BIBLIOGRAFÍA

Series temporales

1. Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques Morgan Kaufmann, June 2005.

2. G. Box, G. M. Jenkins, G. Reinsel. Analysis Time Series: Forecasting and Control. John Wiley and Sons, 2008.

3. A. Troncoso Lora et al. Electricity Market Price Forecasting Based on Weighted Nearest Neighbors Techniques. IEEE Transactions on Power Systems, Vol. 22, No. 3, pp. 1294-1301,2007

4. F. Martinez-Alvarez, A. Troncoso et al. Energy time series forecasting based on pattern sequence similarity. IEEE Transactions on Knowledge and Data Engineering, 2011

5. F. Martínez-Álvarez, A. Troncoso, J. C. Riquelme, J. S. Aguilar-Ruíz. Discovery of Motifs for Forecast Outlier Occurrence in Time Series. Pattern Recognition Letters, Vol. 32, pp. 1652–1665, 2011

6. S. Gelper, R. Fried, and C. Croux. Robust forecasting with exponential and holt-winters smoothing. Journal of Forecasting, 29:285–300, 2010.

7. F. Martínez-Álvarez, A. Troncoso, G. Asencio-Cortés, J. C. Riquelme. A Survey on Data Mining Techniques Applied To Electricity-Related Time Series Forecasting. Energies, Vol. 8, no. 11, pp. 13162-13193, 2015

Data Streams-Flujos de datos

1. Charu C. Aggarwal (Ed) Data Streams: Models and Algorithms. Springer, 2007. Enlace web: http://charuaggarwal.net/streambook.pdf

2. Joao Gama. Knowledge Discovery from Data Streams. Chapman and Hall/CRC, 2010. Enlace web: www.liaad.up.pt/area/jgama/DataStreamsCRC.pdf

3. Joao Gama et al. A Survey on Concept Drift Adaptation, ACM Computing Surveys, Vol. 1, No. 1, Article 1, 2013.

4. Joao Gama, A survey on learning from data streams: current and future trends. Progress in Artificial Intelligence, Volume 1, Issue 1, pp 45–55, 2012

5. Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets. Cambridge University Press, 2013. Enlace web: http://www.mmds.org/#ver21

6. Albert Bifet, Geoff Holmes, Richard Kirkby and Bernhard Pfahringer. Data Streams Mining: A Practical Approach, University of Waikato, 2011

7. MOA (Massive Online Analysis) http://moa.cms.waikato.ac.nz/

Multi-etiquetas

1. K. Dembczynski, W. Waegeman, W. Cheng, E. Hüllermeier, On label dependence and loss minimization in multi-label classification, Machine Learning 88, pp. 5–45. 2012

2. K. Dembczynski, W. Cheng, E. Hüllermeier, Bayes Optimal Multilabel Classification via Probabilistic Classifier Chains, in: ICML, 2010, pp. 279–286. 2010.

3. E. Gibaja, S. Ventura, Multilabel learning: a review of the state of the art and on going research,Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 4, no. 6, pp. 411–444, 2014.

4. F. Herrera, F. Charte, A.J. Rivera, A.J., M.J. del Jesus, Multilabel Classification: Problem Analysis, Metrics and Techniques. Springer. 2016.

5. O. Luaces, J. Díez, J. Barranquero, J. J. del Coz, A. Bahamonde, Binary relevance efficacy for multilabel classification, Progress in Artificial Intelligence 4, pp. 303–313. 2012.

6. G. Madjarov, D. Kocev, D. Gjorgjevikj, S. Dzeroski, An extensive experimental comparison of methods for multi-label learning, Pattern Recognition 45, pp. 3084–3104. 2012.

7. E. Montañés, R. Senge, J. Barranquero, J. R. Quevedo, J. J. del Coz, and E. Hüllermeier, Dependent binary relevance models for multi-label classification, Pattern Recognition, vol. 47, no. 3, pp. 1494 – 1508, 2014.

8. G. Tsoumakas, I. Katakis, I. Vlahavas, Mining multi-label data, in: Data Mining and Knowledge Discovery Handbook, pp. 667-685. Springer US, 2009.

9. G. Tsoumakas, I. Vlahavas, Random k-Labelsets: An Ensemble Method for Multilabel Classification, in: ECML/PKDD’07, LNCS, Springer, 2007, pp. 406–417.

10. J. Read, B. Pfahringer, G. Holmes, E. Frank, Classifier chains for multi-label classification, Machine Learning 85, pp. 333–359. 2011.

Cuantificación

1. J. Barranquero, P. González, J. Díez, J. J. Del Coz, On the study of nearest neighbor algorithms for prevalence estimation in binary problems, Pattern Recognition 46 (2) pp. 472–482. 2013.

2. J. Barranquero, J. Díez, J. J. del Coz, Quantification-oriented learning based on reliable classifiers, Pattern Recognition 48 (2) pp. 591–604. 2015.

