Se ha denunciado esta presentación.
Se está descargando tu SlideShare. ×

Técnicas mineria de datos

Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Cargando en…3
×

Eche un vistazo a continuación

1 de 16 Anuncio
Anuncio

Más Contenido Relacionado

Presentaciones para usted (20)

Anuncio

Más reciente (20)

Anuncio

Técnicas mineria de datos

  1. 1. UNIVERSIDAD POLITECNICA DE TLAXCALA PROFESOR: DR. PEDRO AARÓN HERNÁNDEZ AVALOS MATERIA: MINERÍA DE DATOS CUATRIMESTRE: OCTAVO ALUMNO: EDUARDO PALMA GONZÁLEZ
  2. 2. MINERÍA DE DATOS  Minería de datos es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, que intenta descubrir patrones en grandes volúmenes de conjuntos de datos.
  3. 3. MÉTODOS QUE UTILIZA DATAMINING  Inteligencia artificial  Aprendizaje automático  Estadística  Sistemas de bases de datos.
  4. 4. ETAPAS  Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en minería de datos.  Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de minería de datos.
  5. 5.  Determinación del modelo. Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial.  Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente determina si son novedosos y si le aportan un nuevo conocimiento que le permita considerar sus decisiones.
  6. 6. LAS TÉCNICAS  + Redes Neuronales.  + Regresión Lineal.  + Árboles de Decisión.  + Modelos Estadísticos.  + Reglas de Asociación.
  7. 7. REDES NEURONALES  Es un paradigma de aprendizaje y procesamiento automático. Trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida.
  8. 8. ÁRBOL DE DECISIÓN  Son representaciones gráficas y analíticas de datos ya establecidos mediante una base de datos.  Ayuda en la toma de decisiones, desde un punto de vista probabilístico, con el fin de obtener la opción que mejor convenga.
  9. 9. REGRESIÓN LINEAL  Es la más utilizada para formar relaciones entre datos.  Rápida y eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse más de 2 variables.
  10. 10. MARKET BASKET ANALYSIS  Permite detectar que productos se adquieren conjuntamente, permite incorporar variables técnicas que ayudan en la interpretación.
  11. 11. TÉCNICAS DE CLUSTERING  Son técnicas que parten de una medida de proximidad entre individuos y a partir de ahí, buscar los grupos de individuos más parecidos entre sí, según una serie de variables mesuradas.
  12. 12. REDES BAYESIANAS  Consiste en representar todos los posibles sucesos en que estamos interesados mediante un grafo de probabilidades condicionales de transición entre sucesos.
  13. 13. MODELOS LINEALES GENERALIZADOS  Son modelos que permiten tratar diferentes tipos de variables de respuesta, por ejemplo la preferencia entre productos concurrentes en el mercado.
  14. 14. PREVISIÓN LOCAL  La idea de base es que individuos parecidos tendrán comportamientos similares respecto de una cierta variable de respuesta.
  15. 15. REFERENCIAS  http://tecnicasmd.blogspot.mx/2015/04/tecnic as-de-mineria-de-datos.html  http://es.slideshare.net/jorgeklz1/apriori- algoritmo-reglas-de-asociacion-datamining- mineria-datos-soporte-confianza  http://www.dynamics.unam.edu/DinamicaNo Lineal/Articulos/MineriaRedesNVacunas.pdf

×