22_23 MINERIA DE DATOS APLICADA CON WEKA_OL

Tecnicos en programacion, Ingenieros Industriales, Telecomunicaciones, informaticos

Modulo_1- Introducción a la Industria 4.0.
o Introducción a la Industria 4.0.
o Evolución histórica.
o Internet de las cosas (IoT, Internet of Things).
o Usos de IoT y Tecnologías aplicadas en la IoT.
o Retos de las IoT. Ventajas e inconvenientes.
o Concepto de la Industria 4.0.
o ¿Qué es industria 4.0 o la empresa inteligente?.
o Cambios en el entorno industrial.
o Tecnologías para explicar la Industria 4.0
o Retos y oportunidades de la Industria 4.0
o Hacia la nueva era.¿Qué es la Industria 5.0?
o Características de la Industria 5.0.
o Por qué es necesaria la Industria 5.0.

Modulo_2. Introducción a la Inteligencia Artificial.
o Objetivos.
o Introducción a la Inteligencia Artificial (IA).
o Áreas de aplicación de la IA.
o Ramas de la IA.
o Sistemas inteligentes en los Sistemas Electrónicos.
o Tipos de Técnicas de la IA:
 Redes Neuronales.
 Fuzzy control (Lógica Borrosa)
 Sistemas Expertos.
 Algoritmos Genéticos.
 Optimización de Enjambres de partículas (PSO).
 Colonia de Hormigas.
o Preguntas que hacerse de la IA.
Modulo_3. Introducción a la Minería de Datos.
o Introducción a los Datos e información.
o Datos, información y conocimiento.
o Conocimiento y decisiones. Esquemas.
o Capacidad de la información.
o Estructuras básicas de los DATOS.
o Atributos y métricas en los DATOS.
o Formato de los DATOS. Ejemplos.
o Calidad de Datos. Ejemplos.
o Universo de la información.
o ¿Qué podemos hacer con los datos?.
o Tipos de Aprendizaje: Supervisado, No supervisado.
o Predicción. Ejemplos.
o Clustering. Ejemplo.
o Reconocimiento de Patrones.
o El Proceso KDD (Knowledge Discovery in Databases).
o Fases y Etapas del KDD.
o ¿Qué es la Minería de Datos (MMDD)?
o Minería de Datos. Características
o ¿Cuál es la diferencia entre KDD y Data mining?
o ¿Cuál es la diferencia entre MMDD, ML e IA?
o Aplicaciones de la Minería de Datos.
o Técnicas de la Minería de Datos.
o Minería de Datos. Relación con otras disciplinas.
o ¿Porque utilizar la Minería de Datos?. Tareas.
o Ejemplos relacionados con la MMDD.
o ¿Qué es Big Data?. Objetivos.
o Introducción y terminología al Big Data.
o Introducción a la estadística.

Modulo_4. Introducción al entorno WEKA.
o ¿Qué tareas básicas utiliza la Minería de Datos?
o Herramientas, Lenguajes sobre la MMDD.
o Software para la Minería de Datos. WEKA
o Entorno WEKA. Explorer.
o Explorer: Tareas de procesamiento.
o Ficheros WEKA con formato ARFF. Atributos.
o Ejemplo del formato ARFF con WEKA.
o Leer ficheros con formato ‘csv’ desde WEKA. Ejemplo.
o Comparativas Formatos ARFF y CSV.
o Datasets básicos en WEKA.
o Explorer: Preproceso. Ejemplos.
o Preparación del conjunto de Datos.
o Fase de limpieza y transformación de los datos. Ejemplos.
o Preprocesamiento-Normalización en WEKA. Ejemplos.
o Preprocesamiento-Discretizar. Ejemplos.
o Introducción a la predicción con datos.
o Regresión Lineal. Introducción.
o Evaluación del MODELO con Regresión Lineal.
o Medidas de dependencia lineal. La covarianza.
o Clasificación-Predicción. Conceptos.
o Ejemplos de Clasificación-Predicción..
o Algoritmos Genéticos.
o Optimización de Enjambres de partículas (PSO).
o Colonia de Hormigas.
o Preguntas que hacerse de la IA.

