Extracção de Conhecimento e Aprendizagem Computacional

Código:

EIC0096

Sigla:

ECAC

Áreas Científicas
Classificação	Área Científica
OFICIAL	Inteligência Artificial

Ocorrência: 2009/2010 - 1S

Ativa?	Sim
Página Web:	http://www.fe.up.pt/~ec/index.html
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado Integrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEIC	16	Plano de estudos a partir de 2009/10	5	-	6	56	162

Língua de trabalho

Português

Objetivos

O objectivo da disciplina é o de dotar os alunos de conhecimentos que os tornem capazes de utilizar técnicas de análise automática de grandes quantidades de dados.

Programa

Introdução à disciplina de extracção de conhecimento: O que se entende por pesquisa de informação (Data Mining).

Preparação de Dados: Limpeza de dados; Normalização, Redução e Discretização de dados.

Regras de associação: Definição do problema de pesquisa de regras de associação. Medidas de qualidade das regras de associação Alguns algoritmos de pesquisa de regras de associação.

Clustering: Técnicas de clustering. Algoritmos de clustering de partição (K-means, K-medoids) e Algoritmos de clustering hierárquicos. Outros algoritmos: BIRCH, CURE, DBSCAN.

Web Mining: Conceitos de data mining na Web; Pesquisa de informação na Web; Pesquisa de Padrões de utilização na Web; Pesquisa e análise da estrutura da Web.

Classificação: Técnicas de classificação para análise de grandes quantidades de dados; Árvores de decisão; Árvores de classificação e de Regressão (CART); Princípios de prunning; Classificação Bayesiana; Redes Neuronais; Indução de Regras; Algoritmos Genéticos.

Data Mining relacional usando Indução de Programas em Lógica.

PKDD: Parallel Knowledge Discovery in Databases - Técnicas de processamento paralelo para extracção de padrões em grandes quantidades de dados.

Aplicações KDD.

Bibliografia Obrigatória

Han, Jiawei; Data mining. ISBN: 1-55860-489-8

Bibliografia Complementar

Ian H. Witten abd Eibe Frank; Data Mining, Practical Machine Learning Tools and Techniques, Elsevier, 2005. ISBN: 0120884070

Métodos de ensino e atividades de aprendizagem

Aulas teóricas: Exposição dos conceitos referidos.

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Descrição	Tipo	Tempo (Horas)	Peso (%)	Data Conclusão
Participação presencial (estimativa)	Participação presencial	39,00
Realização trabalho.	Trabalho escrito	60,00
Exame Final.	Exame	3,00
	Total:	-	0,00

Componentes de Ocupação

Descrição	Tipo	Tempo (Horas)	Data Conclusão
Acompanhamento de aulas e preparação para exame.	Estudo autónomo	60
	Total:	60,00

Obtenção de frequência

Nota média da componente distribuída igual ou superior a 6 valores.

Fórmula de cálculo da classificação final

0.50* Nota do trabalho + 0.5 * Nota do exame

Provas e trabalhos especiais

O trabalho será elaborado em grupo e consiste na análise de um conjunto de dados e preparação de um relatório que apresente o método de análise e os resultados obtidos. Será necessária a apresentação de um relatório de progresso.
O trabalho vale 50% da nota final, sendo 10% relativos ao relatório de progresso e 40% relativos ao relatório final e apresentação.

Avaliação especial (TE, DA, ...)

Os alunos com estatuto que isenta da frequência das aulas têm que realizar o trabalho prático.

Melhoria de classificação

A melhoria da avaliação distribuída só pode ser feita no ano seguinte.