Cuadro sinopticos y mapas mentales
description
Transcript of Cuadro sinopticos y mapas mentales
MINERÍA DE DATOS
Minería de datos
Tipos de datos de
datos
Tipos de datos de
modelos
EXTRACCIÓN DE
CCONOCIMIENTO
FASE DE INTEGRACIÓN
Y RECOPILACIÓN
FASE DE SELECCIÓN, LIMPIEZA
Y TRANSFORMACIÓN
Discretización Numerización
FASE DE MINERÍA DE
DATOS
Técnicas
FASE DE EVALUACIÓN
E INTERPRETACIÓN
Normalización de rango:
escalado y centrado
Tareas predictivas
Aprendizaje inductivo
.
Técnicas de
evaluación
Exploración y
selección
Tareas descriptivas
Grandes bases de
datos
Validación simple
Bootstrapping
Medidas de evaluación
de modelos
Validación cruzada
con k plieguesInterpretación y
contextualización
FASE DE DIFUSIÓN, USO Y
MONITORIZACIÓN .
Limpieza y
transformación
Alumno: Francisco Martínez walterMaestro: Mtro. B. Roberto CHMateria: Tópicos de base de datos
Minería de
datos
Ejemplo
AGENTE en un BANCO:
GERENTE de un
SUPERMERCADO:
DIRECTOR de RR.HH.
de una EMPRESA:
COMERCIAL de una
EMPRESA DE
COMERCIALIZACIÓN:
¿Debo conceder el crédito a este cliente?
¿Cuándo se compran huevos, se suele comprar también aceite?
¿Qué tipos de empleados tengo?
¿Cuántos televisores planos se estima vender el mes que viene?
Motivación
aumento del volumen y variedad de
información
La información es histórica
para predecir la información
futura
decisiones
El aumento del volumen y variedad de información que se encuentra informatizada en bases de datos digitales ha
crecido espectacularmente en la última década.
Gran parte de esta información es histórica, es decir, representa transacciones o situaciones que se han producido.
Aparte de su función de “memoria de la organización”, la información histórica es útil para predecir la información
futura
La mayoría de decisiones de empresas, organizaciones e instituciones se basan también en información de
experiencias pasadas extraídas de fuentes muy diversas.
Relación de
DM con otras
disciplinas
El usuario no puede perder más
tiempo analizando los datos:industria: ventajas competitivas, decisiones más efectivas. Ciencia: datos nunca analizados, bancos no cruzados,
etc. personal: “information overload”.
industria: ventajas competitivas, decisiones más efectivas. Ciencia: datos nunca analizados, bancos no cruzados,
etc. personal: “information overload”.
El usuario no puede perder más
tiempo analizando los datos:
La minería o prospección de datos
(DM) no es más que una fase del KDD:Fase que integra los métodos de aprendizaje y estadísticos para obtener hipótesis de patrones
y modelos.
La minería o prospección de datos
(DM) no es más que una fase del KDD:
Sistenas OLAP
Herramientas de
minería
Los sistemas OLAP permiten obtener la información que estáen la base de datos (sea implícita o explícitamente)de
manera agregada, cruzada y sumarizada, eficientemente.
Las herramientas de minería de datos permiten obtener información que no está en la base de datos, pero que se
puede inferir de ella con cierta plausibilidad.
MINERÍA DE DATOS
Ejemplo Motivación Aplicación Relación de DM con
Otras Disciplinas
Agente
Gerente
Comercial
Director
Aumento del volumen y
variedad de información
Información es
histórica
Información
futura
decisiones
Toma de DecisionesProcesos
Industriales
Investigación
Científica
Soporte al Diseño de
Bases de Datos.
Mejora de Calidad de
Datos.Mejora de Consultas
Simtemas OLAP
Herramientas de
minería de datos