Modulo_5. Clasificación con el entorno WEKA.
o ¿Introducción. ¿Qué es la Clasificación en la MMDD?
o Clasificación. Esquema, Componentes y Conceptos.
o Modelo y matriz de confusión.
o Testeo del modelo. Métricas de Desempeño.
o Algoritmos de clasificación / regresión.
o Ejemplo WEKA de Clasificación de Flores Iris.
o Árboles de decisión. Introducción.
o Árboles de Decisión. Algoritmo ID3 y C4.5
o Ejemplo Golf de implementación del Algoritmo ID3.
o Ejemplo Árbol de decisión. Clasificación de Iris-Flores.
o Algoritmo K vecinos mas cercanos ((KNN).
o Ejemplo KNN. Clasificación de Iris-Flores.
o SVM. ¿Qué son Maquinas de soporte Vectorial (SVM)?
o Conceptos de Maquinas de soporte Vectorial (SVM)
o Clasificador SVM (Support Vector Machines).
o Ejemplo SVM. Clasificación de Iris-Flores.

Modulo_6. Visualización con el entorno WEKA.
o Visualización de Datos. Introducción.
o Tipo de Visualización de Datos.
 Histogramas.
 Densidad.
 Gráficos de Torta o Pie Charts.
 Diagramas de Dispersión.
o Visualización de Datos en WEKA
o Ejemplo de Visualización de Datos en WEKA..

Modulo_7. Clustering con el entorno WEKA.
o ¿Qué es Clustering en la MMDD?. Introducción.
o Aplicaciones del Clustering-Agrupación.
o Tipos de Cluster.
o Clustering (Agrupación). Algoritmo K-means.
o Algoritmo K-means. Métricas.
o Clustering Jerárquico Aglomerativo.
o Clustering. DBSCAN.
o Clustering. Validación.
o Clustering. Metodología para validar clusters.
o Ejemplo-01 Cluster-Ksimple en WEKA. Iris.
o Ejemplo-02 Cluster-EM en WEKA. Iris.


Modulo_8. Reglas de Asociación con el entorno WEKA.
o ¿Qué son las Reglas de Asociación en la MMDD?. Introducción.
o Objetivos de las Reglas de Asociación.
o Métricas de las Reglas de Asociación.
o Ejemplo base de las Reglas de Asociación
o Algoritmo Apriori.
o Algoritmo A priori. Ejemplo básico
o Ejemplo-Golf de Reglas de Asociación con WEKA.
o Ejemplo Películas con Algoritmo A priori con Weka.
o Ejemplo-Banco Reglas de Asociación con Weka.

Modulo_9. Selección de Atributos con el entorno WEKA.
o Introducción a la Selección y Reducción de atributos.
o Tipos de Atributos.
o Ejemplo del numero de Atributos.
o Selección de atributos Scheme-independent.
o Buscando en el espacio de atributos.
o Matices sobre la selección de atributos.
o Parámetros de selección de atributos.
o Reducir Dimensionalidad en WEKA.
o Ejemplo Seleccionar Atributos en WEKA.
o Dimensionalidad. Introducción y Técnicas.
o Esquema de la Reducción de la Dimensionalidad.
o Conceptos matemáticos (Algebra Lineal).
o Introducción Principal Component Analysis (PCA).
o Dimensionalidad. PCA (Principal Component Analysis).
o Reducción Atributos. PCA.
o Ejemplo Weka de PCA.


