Este documento trata sobre minería de datos. Explica que la minería de datos implica recopilar y analizar grandes cantidades de datos de múltiples fuentes para descubrir patrones ocultos y obtener información valiosa. Detalla algunas técnicas como agrupamiento, clasificación y asociación, y los pasos del proceso de minería de datos como recolección, limpieza y análisis de datos. Finalmente, menciona algunas aplicaciones como comprender la satisfacción del cliente y prevenir fraudes, y algoritmos comúnmente us
2. Minería de datos
Actualmente todo esta ligado a los datos y somos capaces de manejar dichos
datos.
Al recopilar e inspeccionar estos datos, la misma gente pudo descubrir algunos
patrones.
En algunos datos dichos patrones están ocultos y estos se pueden extraer
combinando múltiples fuentes de datos para proporcionar información valiosa.
Esto es minado de datos.
3. Minería de datos
La minería de datos a menudo se combina
con varias fuentes de datos.
La cantidad de datos disponibles es un
factor crítico aquí.
Hay muchos ejemplos de éxitos y fracasos
de la minería de datos
La minería de datos te ayuda a:
Entender lo que los clientes quieren.
Detectar fraudes.
Mejorar la eficacia laboral.
Encontrar oportunidades.
Pronosticar el futuro.
4. Minería de datos
Técnicas descriptivas
Agrupamiento
Técnicas de predicción
Regresión Clasificación
Asociación
5. PASOS DE LA MINERÍA DE DATOS
Recolección de datos
La primera etapa es comprender los
objetivos de su proyecto de minería de
datos y en función de eso obtener los
datos necesarios para su posterior
comprensión.
6. PASOS DE LA MINERÍA DE DATOS
Limpieza de datos
Dado que estamos recibiendo una gran
cantidad de datos, necesitamos
asegurarnos de que solo tenemos los
datos necesarios y eliminar los no
deseados.
7. PASOS DE LA MINERÍA DE DATOS
Análisis de datos
Este es el corazón del proceso de
minería de datos. Como su nombre
lo indica, el análisis y la búsqueda
de patrones se realiza en este paso.
8. PASOS DE LA MINERÍA DE DATOS
Interpretación
Finalmente, los datos analizados son
interpretados para tomar
conclusiones importantes como
predicciones.
11. APLICACIONES
Optimización de la industria de seguros
Evaluación del riesgo de crédito.
Prevención del fraude financiero
12. ALGORITMOS
Arboles de Decisión
El algoritmo K-means
Máquinas de vectores de soporte
El algoritmo Apriori
El algoritmo EM
Algoritmo PageRank
Algoritmo AdaBoost
Algoritmo del vecino k más cercano
Naive Baye
Algoritmo CART
17. Referencias bibliográficas
González, L. [AprendeIA con Ligdi Gonzalez]. (2020, Junio 16). MINERÍA DE DATOS | #15 Aprende más sobre
Inteligencia Artificial [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=ciMsxJb12V4