1.

- DATOS DE LA ASIGNATURA Nombre de la asignatura: Minera de datos Carrera: Ingeniera en Sistemas Computacionales Clave de la asignatura: BDE - 0803 Horas teora-horas prctica-crditos: 2-2-6 2.- HISTORIA DEL PROGRAMA Lugar y fecha de elaboracin o revisin Participantes Observaciones (cambios y justificacin) Definicin de los programas de estudio de la carrera de Ingeniera en Sistemas Computacionales.

Instituto Tecnolgico Academia de Sistemas de Acapulco del 6 al 10 y Computacin (Ing. de agosto de 2007 Ricardo Flores Oliveros, Ing. Eleazar Pacheco Salazar, Ing. Juan Jos Bedolla Solano, Jos A. Montero Valverde, Miriam Martnez Arroyo Carolina Astudillo Hernndez). 3.- UBICACIN DE LA ASIGNATURA

a) Relacin con otras asignaturas del plan de estudio Anteriores Asignaturas Temas Fundamentos de Algebra base de datos relacional Programacin I, Algoritmos II, III y IV Posteriores Asignaturas Temas Procesamiento analtico en lnea Data wharehouse Consultas de lgica difusa Modelos multidimensionales

b). Aportacin de la asignatura al perfil del egresado Modela y disea los modelos multidimensionales de datos.

4.- OBJETIVO(S) GENERAL(ES) DEL CURSO El objetivo del curso es introducir a los estudiantes en el campo de la minera de datos haciendo nfasis particular en la aplicacin de tcnicas computacionales. Al terminar el curso el estudiante debe estar en capacidad de determinar cundo y cmo aplicar el proceso de minera de datos. Esto implica determinar que tcnicas de minera usar en un caso particular y ejecutar de manera apropiada dicho proceso. 5.- TEMARIO Unidad 1 Temas Minera de datos. Subtemas 1.1. Qu es minera de datos. 1.2. Tipos de datos. 1.3. Tipos de modelos de datos. 1.4. Proceso de descubrimiento de conocimiento. 1.5. Sistemas para el soporte de decisiones. 1.6. Sistemas operacionales vs Sistemas para la toma de decisiones. 1.7. Herramientas para la minera de datos. 2.1. Introduccin. 2.2. Etapas del proceso de extraccin del conocimiento. 2.3. Etapa de recopilacin e integracin. 2.4. Etapa de seleccin, limpieza y transformacin. 2.5. Etapa de minera de datos. 2.6. Etapa de evaluacin e interpretacin. 2.7. Etapa de difusin.

Proceso de extraccin.

Exploracin de Datos

3.1 Estadsticas de resumen 3.2 Visualizacin 3.3 OLAP

Programacin Lgica 4.1 Nociones de Lgica. Inductiva (ILP) 4.2 Programacin Lgica Inductiva (ILP)

Mtodos de Aprendizaje

5.1Aprendizaje Inductivo 5.2 Espacio de Versiones 5.3 Espacio de Versiones Generalizado 5.4 Aprendizaje basado en similaridades (SBL) 5.5 Induccin de rboles de Decisin Aprendizaje de Reglas

6.- APRENDIZAJES REQUERIDOS Tener conocimientos previos de diferentes modelos de bases de datos de acuerdo a su estructura. Tener nociones de los modelos multidimensionales. Conocer cules son los tipos de problemticas estudiadas en el rea de Inteligencia Artificial. Conocer lenguajes y herramientas de programacin utilizadas en la implementacin de sistemas en Inteligencia Artificial. Ser capaces de representar y resolver problemas de bsqueda y planeamiento de mediana complejidad. Tener la capacidad de elaborar una propuesta de investigacin y de llevarla a cabo.

7.- SUGERENCIAS DIDCTICAS

Realizacin de ejercicios extra clase. Desarrollo de prcticas de laboratorio. Elaboracin de reportes de prcticas. Realizacin de investigacin documental sobre temas afines. Propiciar el uso de terminologa tcnica adecuada al programa. Consultar manuales, sitios Web y bibliografa, referentes a IA. Exposicin de los temas con sesiones de preguntas y respuestas. Lecturas recomendadas de libros y direcciones de Internet. Uso de correo electrnico para revisin de tareas y ejercicios. Uso de un portal de Internet para apoyo didctico de la materia, el cual cuente por lo menos con un foro, preguntas frecuentes, material de apoyo y correo electrnico. Desarrollo de trabajo en equipo. Exposicin en plenaria con apoyo de material didctico (can, proyector de acetatos, rotafolios, pizarrn, entre otros).

