Técnicas importantes para la resolución de problemas

1. UNIVERSIDAD POLITECNICA DE
TLAXCALA
PROFESOR: DR. PEDRO AARÓN HERNÁNDEZ AVALOS
MATERIA: MINERÍA DE DATOS
CUATRIMESTRE: OCTAVO
ALUMNO: EDUARDO PALMA GONZÁLEZ

2. MINERÍA DE DATOS
 Minería de datos es el conjunto de técnicas y
tecnologías que permiten explorar grandes
bases de datos, que intenta descubrir
patrones en grandes volúmenes de
conjuntos de datos.

3. MÉTODOS QUE UTILIZA DATAMINING
 Inteligencia artificial
 Aprendizaje automático
 Estadística
 Sistemas de bases de datos.

4. ETAPAS
 Determinación de los objetivos. Trata de la
delimitación de los objetivos que el cliente
desea bajo la orientación del especialista en
minería de datos.
 Preprocesamiento de los datos. Se refiere a
la selección, la limpieza, el enriquecimiento, la
reducción y la transformación de las bases de
datos. Esta etapa consume generalmente
alrededor del setenta por ciento del tiempo
total de un proyecto de minería de datos.

5.  Determinación del modelo. Se comienza
realizando unos análisis estadísticos de los datos, y
después se lleva a cabo una visualización gráfica
de los mismos para tener una primera
aproximación. Según los objetivos planteados y la
tarea que debe llevarse a cabo, pueden utilizarse
algoritmos desarrollados en diferentes áreas de la
Inteligencia Artificial.
 Análisis de los resultados. Verifica si los
resultados obtenidos son coherentes y los coteja
con los obtenidos por los análisis estadísticos y de
visualización gráfica. El cliente determina si son
novedosos y si le aportan un nuevo conocimiento
que le permita considerar sus decisiones.

6. LAS TÉCNICAS
 + Redes Neuronales.
 + Regresión Lineal.
 + Árboles de Decisión.
 + Modelos Estadísticos.
 + Reglas de Asociación.

8. REDES NEURONALES
 Es un paradigma de aprendizaje y
procesamiento automático. Trata de un
sistema de interconexión de neuronas que
colaboran entre sí para producir un estímulo
de salida.

9. ÁRBOL DE DECISIÓN
 Son representaciones
gráficas y analíticas de
datos ya establecidos
mediante una base de datos.
 Ayuda en la toma de
decisiones, desde un punto
de vista probabilístico,
con el fin de obtener la opción
que mejor convenga.

10. REGRESIÓN LINEAL
 Es la más utilizada para formar relaciones
entre datos.
 Rápida y eficaz pero insuficiente en
espacios multidimensionales donde
puedan relacionarse más de 2 variables.

11. MARKET BASKET ANALYSIS
 Permite detectar que productos se
adquieren conjuntamente, permite
incorporar variables técnicas que ayudan
en la interpretación.

12. TÉCNICAS DE CLUSTERING
 Son técnicas que parten de una medida de
proximidad entre individuos y a partir de
ahí, buscar los grupos de individuos más
parecidos entre sí, según una serie de
variables mesuradas.

13. REDES BAYESIANAS
 Consiste en representar todos los posibles
sucesos en que estamos interesados
mediante un grafo de probabilidades
condicionales de transición entre sucesos.

14. MODELOS LINEALES GENERALIZADOS
 Son modelos que permiten tratar diferentes
tipos de variables de respuesta, por
ejemplo la preferencia entre productos
concurrentes en el mercado.

15. PREVISIÓN LOCAL
 La idea de base es que individuos
parecidos tendrán comportamientos
similares respecto de una cierta variable de
respuesta.

16. REFERENCIAS
 http://tecnicasmd.blogspot.mx/2015/04/tecnic
as-de-mineria-de-datos.html
 http://es.slideshare.net/jorgeklz1/apriori-
algoritmo-reglas-de-asociacion-datamining-
mineria-datos-soporte-confianza
 http://www.dynamics.unam.edu/DinamicaNo
Lineal/Articulos/MineriaRedesNVacunas.pdf