Proceso De Generación De Conocimiento Automático

Proceso De Generación De Conocimiento Automático

1. Transformación de datos (discretización, normalización otros dependen del conjunto de datos)

   • La transformación de datos es el proceso de convertir los datos en información desde un sistema fuente hasta el formato que sea requerido. En la normalización los datos consistes en aplicar una serie de reglas en las relaciones con el proceso de modelo-entidad y al modelo-relación.

2. Selección de técnicas de MD:Det. Algorítmica y análisis de resultados parciales.

   • Se analizan los resultados de los patrones obtenidos en la fase MD, mediante técnica de visualización y representación, para general conocimiento que aportan mayor valor a los datos

3. Evaluación

   • Para la evaluación de distintos algoritmos se usan distintas métricas que nos ayudan a elegir cual de todos es mejor
     • matriz de confusión
       • Esta matriz que nos ayuda a saber cuál ha sido el rendimiento de un algoritmo, se validan usando variable cruzada: falsos positivos, falsos negativos, verdaderos positivos y verdaderos negativos
     • Matriz de confusión
       • Esta visualización de matriz de confusión sirve para evaluar la calidad de la salida de cada algoritmo.

4. Preprocesamiento

   • El Preprocesamiento junto a Big Data forman un gran equipo para el procesamiento de datos, sus algoritmos están siendo rediseñado para logran sus eficacias en con la tecnología Big Data. La preparación de datos está formada por una serie de técnicas que tienen el objetivo de inicializar correctamente los datos que servirán de entrada para los algoritmos de minería de datos

5. Integración reconocimiento y limpieza de datos (análisis exploratorio y estadístico)

   • El análisis de exploratorio e integración de conocimiento usan las técnicas de análisis automatizados. Estos análisis se basan en gráficos y estadísticos que permiten explorar la distribución identificando característica como los valores, concertaciones de valores, forma de distribución entre otros

6. Resultados de Data-set vs. algoritmos de validación

   • Esta técnica es utilizada para evaluar los resultados de análisis estadístico comprobando que son independiente. Consiste en repetir y calcular la media aritmética

7. Reducción de datos Eliminación, selección de atributo, clases y conjuntos de datos redundantes

   • El método de reduplicación de datos tiene como objetivo evitar la redundancia de datos en un sistema de almacenamiento de disco. Se usa un motor de duplicación con algoritmos que identifican y eliminan datos o bloques de datos duplicado.

8. Despliegue. Consolidación de conocimiento

   • La empresa debe tratar de alinear la gestión del conocimiento con sus objetivos estratégicos y los procesos del negocio.

9. Comprensión y análisis de información

   • Estas son herramienta que nos ayudan a organizar la información de cualquier tipo. Un lector puede ser capaz de obtener información diversas al momento de leer un texto tomando así los detalle, ejemplo y punto de vista del autor.

10. Modelación

    • La fase de modelación es el proceso de ciencia de datos en equipo. Con el proceso de modelado podemos proporcional un ciclo de vida que puede ser usado para estructurar los proyectos de ciencia de datos. El ciclo de vida describe la fase principal de cada proyecto.

11. Leonicio Polanco Mat: 15-4333

Bilder und Dateien der Mindmap