8.- SUGERENCIAS DE EVALUACIN

Exmenes prcticos y tericos. Evaluar el diseo e implementacin del proyecto final. Ponderar tareas. Evaluar participacin en actividades individuales y de equipo. Evaluar participacin y desempeo en el aula y el laboratorio. Seguimiento al desempeo en el desarrollo del programa (dominio de los conceptos, capacidad de la aplicacin de los conocimientos en problemas reales, transferencia del conocimiento). Desarrollo de un proyecto final que integre todas las unidades de aprendizaje. Participacin en dinmicas grupales. Actividades de auto evaluacin. Exmenes terico prctico. Cumplimiento de los objetivos y desempeo en las prcticas

9.- UNIDADES DE APRENDIZAJE UNIDAD 1.- Minera de datos. Objetivo Educacional El estudiante identificar conceptos bsicos de la minera de datos. Actividades de Aprendizaje 1.1 Buscar informacin sobre minera de datos. 1.2 Discutir los diferentes modelos de datos. 1.3 Comparar los sistemas operacionales con los sistemas para la toma de decisiones. 1.4 Identificar las herramientas para la minera de datos. Fuentes de Informacin 1, 2, 5 11

UNIDAD 2.- Proceso de extraccin. Objetivo Educacional Conocer las diferentes etapas del proceso de extraccin y analizar los diferentes algoritmos y tcnicas de seleccin, procesamiento y extraccin de datos. Actividades de Aprendizaje 2.1 Buscar y analizar las etapas del proceso de extraccin del conocimiento. 2.2 Discutir las etapas de recopilacin e integracin, de seleccin, limpieza y transformacin, as como las de evaluacin e interpretacin y difusin. Fuentes de Informacin 3, 4, 6 12

UNIDAD 3: Exploracin de Datos. Objetivo Actividades de aprendizaje Educacional Conocer tcnicas 3.1 Estadsticas de resumen aplicadas a minera 3.2 Visualizacin de datos para el uso 3.1 3.3 OLAP y presentacin de la informacin. Fuentes de informacin

UNIDAD 4: Programacin Lgica Inductiva (ILP) Objetivo Actividades de aprendizaje Educacional Comprender las 4.1 Nociones de Lgica caractersticas de la 4.2 Programacin Lgica Inductiva programacin (ILP) lgicalos sistemas inteligentes y su aplicacin en reas especificas.. Fuentes de informacin

UNIDAD 5: Aprendizaje Objetivo Educacional Comprender el proceso de aprendizaje y aplicar una tcnica en un problema particular. Actividades de aprendizaje 5.1 Aprendizaje Inductivo 5.2 Espacio de Versiones 5.3 Espacio de Versiones Generalizado 5.4 Aprendizaje basado en similaridades (SBL) 5.5 Induccin de rboles de Decisin 5.6 Aprendizaje de Reglas Fuentes de informacin

10.- FUENTES DE INFORMACIN 1. 2. 3. 4. 5. 6. 7.

8. 9. 10.

T&S&K] Pang-Ning Tan, Michael Steinbach y Vipin Kumar, "Introduction to Data Mining". Addison Wesley. 2005 [H&K] Jiawei Han y Micheline Kamber, "Data Mining: Concepts and Techniques". Morgan Kaufmann Publishers. [K] Mehmed Kantardzic, "Data Mining: Concepts, Models, Methods, and Algorithms", John Wiley IEEE Inter-science Publishers. Ullman, J.D., Principles of dDatabases and Knowledge Base Systems. 1992 Pyle D. Data Preparation For Fata Mining Berry J.A., Linoff S. Mastering Data Mining Doug Wielenga, Bob Lucas & Jim Georges, Enterprise Miner: Applying Data Mining Techniques Course Notes, SAS Institute Inc. Cary, Nc, USA. 1999 Ramez A. Elmasri, S.B.N., Fundamentos de Sistemas de Bases de Datos. Tercera Edicin ed. Vol. 1. 2002, Madrid. A.F. Cardenas, D.M., Research Fandations and Semantic Database Systems. 1992 Thomsen, E., OLAP Solutions - Building Multidimensional Information Systems. 1997

