Sem título

Un proceso automatico o semiautomatico que busca descubrir patrones ocultos en un conjunto de datos y sean potencialmente utililes para los usuarios de la base de datos

Su objetivo es obtener patrones de interes para el usuario final.

Para lograrlo es necesario preparar correctamente los datos para procesarlo, elegir un metodo adecuado para extraer los patrones deseados y determinar los patrones deseados

Data Mining: es el analisis de conjuntos de datos observacionales para encontrar relaciones insospechadas y resumir los datos

Es un resultado de la evoluciòn natural de la tecnologia de la informaciòn, debido a la amplia disponibilidad de enormes cantidades de datos y necesidad inmiente de convertirlos en informacion utili y conocimiento

Consiste en la extraccion no trivial de informacion que reside de manera implicita en los datos la cual era previamente desconocida y podria resultar util para algun proceso

En globa a un conjunto de tecnicas encaminadas a la estraccion de conocimietno procesable

En el mundo de la mineria de datos las preguntas que se pueden hacer y responder son infinitas como sus metodologias

MINERIA DE DATOS

Aprendizaje automatico

Las categorìas basicas de las tecnicas de mineria se pueden agrupar en:

Construccion de un modelo

Clasificaciòn: incluye procesos de mineria de datos que buscan reglas para definir si un item o un evento pertenece a una clase de fatos en especifico

Prediccion

Se desarrolla un asociativo que incluye las reglas que van a correclacionar un conjunto de eventos con otro

Asociacion: incluye tecnicas conocidas como linkage analysis, utilizadas para buscar patrones que tienen un probabilidad alta de repeticion.

Secuencia: metodos de analisis de serie de tiempo son usados para relacionar lod eventos con el tiempo

Cluster: en ocasiones resulta dificil o imposible definir los parametros de una clase de datos

los metodos de clustering pueden usarse para crear particiones

Existen variadas tecnologias para construir los modelos y se pueden clasificar en:

Descriptivos: se rigen por un procesi de aprendizaje no sustraido, que trata de identificar patrones en los datos sin indicadores externos que guien al algoritmos

Los modelos desciptivos sirven para explorar las propiedades de los datos examinados.

El objetivo del clustering es encontrar grupos que sean muy diferentes unos de otros, pero sus miembros sean muy similares entres si

Predictivos: requiere de un proceso de aprendizaje supervisado

Estos metodos pretenden estimar valores futuros o desconocidos de una variable de respuesta

Se conoce como un modelo de clasificacion. Un requisito comun a las tecnicas de modelado predictivo es ña utilizacion de muesta de datos

Los metodos de mineria de datps se espera disponer de una amplia base de datos que permita realizar tres grupos

Construir y evaluar los modelos, asètos que seria problematico con un numero reduicido de sujetos

Estas metodos de minieria de datos han aparecido en los campos de la finanzas, mercadotecnia, el comercio, telecomunicaiones entre otros

Los modelos no aspiran a ser perfectos, sino aproximados,al trabajar hipotesis es necesario una evolucion de los patrones obtenidos

Dependiendo del objetivo se pueden distingirse sistemas para

Clasificacion(clasificar datos)

Regresion(funcion de prediccion

Agrupacion de conceptos

Compactacion(descripcion compacta)

Modelo de dependencias

Deteccion de desviaciones

Dependiendo de la tendencia con que se aborde ele problema se pueden distingirse por:

Sistema conexionistas

Sistemas evolucionistas

Sistemas simbolicos

Dependiendo del lenguaje utilizado para presentar el conocimiento se distinguen por:

Basadas en la logica de proposiciones

Basadas en la logica predicados de primer orden

Estructuradas

A traves de ejemplos

No simbolicas como las redes neuronales