Untitled

Slide 1

• Extracción de conocimiento (o minería de datos propiamente dicha) del proceso KDD (Knowledge Discovery in Databases), se aplican algoritmos y técnicas avanzadas como árboles de decisión, reglas de inducción y redes neuronales. El propósito es descubrir patrones, modelos y relaciones ocultas en grandes conjuntos de datos para generar conocimiento útil e interpretable.
• Análisis de propiedades de datos: Esta fase, más cercana a la preparación y exploración inicial, se centra en comprender la calidad, distribución y características básicas de los datos, no en aplicar modelos complejos para extraer patrones generalizados.
• Selección de conjunto de datos: En esta etapa se decide qué datos, variables y muestras son relevantes para la tarea de minería de datos, y se preparan para su procesamiento posterior. No es donde se aplican los algoritmos de modelado.
• Interpretación y evaluación de datos: Esta fase ocurre después de la extracción del modelo. Implica evaluar los patrones descubiertos para determinar su validez, utilidad y comprensibilidad para el usuario final, no la aplicación de las técnicas en sí mismas.