11.- PRCTICAS SUGERIDAS MATERIA: MINERA DE DATOS

CLAVE:

EQUIPO NO: FECHA:26-JUN-2008

PRCTICA #1: Algoritmos de rboles de decisin OBJETIVO (S): EL alumno, reforzar los conocimientos sobre regresin y los atributos de entrada utilizando los valores de entrada o de estados de las columnas de datos.

MATERIAL: SQL Server 2005 Analysis Services (SSAS) para el modelado de prediccin de atributos discretos y continuos. EQUIPO: Computadora personal. Un sistema operativo Windows de 32 bits, XP Se recomienda fuertemente el uso de un sistema operativo Windows basado en NT (NT, 2000, XP, 2003) puesto que stos permiten ejecutar el servidor MySQL como un servicio. HERRAMIENTA: Microsoft SQL Server 2005 Analysis Services (SSAS) DIAGRAMAS:

El alumno generar las grficas necesarias como resultados ACTIVIDADES: 1. Generar el modelo de datos. 2. Seleccionar los datos 3. Alimentar el modelo con los datos 4. Hacer uso de la herramienta Microsoft SQL Server 2005 Analysis Services (SSAS)

BIBLIOGRAFA: Thomsen, E., OLAP Solutions - Building Multidimensional Information Systems. 1997. http://msdn.microsoft.com/es-es/library/ms167488.aspx

CONTENIDO DEL REPORTE: 1. visualizacin de grficas y resultados en pantalla

MATERIA: MINERA DE DATOS

CLAVE:

EQUIPO NO: FECHA: 26-JUN-2008

PRCTICA #2: Algoritmo de clsteres. OBJETIVO (S): El alumno, reforzar el conocimiento sobre clusterizacin MATERIAL: SQL Server 2005 Analysis Services (SSAS) EQUIPO: Computadora personal. Un sistema operativo Windows de 32 bits, XP Se recomienda fuertemente el uso de un sistema operativo Windows basado en NT (NT, 2000, XP, 2003) puesto que stos permiten ejecutar el servidor MySQL como un servicio. HERRAMIENTA: Microsoft SQL Server 2005 Analysis Services (SSAS) DIAGRAMAS: El alumno generar las grficas necesarias como resultados ACTIVIDADES: 1. Generar el modelo de datos. 2. Seleccionar los datos 3. Alimentar el modelo con los datos 4. Hacer uso de la herramienta Microsoft SQL Server 2005 Analysis Services (SSAS)

BIBLIOGRAFA: 1. Pyle D. Data Preparation For Fata Mining

2. Berry J.A., Linoff S. Mastering Data Mining 3. Doug Wielenga, Bob Lucas & Jim Georges, Enterprise Miner: Applying Data Mining Techniques Course Notes, SAS Institute Inc. Cary, Nc, USA. 1999 4. Ramez A. Elmasri, S.B.N., Fundamentos de Sistemas de Bases de Datos. Tercera Edicin ed. Vol. 1. 2002, Madrid. CONTENIDO DEL REPORTE: 1. Revisin de los resultados en la computadora

MATERIA: MINERA DE DATOS

CLAVE:

EQUIPO NO: FECHA:26-JUN-2008

PRCTICA #3: Prediccin de los datos OBJETIVO (S): El alumno, ser capaz de proporcionar los datos suficientes que sirvan para la prediccin considerando las columnas de entra y de prediccin de manera independiente. MATERIAL: Microsoft SQL Server 2005 Analysis Services (SSAS) EQUIPO: Computadora personal. Un sistema operativo Windows de 32 bits, XP Se recomienda fuertemente el uso de un sistema operativo Windows basado en NT (NT, 2000, XP, 2003) puesto que stos permiten ejecutar el servidor MySQL como un servicio. HERRAMIENTA: : Microsoft SQL Server 2005 Analysis Services (SSAS) DIAGRAMAS: El alumno generar las grficas necesarias como resultados ACTIVIDADES: 1. Generar el modelo de datos. 2. Seleccionar los datos 3. Alimentar el modelo con los datos 4. Hacer uso de la herramienta Microsoft SQL Server 2005 Analysis Services (SSAS)

