Este documento presenta una introducción a la minería de datos. Explica conceptos básicos como tipos de datos, disciplinas involucradas y definiciones de minería de datos. También describe los almacenes de datos OLAP y OLTP y las aplicaciones de la minería de datos como la clasificación, agrupamiento y pronósticos. El objetivo es proporcionar una visión general de los fundamentos de la minería de datos.

1. Minería de Datos I
Dr. Ricardo Rico Molina
rricom@uaemex.mx
Centro Universitario UAEM Nezahualcóyotl

2. Directorio
Titulo de la presentación

3. Directorio
Nezahualcóyotl
Titulo de la presentación
Dra. en C. Magally Martínez Reyes
Encargada del Despacho de la Dirección del Centro Universitario UAEM Nezahualcóyotl
M. en GyA. P. Ma.
Teresa Cruz Patiño Subdirector Académico
CP.
Martha Osorio González Subdirector Administrativo
D. en C.A.
Oliverio Cruz Mejía Coordinadora de Investigación y Estudios Avanzados
M. en A.
Victor Manuel Durán López Coordinador de Planeación y Desarrollo Institucional
M. en C. E.
Cesar Lucio Gutiérrez Ruiz Coordinador de la Licenciatura en Comercio Internacional
M S.S.
Carlos Anaya Hernández. Coordinadora de la Licenciatura en Educación para la Salud
Dra. en Ing. de Sist.
Doricela Gutiérrez Cruz Coordinador de la Licenciatura en Ingeniería en Sistemas
Inteligentes
M. en I.
Javier Romero Torres Coordinador de la Licenciatura en Ingeniería en Transporte
Dr. en E.J.
Rodolfo Téllez Cuevas Coordinador de la Licenciatura en Seguridad Ciudadana

4. Mapa curricular
Titulo de la presentación

5. Contenido
Titulo de la presentación
Minería de Datos
Unidad 1. Introducción
Contenidos:
1.1 Conceptos básicos
1.2 Tipos de datos y modelos
1.3 Disciplinas involucradas
1.4 Definición de minería de datos
1.5 Almacenes de datos (OLAP vs OLTP)
1.6 Aplicaciones de la minería de datos

6. Secuencia
Didáctica
Unidad 1. Introducción
1.1 Conceptos básicos
1.2 Tipos de datos y modelos
1.3 Disciplinas involucradas
1.4 Definición de minería de datos
1.5 Almacenes de datos (OLAP vs OLTP)
1.6 Aplicaciones de la minería de datos

7. Presentación
Titulo de la presentación
El presente Material Visual de la Unidad de Aprendizaje Mineria de
datos de la licenciatura en Ingeniería en Sistemas Inteligentes reúne
los contenidos básicos de la unidad 1. Introducción, el curso
contempla la integración de cuatro unidades a saber; introducción al a
minería de datos, Pre procesamiento de los datos, Sistemas de datos
multidimensionales, Minando patrones frecuentes, asociaciones y
correlación; las cuales impartirán en cuatro horas semanales.

8. 1.1 Conceptos básicos
Evolución

9. 1.1 Conceptos básicos
¿Que es La minería de datos?
• La Minería de Datos descubre relaciones, tendencias, desviaciones,
comportamientos atípicos, patrones y trayectorias ocultas, con el
propósito de soportar los procesos de toma de decisiones con mayor
conocimiento. La Minería de Datos se puede ubicar en el nivel más
alto de la evolución de los procesos tecnológicos de análisis de datos.

10. 1.1 Conceptos básicos
¿Que es La minería de datos?
• La Minería de Datos (Data Mining) debe su nombre a la analogía
entre una montaña y la gran cantidad dé datos almacenados en
cualquier empresa. Dentro de la montaña, ocultos entre piedras y
tierra, se encuentran diamantes de gran valor que mediante
actividades de minería son encontrados y aprovechados (Beltran ,
NA).