3. A. Bella, C. Ferri, J. Hernández-Orallo, M. J. Ramirez-Quintana, Quantification via probability estimators, in: IEEE International Conference on Data Mining (ICDM’10), 737–742, 2010.

4. M.C. Du Plessis, M. Sugiyama, Class prior estimation from positive and unlabeled data. IEICE Transactions on Information and Systems 97, 5 pp. 1358–1362. 2014.

5. Andrea Esuli, Fabrizio Sebastiani. 2015. Optimizing Text Quantifiers for Multivariate Loss Functions. ACM Transactions on Knowledge Discovery Data 9, 4 27:1–27. 2015.

6. G. Forman, Quantifying counts and costs via classification, Data Mining and Knowledge Discovery 17 (2) pp. 164–206. 2008.

7. W. Gao, F. Sebastiani, Tweet Sentiment: From Classification to Quantification, in: Proceedings of the 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining 2015, ACM, 97–104, 2015.

8. V. González-Castro, R. Alaiz-Rodríguez, E. Alegre, Class Distribution Estimation based on the Hellinger Distance, Information Sciences 218 (2013) 146–164.

9. D. J. Hopkins, G. King, A method of automated nonparametric content analysis for social science. American Journal of Political Science 54, 1 pp. 229–247. 2010.

10. L. Milli, A. Monreale, G. Rossetti, F. Giannotti, D. Pedreschi, F. Sebastiani, Quantification trees, in: IEEE International Conference on Data Mining (ICDM’13), 528–536, 2013.

11. J. Moreno-Torres, T. Raeder, R. Alaiz-Rodríguez, N. Chawla, F. Herrera, A unifying view on dataset shift in classification, Pattern Recognition 45 (1) pp. 521–530. 2012.

12. P. Pérez-Gallego, J. R. Quevedo, J.J. del Coz, Using ensembles for problems with characterizable changes in data distribution: A case study on quantification. Information Fusion 34 pp. 87–100. 2017.

13. M. Saerens, P. Latinne, C. Decaestecker, Adjusting the outputs of a classifier to new a priori probabilities: A simple procedure. Neural Computation 14, 1 pp. 21–41. 2002.

14. M. Sugiyama, T. Kanamori, T. Suzuki, M.C. du Plessis, S. Liu, I. Takeuchi, Density-difference estimation. Neural Computation 25, 10 pp. 2734–2775. 2013.

15. G. I. Webb, R. Hyde, H. Cao, H. L. Nguyen, F. Petitjean, Characterizing concept drift. Data Mining and Knowledge Discovery pp. 1–31. 2015.

PROFESORES DEL CURSO

Alicia Troncoso Lora

Alicia Troncoso Lora es Profesora Titular de Lenguajes y Sistemas Informáticos de la Escuela Politécnica Superior de la Universidad Pablo de Olavide. Es doctora por la Universidad de Sevilla y su tesis recibió el premio Fundación Endesa al mejor trabajo de investigación de las Universidades Andaluzas en el área de conocimiento “Técnicas”. Su formación postdoctoral ha sido completada en Estados Unidos, concretamente, en la Universidad de Columbia en Nueva York, la Universidad de Colorado en Boulder y la Universidad de California en San Diego. Entre sus líneas de investigación caben destacar la Ciencia de Datos y la Inteligencia Artificial aplicadas a la predicción de series temporales y outliers. Actualmente, imparte la asignatura de Inteligencia Artificial en el Grado de Ingeniería Informática y la asignatura Big Data en el Máster de Ingeniería Informática de la Universidad Pablo de Olavide.

José C. Riquelme Santos

José C. Riquelme es Catedrático de Universidad del área de Lenguajes y Sistemas Informáticos, con más 25 años de docencia en los estudios de informática en la Universidad de Sevilla. Durante este tiempo ha dirigido como investigador principal cinco proyectos de I+D en convocatorias nacionales y dos en convocatorias autonómicas. Ha sido director de una decena de tesis doctorales y es autor de medio centenar de artículos en revistas indexadas y más de un centenar de comunicaciones en conferencias internacionales y nacionales. Su principal línea de trabajo es la Minería de Datos tanto desde el punto de vista de modelado como de aplicación a diversos campos como medio ambiente, mercado eléctrico o bioinformática. Su CV completo (incluyendo OrcidID y ResearchID) se puede obtener en: https://investigacion.us.es/sisius/sis_showpub.php?idpers=3275

Juan José del Coz Velasco

Juan José del Coz Velasco es doctor Informática, profesor titular de Ciencias de la Computación e Inteligencia Artificial en la Universidad de Oviedo y miembro del Centro de Inteligencia Artificial de Gijón. Durante más de 15 años, ha desarrollado su labor como investigador en el campo del Aprendizaje Automático. En la actualidad, sus líneas de investigación están centradas en problemas de cuantificación, aprendizaje con datos estructurados, clasificación multi-etiqueta y Big Data.