Modulo_10. Series temporales con el entorno WEKA.
o Introducción a Series Temporales.
o Fundamento Teórico de las Series de Tiempo.
o Componentes de una serie de tiempo.
o Frecuencias de las series de tiempo.
o Objetivos del análisis de series temporales.
o Modelos deterministas de series temporales.
o Modelos IA de series temporales.
o Modelos de series temporales en WEKA.
o Librería Forecast. Instalación.
o Ejemplo Predicción con “Forecast” en WEKA.
o Ejemplo-02 Predicción con “Forecast” en WEKA.
o Ejemplo-03 Predicción con “Forecast” en WEKA.



Modulo_11. Experimenter con el entorno WEKA.
o ¿Qué es el GUI Experimenter?
o Características del GUI Experimenter.
o Utilizar el GUI Experimenter.
o Inicio del GUI Experimenter.
o GUI Experimenter.
 Ejecutar la prueba.
 Almacenar los resultados.


Modulo_12. Redes Neuronales con el entorno WEKA.
o Introducción a las Redes Neuronales.
o Aplicaciones de Redes Neuronales Artificiales (RNA)
o Definición de redes neuronales.
o Elementos básicos de la Neurona Artificial.
o Células de McCulloch-Pitts. Red monocapa. Arquitectura
o El Perceptrón Multicapa.
o Aplicaciones y problemas abordables con RNA.
o Conclusiones de redes neuronales.
o Ejemplo de Clasificación de Flores-Iris con RNA. WEKA:
- Diseño de la Red Neuronal.
- Implementación de la Red Neuronal.


Modulo_13. Casos prácticos con el entorno WEKA.
 Caso Practico-01 de la Calidad del Aire:
- Introducción.
- Predicción de un mes con "Forecast"
- Clasificador de etiquetas de las calidad del Aire.
- Revisar los resultados.
 Caso Practico-02 de la Radiación Global Solar:
- Introducción.
- Predicción de la radiación global mediante una red Neuronal.
- Mejorar la predicción solar con reducción de lso atributos.
- Revisar los resultados.
 Caso Practico-03 de la Calidad Eléctrica:
- Introducción.
- Clasificador de las perturbaciones en la red Eléctrica en sistemas trifásicos .
- Simulación (matlab) del sistema completo.
- Clasificación con el algoritmo J48.
- Revisar los resultados
Laboratorios prácticos de Minería de Datos:
Mas de 25 laboratorios !!! completos implementamos con el software de WEKA.

LAB_01: Preprocesamiento con WEKA.
LAB_02: Preprocesamiento con WEKA (Limpieza).
LAB_03: Preprocesamiento con WEKA (Normalización).
LAB_04: Preprocesamiento con WEKA (Discretización).
LAB_05: Predicción con WEKA (radiación-solar).
LAB_06: Predicción con WEKA (iris).
LAB_07: Clasificación con WEKA (iris).
LAB_08: Clasificación con WEKA (juego).
LAB_09: Clasificación con WEKA (Árbol de Decisión).
LAB_10: Clasificación con WEKA (KNN).
LAB_11: Clasificación con WEKA (SVM).
LAB_12: Visualización con WEKA.
LAB_13: Cluster con WEKA (Kmeans).
LAB_14: Cluster con WEKA (EM).
LAB_15: Reglas de Asociación con WEKA (juego).
LAB_16: Reglas de Asociación con WEKA (movie).
LAB_17: Reglas de Asociación con WEKA (bank).
LAB_18: Selección de Atributos con WEKA (iris).
LAB_19: Selección de Atributos con WEKA (PCA).
LAB_20: Series temporales con WEKA (Población).
LAB_21: Series temporales con WEKA (acciones).
LAB_22: Series temporales con WEKA (Meteorología).
LAB_23: Experimenter con WEKA.
LAB_24: Redes Neuronales con WEKA.
LAB_25: Caso-01 practico Calidad del Aire-ST con WEKA.
LAB_26: Caso-01 practico Calidad del Aire-PR con WEKA.
LAB_27: Caso-02 practico Radiación Solar con WEKA.
LAB_28: Caso-01 practico Calidad Eléctrica con WEKA