El carácter introductorio de este tema tiene como principal objetivo dar una panorámica general de los distintos aspectos relacionados con la minería de datos (MD). Este objetivo global se concreta en que el alumnado debe ser capaz de:

• Conocer los distintos tipos de datos que se manejan en MD.
• Conocer los distintos tipos de modelos que se pueden aprender.
• Conocer la relación de la MD con otras disciplinas.
• Conocer los diferentes dominios de aplicación de la MD.
• Relacionar el concepto de Descubrimiento de Conocimiento a partir de Datos con el de Minería de Datos.
• Conocer las distintas fases implicadas en el proceso de descubrimiento de conocimiento a partir de datos.

En este tema haremos una primera aproximación a las técnicas más básicas del aprendizaje supervisado, incluyendo:

• Tipos de variables y terminología
• Dos aproximaciones simples al problema de la predicción: Mínimos cuadrados y vecinos más cercanos.
  • Modelos Lineales y Mínimos Cuadrados.
  • Modelos basados en los vecinos más cercanos
• Teoría (estadística) de la decisión.
• Métodos locales en espacios de alta dimensionalidad

En este tema se abordan distintas técnicas para establecer e incrementar la calidad de un conjunto de datos cualquiera. Entre otros asuntos, se abordan los siguientes:

• Conceptos básicos
• Rankings de variables
  • Criterios basados en correlación
  • Criterios basados en Teoría de la Información
  • Clasificadores unidimensionales
  • Ejemplos ilustrativos: relevancia y redundancia.
• Selección de subconjuntos de variables
  • Métodos de envoltura y embebidos
  • Métodos anidados
  • Optimización directa
  • Filtros para selección de subconjuntos
• Creación de atributos y reducción de la dimensionalidad
  • Agrupamiento
  • Factorización matricial
  • Selección supervisada de características
• Métodos de validación

Este tema estudia las diferentes maneras de evaluar y comparar técnicas y modelos de minería de datos:

• Sesgo, varianza y complejidad de un modelo.
• La descomposición sesgo-varianza
• El optimismo y la tasa de error en entrenamiento
• Estimaciones de la tasa de error en muestras.
• El número efectivo de parámetros de un modelo
• La aproximación bayesiana a la evaluación de modelos y el BIC
• Validación cruzada
• Métodos Bootstrap

En este tema se introduce uno de los modelos más populares dentro de la minería de datos: las redes neuronales artificiales. Entre otros, se cubren los siguientes asuntos:

• Conceptos básicos de redes neuronales. El perceptrón multicapa
• Entrenamiento de redes neuronales
  • inicialización de pesos
  • El sobreajuste
  • Escalado de las entradas
  • Elección de la arquitectura: capas ocultas y sus dimensiones
  • Multimodalidad del espacio de parámetros
• Conjuntos (ensembles) de redes neuronales: métodos bayesianos, boosting y bagging.
• Comparación de modelos basados en redes neuronales.

En este tema se presenta una de las arquitecturas más populares del llamado "aprendizaje profundo" para redes neuronales artificiales: las redes neuronales convolucionales. Este modelo extiende y amplía los conceptos introducidos con el perceptrón multicapa, y cubre, entre otros los siguientes asuntos:

• La operación de convolución
• La operación de pooling
• Interpretación de la convolución+pooling en términos de distribuciones a priori muy informativos
• Variaciones sobre la arquitectura básica
• Salidas estructuradas
• Adaptaciones a diferentes tipos de datos
• Algoritmos eficientes de convolución
• Características aleatorias o no supervisadas
• Bases neurofisiológicas de las redes convolucionales

En este tema se estudiarán los bosques aleatorios (random forests), sus principios y fundamentos, cómo evaluarlos y los peligros que se deben evitar al entrenar este tipo de modelos. Se estructura en los siguientes contenidos:

• Definición de un bosque aleatorio
• Muestras out-of-bag
• Importancia de las variables predictoras a partir de un bosque aleatorio
• Gráficos de proximidad
• Sobreajuste en los bosques aleatorios
• Varianza y decorrelación en los bosques aleatorios
• Sesgos
• Vecinos más cercanos adaptativos

En este tema, que no por ser el último debe ser visto como menos importante, abordaremos algunas consideraciones éticas y sociales acerca del uso de las técnicas y métodos vistos anteriormente. Los contenidos serán:

• Introducción
• Las 5 Cs: Consentimiento, claridad, consistencia, control y consecuencias
• Ética y seguridad en la creación de modelos
• Principios guía en el desarrollo de aplicaciones
• Cómo introducir la ética en una sociedad dominada por los datos
• Leyes y reglamentos