Asignaturas - Máster universitario en ingeniería y ciencia de datos

El objetivo principal de la asignatura Minería de datos de los medios sociales es conseguir que los alumnos del Master Universitario en Ciencia de Datos de la Escuela Superior de Ingeniería Informática de la UNED sean capaces de adquirir el conocimiento y habilidades para analizar entornos sociales en la web. La asignatura se centra en el análisis de las relaciones de los actores involucrados en entornos dinámicos y complejos como son la web social.

La web social o los medios sociales en la web son aquellos entornos que hacen posible la relación entre personas por medio de la web. Las redes sociales son un ejemplo pero no es el único. El extenso uso que se hace de la web social las convierten en una potente e importante herramienta en la sociedad actual.

Para realizar análisis en la web social utilizaremos una metodología heredera de la Minería de datos. Primero, hay que extraer datos de interés, filtrarlos y prepararlos. Este primer punto será estudiado en el Temas 1. Segundo, se enseñará el análisis de redes sociales (SNA en su siglas en inglés) como medio útil de análisis y visualización de los datos debido a entornos sociales virtuales. Este punto será estudiado en el Tema 2. El SNA ha dado un salto tecnológico importante al tener en cuenta el dinamismo de las redes, es decir, las relaciones entre los nodos de una red evolucionan con el tiempo. Se introducirá el dinamismo de las redes en el Tema 3. Por último, se enseñarán técnicas de Aprendizaje Automático que sirven para extraer conocimiento de datos, completando así el análisis de redes sociales. Este último se estudiará en el Tema 4.

El entorno virtual será la herramienta más importante para la gestión de esta asignatura. Al ser un entorno de aprendizaje colaborativo, se animará y estimulará a que los estudiantes compartan dudas, comentarios, ideas y proyectos con el resto. De esta forma se fomentará las habilidades de diálogo y negociación, tan útiles en entornos de trabajo reales.

Esta asignatura está relacionada con todas aquellas asignaturas de este master que centren sus contenidos, o parte de ellos, en el trabajo con datos, siguiendo un proceso de minería de datos, y, sobre todo, con aquellas que enseñan algoritmos de Aprendizaje Automático. Por lo tanto es relevante citar la relación con las asignaturas Programación en entornos de datos, Aprendizaje Automático y Aprendizaje Automático I. Contenidos de las asignaturas citadas se podrán en práctica en esta asignatura.

Los estudiantes de esta asignatura no requieren conocimientos previos adicionales más allá de los que surgen del seguimiento de los requeridos por el máster, permitiendo utilizar y desarrollar las competencias correspondientes.

Es conveniente dominar el inglés técnico (leer y escribir) para manejar con facilidad las fuentes bibliográficas.

La tutorización de los estudiantes tendrá lugar esencialmente a través de los foros de la plataforma, aunque también podrán utilizarse ocasionalmente otros medios, tales como chats interactivos, servicios de mensajería instantánea y el correo electrónico. Adicionalmente está también previsto, para temas personales que no afecten al resto de los estudiantes, atender consultas en persona o por teléfono. Se aconseja, en cualquier caso, el uso del correo electrónico para contactar con el equipo docente.

Los datos de contacto del equipo docente son los siguientes:

Antonio Rodríguez Anaya - Despacho 3.04 (E. T. S. I. Informática)
Tel.: 91 398 65 50
E-mail: arodriguez@dia.uned.es
C/Juan del Rosal, 16, Ciudad Universitaria, E-28040, Madrid (Spain)

El horario de guardia del equipo docente será los lunes de 15:00 a 19:00.

Horario de atención al estudiante: Lunes y martes de 10:00 a 14:00.

COMPETENCIAS BÁSICAS

CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.

CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades. sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.

CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

COMPETENCIAS GENERALES

CG1 - Identificar los métodos apropiados para la solución de problemas asociados a la ciencia de datos y la analítica de información

CG2 - Ser capaz de aplicar diferentes técnicas de aprendizaje máquina, seleccionando el algoritmo óptimo que genere modelos precisos y permita el desarrollo de soluciones predictivas en diferentes ámbitos de uso

COMPETENCIAS TRANSVERSALES

CT1 - Ser capaz de abordar y desarrollar proyectos innovadores en entornos científicos, tecnológicos y multidisciplinares.

