Data mining

Minería de
Datos
DOCENTE: ING. DAVID MENDOZA GUTIERREZ
GRUPO 4
YUCRA MIRANDA
YENNY YANETH
PEREZ FIERRO
DANIEL
SALAS QUISPE
FRANKLIN
GODOY CACERES
JORGE JHONNY

Historia de la minería de Datos
La minería de datos empieza alrededor de los años 70.
❏ Data Fishing (Pesca de Datos)
❏ Data Mining (Procesamiento de datos).
❏ Data Archaeology (Arqueología de datos)
con la idea de encontrar correlaciones sin una hipótesis previa en bases de datos con ruido.
A principios de los años ochenta, Rakesh Agrawal, GioWiederhold, Robert Blum y Gregory Piatetsky-Shapiro entre otros, empezaron a
consolidar los términos de Minería de Datos y KDD.
La evolución de sus herramientas en el transcurso del tiempo puede dividirse en cuatro etapas principales:
• Colección de Datos (1960).
• Acceso de Datos (1980).
• Almacén de Datos y Apoyo a las Decisiones (principios de la década de 1990).
• Minería de Datos Inteligente.( década de 1990).
integrantes:
YUCRA MIRANDA YENNY YANETH
SALAS QUISPE FRANKLIN
GODOY CACERES JORGE JHONNY
PEREZ FIERRO DANIEL
MODULO: FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATO

Qué es minería de datos
La minería de datos es el proceso de búsqueda en grandes bases de
datos para encontrar información útil que sirva para la toma de
decisiones. También se utiliza el término en inglés «data mining».
integrantes:
PEREZ FIERRO DANIEL
MODULO: FUNDAMENTOS DE MINERÍA Y CIENCIAS DE DATOS

La minería de datos surgió con la intención o el objetivo de ayudar a
comprender una enorme cantidad de datos
Cómo surgió Mining o Minería de Datos ?
integrantes:
PEREZ FIERRO DANIEL

1. Determinación de los objetivos.
2. Procesamientos de datos.
3. Determinación del modelo.
4. Análisis de los resultados.
Para llevar a cabo un análisis de Data Mining,
deberán realizar cuatro pasos distintos:
integrantes:
PEREZ FIERRO DANIEL

Tecnica de mineria de datos
● Técnicas Descriptivas.
● Técnicas Predictivas.
❖ Descripción de clases.
❖ Análisis de asociación.
❖ Análisis de clusters.
❖ Clasificación y
predicción.
❖ Árboles de decisión.
❖ Redes Neuronales.
integrantes:
PEREZ FIERRO DANIEL

Diferencias entre Data Mining y Big Data
integrantes:
PEREZ FIERRO DANIEL

❖ Es capaz de analizar bases de datos con una enorme cantidad de datos.
❖ Los resultados son muy fáciles de interpretar y no es necesario tener conocimientos en ingeniería informática.
❖ Permite encontrar, atraer y retener clientes.
❖ La empresa puede mejorar la atención al cliente a partir de la información obtenida.
❖ Da a las empresas la posibilidad de ofrecer a los clientes los productos o servicios que necesitan.
❖ Antes de usar los modelos, estos son comprobados mediante estadísticas para verificar que las predicciones obtenidas son
válidas.
Ventajas de minería de datos
integrantes:
PEREZ FIERRO DANIEL

PROYECTO
ANÁLISIS DE LA PREDICCIÓN DE VENTAS
APLICANDO UN MODELO DE MINERÍA DE DATOS
SOBRE UN CONJUNTO DE DATOS PARA UNA TIENDA
DE BICICLETAS
integrantes:
PEREZ FIERRO DANIEL

La TIENDA DE BICICLETAS en los últimos días sea visto en la necesidad de
obtener predicciones de sus ventas basados en sus clientes, de manera
que pueda mejorar sus canales de ventas de sus productos y de la misma
manera la toma de decisiones, motivo por el cual se desea implementar
un análisis para la predicción de ventas aplicando el proceso de minería
de datos.
IDENTIFICACIÓN DEL PROBLEMA
integrantes:
PEREZ FIERRO DANIEL

DESARROLLO DEL PROYECTO
integrantes:
PEREZ FIERRO DANIEL

DIAGRAMA DE CLASES
integrantes:
PEREZ FIERRO DANIEL

ORIGEN DE LOS DATOS
integrantes:
PEREZ FIERRO DANIEL

MIGRACIÓN DE LOS DATOS
integrantes:
PEREZ FIERRO DANIEL

PROBLEMA 1:
La tienda de bicicleta quiere conocer qué tipos de clientes y
posibles compradores.
integrantes:
PEREZ FIERRO DANIEL

EXPLORAR DATOS
integrantes:
PEREZ FIERRO DANIEL

CREACIÓN DE LA VISTA “view_ventas”
integrantes:
PEREZ FIERRO DANIEL

CREAR MODELOS
crear el data Sources
Para crear el modelo, lo hacemos una vez definido la
base de datos en SQL server. Es dirigirnos a la
herramienta SQL server Data tools, creamos un proyecto
de tipo minería de datos.
Una vez definido el proyecto nos dirigimos a Data
Sources. Y nos conectamos al servidor, y a continuación
nos conectamos a la base de datos con la cual se
trabajará en el proyecto como se muestra en la siguiente
gráfica.
integrantes:
PEREZ FIERRO DANIEL

CREAR MODELOS
crear el data Sources Views
Para crear la vista lo que hacemos es dirigirnos a Data Source Views, aquí
seleccionamos la base de datos que seleccionamos en el Data Sources.
integrantes:
PEREZ FIERRO DANIEL

CREAR MODELOS
crear el data Sources Views
A continuación, seleccionamos la vista que hemos preparado para trabajar con
el proyecto, basado en la base de datos.
integrantes:
PEREZ FIERRO DANIEL

CREAR MODELOS
creación del data Mining Strutures
Para crear el modelo, lo que hacemos en este caso para el proyecto, es
aleccionar el Algoritmo con el que se trabajara, en este caso seleccionamos el
algoritmo de Microsoft Naive Bayes.
integrantes:
PEREZ FIERRO DANIEL

CREAR MODELOS
creación del data Mining Strutures
A continuación, definimos todos los atributos los cuales
serán definidos como, entradas, la llave primaria y
finalmente seleccionamos la variable de predicción, en
este caso tenemos la variable Edad el cual será tomado
como dato de predicción.
Luego seleccionamos un valor de predicción, en este
caso seleccionamos, como porcentaje de prueba 30 por
ciento.
integrantes:
PEREZ FIERRO DANIEL

CREDITS: This presentation template was created by Slidesgo, including
icons by Flaticon, and infographics & images by Freepik.
THANKS!
GRUPO 4

Data mining

Más contenido relacionado

Similar a Data mining

Más de FranklinSalasQuispe

Último

Data mining