Componentes
El componente principal en la Tecnología de la Minería de Datos ha sido desarrollado en:
Estadística
Inteligencia Artificial
Máquinas de Aprendizaje
Actualmente, existe gran relevancia en:
Ambientes de negocios
Las descripciones básicas de las arquitecturas de almacenes de datos.
11
Técnicas
Las técnicas para la Minería de Datos son:
Redes Neuronales Artificiales.
Árboles de Decisión.
Algoritmos Genéticos.
Modelos Lineales.
Vecino más Cercano.
12
Minería de Datos
La Minería de Datos ha surgido del potencial del análisis de grandes volúmenes de información.
Su fin es obtener resúmenes y conocimiento para la toma de decisiones.
Además se pretende construir experiencia a partir de millones de transacciones.
13
Minería de Datos
El conjunto de datos de donde la minería intenta extraer conocimiento se le llama conjunto de entrenamiento.
La meta de la Minería es obtener conocimiento válido no solo para la base de datos considerada sino para una muy similar.
El conocimiento puede ser probado con otro conjunto de entrenamiento.
14
Minería de Datos
Algunas de las aplicaciones de la Minería de Datos son:
Compañias Farmaceuticas.
Compañias de crédito.
Compañias de transporte.
Compañias de consumo.
Reacciones químicas.
Comercio, monitoreo.
15
Retos de la Minería
Facilidad con que se puede caer en una falsa interpretación.
Es fácil equivocarse.
Tiempo y espacio.
Privacidad
16
Proceso de la Minería
17
BD
Datos
Selección
Preprocesado
Selección de características
Extracción de conocimiento
Evaluación
Modelo
clasificador
Conocimiento
Proceso de la Minería
Algoritmos de aprendizaje:
Mediante una técnica de Minería de Datos, se obtiene un modelo de conocimiento.
El modelo representa patrones de comportamiento observados en los valores de las variables o relaciones de asociación.
También pueden usarse técnicas para generar distintos modelos.
18
Tipología de Técnicas de la Minería
Los métodos no supervisados, descubren:
patrones y
tendencias en los datos actuales.
El descubrimiento de esa información sirve para llevar a cabo acciones y obtener un beneficio de ellas.
19
Taxonomía de la Minería
20
Data Mining
Verification Driven DM
Discovery Driven DM
SQL
SQL Generator
Description
Prediction
Query Tools
OLAP
Visualization
Clustering
Association
Secuential Association
Distillation
Clasification
Statistical
Regression
Decision Tree
Rule Induction
Neural Network
Métodos de la Minería
Agrupamiento.
También se llama segmentación.
Identifica tipologías de grupos, donde se guarda similitud.
Se requiere información sobre el colectivo a segmentar.
La información corresponde a valores concretos.
Se basan en herramientas de carácter estadísticos, generación de reglas, redes neuronales,etc.
21
Técnicas de la Minería
Métodos estadísticos.
Técnica tradicional en el tratamiento de grandes volúmenes de datos.
Existen varios modelos:
ANOVA (Análisis de Varianza). Contrasta con variables continuas.
Ji cuadrado. Contrasta con la independencia de variables.
Componentes principales. Permite reducir el número de variables.
22
Técnicas de la Minería
Métodos estadísticos.
Análisis de clústers. Permite clasificar poblaciones.
Análisis de discrimante. Permite encontrar reglas de clasificación de elementos en grupos.
Regresión lineal. Se identifica una variable dependiente de las independientes, con una relación lineal.
Regresión logística. Trabaja con variables discretas, se requiere que las variables sean lineales.
23
Técnicas de la Minería
Árboles de decisión.
Herramientas analíticas empleadas para el descubrimiento de reglas y relaciones.
Se construye partiendo el conjuntos de dos (CART) o más (CHAID).
Cada subconjunto a su vez es particionado.
Se continua hasta no encontrar diferencias significativas de influencia.
24
Técnicas de la Minería
Reglas de asociación.
Derivan de un tipo de análisis que extrae información por coincidencias.
Permite descubrir correlaciones o co-ocurrencias en los sucesos de la base de datos.
Se formaliza la obtención de reglas del tipo SI… ENTONCES.
25
Técnicas de la Minería
Redes neuronales.
Son capaces de detectar y aprender patrones y características de los datos.
Una vez adiestradas las redes pueden hacer previsiones, clasificaciones y segmentación.
Esto se realiza estructurando nivels o capas.
Se tienen dos tipos de aprendizaje: supervisado y no supervisado.
26
Técnicas de la Minería
Algorítmos genéticos.
Hacen uso de técnicas de reproducción (mutación y cruce) para ser utilizadas para búsqueda y optimización.
Se parte de una población inicial, y se altera optimizándola.
Esta herramienta se usa en las primeras fases de la minería y después se aplica redes neuronales o regresión logística.
27
Técnicas de la Minería
Lógica difusa.
Surge de la necesidad de modelar la realidad de forma mas exacta, evitando el determinismo y exactitud.
Permite el tratamiento probabilístico de categorización colectiva.
Trata la existencia de barreras difusas o suaves entre grupos.
28
Técnicas de la Minería
Series temporales.
Consisten en el estudio de una variable a través del tiempo para que partiendo de ese conocimiento y con el supuesto de no cambios poder realizar predicciones.
Se basan en ciclos, tendencias y estaciones.
Se puede aplicar enfoques híbridos entre métodos anteriores, o con otro tipo de variables.
29
Técnicas de la Minería
Redes bayesianas.
Son una alternativa para la minería.
Se tiene las ventajas:
Permiten aprender sobre relaciones de dependencia y causalidad.
Permiten combinar conocimiento de datos.
Evitan el sobre-ajuste de datos.
Permiten el manejo de bases de datos incompletas.
30
 Página anterior | Volver al principio del trabajo | Página siguiente  |