calcular medidas y visualizar centroides
  3. Notebook de ejemplo de clustering
• Práctica 3. Competición en Kaggle con clasificación y preprocesamiento y aprendizaje avanzado.
  1. Enlace a la Competición

Seminarios:

• Seminario 1. Introducción a Python y su uso en Ciencias de Datos.
  • Sobre Python y Guía de Instalación
  • Notebook tutorial de Python (abrir con Jupyter)
  • Notebook de ejercicios de la Sesión 1 (abrir con Jupyter)
• Seminario 2. Introducción a Scikit-learn con ejemplos.
  1. Notebook Primeros pasos de Numpy (abrir con Jupyter)
  2. 1. Notebook Primeros pasos de Pandas (abrir con Jupyter)
     2. Fichero CSV de películas
  3. 1. Notebook Primeros pasos de Scikit-Learn (abrir con Jupyter)
     2. Fichero CSV de compras
• Seminario 3. Problemas de clasificación. Aspectos prácticos
  1. Transparencias sobre medidas de evaluación
  2. Noteebook sobre cómo arreglar valores perdidos (abrir con Jupyter)
• Seminario 4. Herramientas de visualización de datos.
  1. Notebook sobre visualización de datos en Python (abrir con Jupyter).
• Seminario 5. Problema de Segmentación. Aspectos prácticos.
• Seminario 6. Problemas de Preprocesamiento. Aspectos prácticos
• Seminario 7. Preprocesado y aprendizaje avanzados (Deep Learning)
  1. Notebook sobre Deep Learning con problema de ML
     • Fichero de datos: diabetes.csv
  2. Notebook de Deep Learning con MNIST
  • Enlaces de interés:
    • Canal de IA en español en Youtube
    • Demo online de MNIST
    • Sitio online de efectos a fotos
    • Twitter de Yan Lecun

Enlaces de interés. Blogs, noticias, artículos de interés:

• Noticias
  • EL PAIS (03-06-2009) Tus datos íntimos son una mina
  • Materia (19-08-2013) Twitter patina como oráculo electoral
  • EL PAIS (29-09-2013) El maná de los datos
  • El Mundo (11-10-2013) 'Arte de datos' para digerir el exceso de información
  • Revista Cloud Computing (22-10-2013) España necesitará 60.000 profesionales de Big Data hasta 2015
  • Materia (27-03-2014) El gripazo de Google muestra las flaquezas del 'big data'
  • EL PAIS (25-04-2014) 10 maneras de mejorar nuestra calidad de vida usando big data
  • EL PAIS (13-09-2014) Comprar en la era de Big Data
  • EL PAIS (26-09-2014) Datos de móviles predicen en qué zona de Londres sucederá un crimen
  • El PAIS (28-10-2014)El Big Data echa una mano al campo 
  • El PAIS (29-01-2015) Cuatro compras con la tarjeta bastan para identificar a cualquier persona
  • EL PAIS (25-02-2015) Este programa juega mejor a los 'marcianitos' que un humano 
  • EL PAIS (31-03-2015) Qué es eso del 'big data'
  • EL PAIS (19-05-2015) Lo que tu movil sabe de ti
  • EL MUNDO (22-05-2015) Asi cambiara tu vida el big data en 11 ejemplos practicos 
  • EXPANSION (27-06-2015) Cómo el Big Data puede ahorrar millones a las aerolíneas 
  • CONSULTORAS (22-07-2015) Atos utiliza Big Data analytics para conseguir unas calles más seguras 
  • CINCO DIAS (24-07-2015) Así son los superordenadores de Montoro contra el fraude fiscal
  • XATAKA (14-08-2015) Big data en el fútbol El Atléti ganó La Liga de 2014 porque era (entre otras cosas) menos predecible 
  • MIT TECHNOLOGT REVIEW (15-09-2015) Deep Learning Machine Teaches Itself Chess in 72 Hours, Plays at International Master Level
  • EL MUNDO (22-09-2015) El 'rey' mundial de las máquinas que 'predicen' el futuro

• Blogs y websites de interés

	BzST | Business Analytics, Statistics, Technology A blog by Prof. Galit Shmueli
	KDnuggets News on Analytics, Big Data, Data Mining
	Kaggle: The Home of Data Science

• Links a material complementario en la WEB

Aprender R

Otros documentos de apoyo:

• Tema 1. Introducción a la Inteligencia de Negocio
• Tema 2. Retos en Inteligencia de Negocio
• Tema 3. Minería de Datos
• Tema 4. Modelos de Predicción: clasificación, regresión y series temporales
• Tema 5. Preparación de Datos
  • J. Luengo, S. García, F. Herrera, On the choice of the best imputation methods for missing values considering three groups of classification methods. Knowledge and Information Systems 32:1 (2012) 77-108
    • Material complementario del artículo (enalce de la web antigua)
  • S. García, J. Derrac, J.R. Cano, F. Herrera, Prototype Selection for Nearest Neighbor Classification: Taxonomy and Empirical Study. IEEE Transactions on Pattern Analysis and Machine Intelligence 34:3 (2012) 417-435
    • Prototype Selection for Nearest Neighbor Classification: Survey of Methods
  • A Survey of Discretization Techniques: Taxonomy and Empirical Analysis in Supervised Learning. IEEE Transactions on Knowledge and Data Engineering 25:4 (2013) 734-750
    • Material complementario del artículo (enalce de la web antigua)
• Tema 6. Modelos de Agrupamiento o Segmentación
• Tema 7. Modelos de Asociación
• Tema 8. Modelos Avanzados de Minería de Datos
• Tema 9. Big Data

Enlaces de software:

• scikit-learn (Python)
• SpagoBI
• KNIME
• Weka
• R
• Pypi (Python)
• Apache Hadoop
• Apache Mahout
• pbdR: programming with big data in R
• MOA: Massive Online Analysis
• Software (open source tools)

Tutorías:

Las tutorías de este curso serán online, es recomendable escribirle al profesor para concretar.

Page Maintained by D. Molina