BIBLIOGRAFA: 1. Pyle D. Data Preparation For Fata Mining 2. Berry J.A., Linoff S. Mastering Data Mining 3. Doug Wielenga, Bob Lucas & Jim Georges, Enterprise Miner: Applying Data Mining Techniques Course Notes, SAS Institute Inc. Cary, Nc, USA. 1999 4. Ramez A. Elmasri, S.B.N., Fundamentos de Sistemas de Bases de Datos. Tercera Edicin ed. Vol. 1. 2002, Madrid.

CONTENIDO DEL REPORTE: 2. Revisin de los resultados en la computadora

MATERIA: MINERA DE DATOS

CLAVE:

EQUIPO NO: FECHA:26-JUN-2008

PRCTICA #4: Prediccin de asociacin OBJETIVO (S): El alumno, ser capaz de proporcionar los datos suficientes que sirvan para la asociacin considerando las columnas de entra y de prediccin de manera independiente. MATERIAL: Microsoft SQL Server 2005 Analysis Services (SSAS) EQUIPO: Computadora personal. Un sistema operativo Windows de 32 bits, XP Se recomienda fuertemente el uso de un sistema operativo Windows basado en NT (NT, 2000, XP, 2003) puesto que stos permiten ejecutar el servidor MySQL como un servicio. HERRAMIENTA: : Microsoft SQL Server 2005 Analysis Services (SSAS) DIAGRAMAS: El alumno generar las grficas necesarias como resultados ACTIVIDADES: 1. Generar el modelo de datos. 2. Seleccionar los datos 3. Alimentar el modelo con los datos 4. Hacer uso de la herramienta Microsoft SQL Server 2005 Analysis Services (SSAS)

BIBLIOGRAFA: 1. Pyle D. Data Preparation For Fata Mining 2. Berry J.A., Linoff S. Mastering Data Mining 3. Doug Wielenga, Bob Lucas & Jim Georges, Enterprise Miner: Applying Data Mining Techniques Course Notes, SAS Institute Inc. Cary, Nc, USA. 1999 4. Ramez A. Elmasri, S.B.N., Fundamentos de Sistemas de Bases de Datos. Tercera Edicin ed. Vol. 1. 2002, Madrid. CONTENIDO DEL REPORTE: 3. Revisin de los resultados en la computadora

MATERIA: MINERA DE DATOS

EQUIPO NO: FECHA:26-JUN-2008 PRCTICA #5: Seleccin de caractersticas en minera de datos OBJETIVO (S): El alumno, ser capaz de proporcionar los datos suficientes que sirvan para la seleccin de caractersticas en minera de datos . MATERIAL: Microsoft SQL Server 2005 Analysis Services (SSAS) EQUIPO: Computadora personal. Un sistema operativo Windows de 32 bits, XP Se recomienda fuertemente el uso de un sistema operativo Windows basado en NT (NT, 2000, XP, 2003) puesto que stos permiten ejecutar el servidor MySQL como un servicio. HERRAMIENTA: : Microsoft SQL Server 2005 Analysis Services (SSAS) DIAGRAMAS: El alumno generar las grficas necesarias como resultados ACTIVIDADES: 1. Generar el modelo de datos. 2. Seleccionar los datos 3. Alimentar el modelo con los datos 4. Hacer uso de la herramienta Microsoft SQL Server 2005 Analysis Services (SSAS)

CLAVE:

BIBLIOGRAFA: 1. Pyle D. Data Preparation For Fata Mining 2. Berry J.A., Linoff S. Mastering Data Mining 3. Doug Wielenga, Bob Lucas & Jim Georges, Enterprise Miner: Applying Data Mining Techniques Course Notes, SAS Institute Inc. Cary, Nc, USA. 1999 4. Ramez A. Elmasri, S.B.N., Fundamentos de Sistemas de Bases de Datos. Tercera Edicin ed. Vol. 1. 2002, Madrid. CONTENIDO DEL REPORTE: Revisin de los resultados en la computadora