CT2 - Ser capaz de tomar decisiones y formular juicios basados en criterios objetivos (datos experimentales, científicos o de simulación disponibles).

COMPETENCIAS ESPECÍFICAS

CE4 - Conocer las diferentes librerías e implementaciones de las técnicas de representación de información, especialmente relevantes en la visualización de datos masivos

CE5 - Desarrollar modelos de aprendizaje máquina (Machine Learning) basados en las diferentes categorías de clasificación: supervisada, no supervisada y semi-supervisada

Los resultados más relevantes que se pretenden alcanzar con el estudio de esta asignatura son los siguientes:

• Aplicar técnicas de extracción de información de una red social.
• Conocer herramientas de análisis de redes sociales.
• Desarrollar un análisis de la red social.
• Proponer la visualización de los resultados para facilitar su comprensión e interpretación
• Contrastar las diferencias entre un análisis dinámico y un análisis estático de una red social.
• Identificar distintas técnicas de aprendizaje automático con las que completar el proceso de minería de datos en la web social.

La metodología de esta asignatura se basará en dos paradigmas, por un lado, el Aprendizaje colaborativo, y por otro, Aprender haciendo. En esta asignatura se enseñará como analizar la web social, en donde hay relaciones entre distintos actores. Se da especial importancia, en el estudio y evaluación de la asignatura, a la realización de tareas prácticas, que podrán ser en equipo, analizando la web social.

Se utilizará de forma extensiva la plataforma virtual de la UNED, los cursos virtuales, como entorno virtual dinámico de interacción entre estudiantes y estos con el profesor.

Los contenidos docentes se encuentran en la plataforma de e-learning de la UNED estructurados para la mejor comprensión y utilización por parte de los estudiantes.

Las actividades formativas de la asignatura son las que se listan a continuación:

• Estudios de contenidos (30 horas)
• Tutorías  (5 horas)
• Actividades en la plataforma virtual (10 horas)
• Prácticas Informáticas (40 horas)
• Trabajos (15 horas)
• Total: 100 horas.

Tema 1

1. Libro recopilatorio de artículos de investigación titulado Mining and Analyzing Social Networks, editado por I-Hsien Ting,Hui-JuWu, and Tien-Hwa Ho para Studies in Computational Intelligence,Volume 288.
2. Blog de Fernando Santamaría (https://fernandosantamaria.com/blog/).
3. Guía para principiantes sobre la extracción de datos de redes sociales (httpss://research.aimultiple.com/social-media-scraping/)

Tema 2

1. Gephi, herramienta de análisis de redes sociales (httpss://gephi.org).
2. Introducción de Gephi al análisis de redes y visualización es muy recomendable (https://www.martingrandjean.ch/gephi-introduction/).

Tema 3

1. Weka, herramienta de análisis de datos utilizando aprendizaje automático (https://www.cs.waikato.ac.nz/ml/weka/).
2. R, herramienta de análisis de datos (httpss://www.r-project.org).
3. Scikit-learn: Aprendizaje Automático en Python (httpss://scikit-learn.org/stable/)

Para alcanzar los objetivos propuestos, el curso se va a articular, como ya se ha comentado, a través de una plataforma especialmente diseñada para facilitar el trabajo individual y colaborativo en Internet.

La plataforma de e-Learning Ágora proporcionará el soporte requerido para gestionar los procesos de enseñanza y aprendizaje, compartir documentos y enlaces de interés, crear y participar en comunidades temáticas y grupos de trabajo específicos, realizar proyectos de diversa naturaleza, organizar el trabajo mediante agendas compartidas e individuales, acceder y publicar noticias de interés, etc.  Esta plataforma permitirá realizar el seguimiento de las actividades del curso, así como estar al tanto de cualquier información o documentación de interés relacionada con el mismo.