MINERIA DE DATOS

MINERIA DE DATOS

1. SUS TAREAS

   • ANÁLISIS EXPLORATORIO DE DATOS
     • Analiza los datos con técnicas interactivas y visuales para el cliente
   • MODELO DESCRIPTIVO
     • *Modelos de distribución general de probabilidad de los datos *participación del espacio p-dimensional, que describen relaciones entre variables
   • MODELO PREDICTIVO
     • Predice el valor de una variable a partir de valores conocidos
   • PATRONES Y REGLAS
     • El objetivo de esta tarea es. la mejor manera de detectar patrones de diferentes tamaños y clusters
   • RECUPERACIÓN POR CONTENIDO
     • Encuentra datos de frecuencia, utilizados para audio, vídeos e imágenes

2. TIPOS DE SISTEMAS

   • SEGÚN LA FUENTE DE DATOS EXTRAIDA
     • Se clasifica de acuerdo a su tipo: audio/video, texto, etc
   • SEGÚN SU MODELO DE DATOS
     • Relational data model, Object Model, Object Modelo de datos orientados, modelo de datos modelo / W de datos jerárquicos
   • SEGÚN EL TIPO DE CONOCIMIENTO DESCUBIERTO
     • tales como caracterización, discriminación, asociación, clasificación, Clustering, etc.
   • SEGÚN TÉCNICAS MINERAS UTILIZADAS
     • se basa en el enfoque de análisis, el aprendizaje automático, Redes neuronales, algoritmos genéticos, estadísticas, visualización, bases de datos orientadas o datos Orientado al almacén, etc.

3. CICLO DE LA VIDA

   • ENTENDIMIENTO EMPRESARIAL
     • Comprensión de los objetivos y requisitos de una empresa * Definición del problema y plan preliminar para logros del proyecto
   • ENTENDIMIENTO DE LOS DATOS
     • recopilación de datos, para identificar la calidad
     • EVALUACIÓN
       • el modelo es evaluado y revisado a fondo
       • IMPLEMENTACIÓN
         • aumentar el conocimiento de los datos, el conocimiento adquirido Para ser organizado y presentado de una manera que el cliente pueda utilizarlo
   • PREPARACIÓN DE DATOS
     • recoge todos los conjuntos de datos diferentes y construye las variedades Basándose en los datos iniciales
   • MODELADO
     • seleccionan y aplican diversas técnicas de modelado y sus parámetros son Calibrado valores óptimos

4. VISUALIZACIÓN DEL MODELO

   • Esta visualización del modelo de minería de datos nos ayuda Para proporcionar niveles máximos de comprensión y confianza.

5. MÉTODOS

   • *Árboles de decisión y reglas *Regresión no lineal y métodos de clasificación *Métodos basados ​​en ejemplos *Modelos Probabilísticos de Dependencia Gráfica *Modelos de Aprendizaje Relacional

6. APLICACIONES

   • ASISTENCIA SANITARIA
     • Aplicaciones en la salud puede tener un enorme potencial y utilidad, Sin embargo, el éxito depende de la disponibilidad de Datos
     • ANÁLISIS EN LA CESTA DE MERCADO
       • esta técnica nos ayuda a encontrar las asociaciones entre diferentes Artículos que el cliente pone en sus cubos de compras
       • INGENIERÍA DE FABRICACIÓN
         • Controlar el proceso de fabricación que mejorará aún más la calidad de los productos. la fabricación ha aumentado claramente en los últimos 20 años, es Ahora es apropiado revisar críticamente su historial y Aplicación
         • GENÉRICAS O ESPECIFICAS DEL DOMINIO
           • Algunos genéricos no pueden tomar sus propias decisiones, sino que guían a los usuarios para la selección de Método de extracción de datos y para la interpretación de los resultados, La minería de datos basada en agentes múltiples Aplicación tiene la capacidad de selección automática de la técnica que se aplicará
         • APLICACIÓN DE TÉCNICAS EN CRM
           • Investigación sobre la aplicación de la minería de datos en CRM aumentará significativamente en el futuro sobre la base de las tasas de publicaciones anteriores y Interés en el área.
   • SISTEMA EDUCATIVO
     • puede ayudar a reducir la brecha de conocimientos en los sistemas educativos superiores. los Patrones ocultos, asociaciones y anomalías que son descubiertas, pueden mejorar los procesos de toma de decisiones en los sistemas educativos

7. EL ÁMBITO

   • PREDICCIÓN AUTOMATIZADA DE TENDENCIAS Y COMPORTAMIENTOS
     • el proceso de búsqueda de información predictiva en grandes bases de datos
   • REDES NEURONALES ARTIFICIALES
     • modelos predictivos no lineales que aprenden a través de la formación y se asemejan a las redes neuronales biológicas en la estructura
     • LOS ÁRBOLES DE DECISIÓN
       • estructuras que representan conjuntos de decisiones en forma de árbol. Estas decisiones generan reglas para la clasificación de un conjunto de datos
       • LOS ALGORITMOS GENÉTICOS
         • Las técnicas de optimización que utilizan procesos tales como la combinación genética, mutación, y natural la selección de un diseño basado en los conceptos de la evolución.
         • MÁS CERCANO AL MÉTODO VECINO
           • Una técnica que clasifica cada registro de un conjunto de datos basado en una combinación de las clases de la k registro (s) más similar a él en un conjunto de datos históricos (donde k ³ 1). A veces llamado el k-más cercana técnica vecino.