11. 1.1 Conceptos básicos
¿Que es La minería de datos?
• Extracción de información o de patrones (no trivial, implícita,
previamente desconocida y potencialmente útil) de grandes bases
de datos
• El objetivo de la minería de datos es crear un proceso automatizado
que toma como punto de partida los datos y cuya meta es ayudar
ala toma de decisiones

12. 1.1 Conceptos básicos
¿Qué no es minería de datos?
Data mining no es estadística
Comúnmente ambos términos se confunden, de hecho, según algunos,
Data mining es el sucesor de la estadística tal como se usa
actualmente. La estadística y el Data Mining tienen el mismo objetivo,
que es construir "modelos“ compactos y comprensibles que rindan
cuenta de las relaciones establecidas entre la descripción de una
situación y un resultado relacionado con dicha descripción.

13. 1.1 Conceptos básicos
¿Qué no es minería de datos?
Minería de datos utiliza técnicas estadísticas, pero también utiliza
técnicas de Inteligencia Artificial.
Las técnicas estadísticas se centran generalmente en técnicas
confirmatorias, mientras que las técnicas de minería de datos son
generalmente exploratorias.

14. 1.1 Conceptos básicos
¿Qué no es minería de datos?
Las técnicas de minería de datos son menos restrictivas que las
estadísticas. Una vez encontrado un punto de partida interesante y
dispuestos a utilizar análisis estadístico en particular, puede suceder
que los datos no satisfagan los requerimientos del análisis estadístico.
Entonces las variables deberán ser examinadas para determinar que
tratamiento permite adecuarlas al análisis, no siendo posible o
conveniente en todos los casos. La minería de datos permite ser
utilizada con los mínimos de supuestos posibles.

15. 1.2 Tipos de Datos y modelos
Al crear un modelo de minería de datos o una estructura de minería de
datos, debe definir los tipos de datos de cada una de las columnas de
la estructura de minería de datos. Los tipos de datos indican al motor
de análisis si los datos del origen de datos son numéricos o de texto y
cómo deben procesarse los datos.

16. 1.2 Tipos de Datos y modelos
Tipo de datos Tipos de contenido admitidos
Texto Cyclical, Discrete, Discretized, Key Sequence, Ordered, Sequence
Long Continuous, Cyclical, Discrete, Discretized, Key, Key Sequence, Key Time, Ordered,
Sequence, Time
Classified
Boolean Cyclical, Discrete, Ordered
Double Continuous, Cyclical, Discrete, Discretized, Key, Key Sequence, Key Time, Ordered,
Sequence, Time
Classified
Fecha Continuous, Cyclical, Discrete, Discretized, Key, Key Sequence, Key Time, Ordered

17. 1.3 Disciplinas involucradas
• Estadística
• Inteligencia artificial
• Machine Learning
• Bases de datos
• Visualización
• otras

18. 1.4 Definición de minería de datos
Definiciones de Minería de Datos
• 1. Conjunto de técnicas; que automatizan la detección de patrones
relevantes
• 2. Proceso que permite transformar información en conocimiento útil
para el negocio, a través del descubrimiento y cuantificación de
relaciones en una gran base de datos.

19. 1.4 Definición de minería de datos
Definiciones de Minería de Datos
• 3. La técnica denominada como Data Mining puede ser definida
como el proceso de extracción de información y patrones de
comportamiento que permanecen ocultos entre grandes cantidades
de información: Es un proceso iterativo en el que a los avances que
se van produciendo en cada paso se les denomina descubrimientos
(KDD – Knowledge Discovery in Database)

20. 1.1 Conceptos básicos
Definiciones de Minería de Datos
4. El Data Mining es un proceso que, a través del descubrimiento y
cuantificación de relaciones predictivas en los datos, permite
transforma la información disponible en conocimiento útil, Constituye
una de las vías principales de explotación de Data Warehouse.
5. Es Analizar datos para encontrar patrones ocultos usando medios
automatizados

21. 1.5 Almacenes de datos (OLAP vs OLTP)
OLAP: Análisis de Procesamiento en Línea
Es un sistema de recuperación de datos y análisis de datos en línea

22. 1.5 Almacenes de datos (OLAP vs OLTP)
OLTP: Análisis de Transacciones en Línea
Es un sistema transaccional en línea y gestiona las modificaciones de
base de datos

23. 1.5 Almacenes de datos (OLAP vs OLTP)
Actividad en SEDUCA Investigar que son y las diferencias entre OLAP
y OLPT. Argumente si se pueden considerar como parte de Mineria de
datos o como minería de datos.

24. 1.6 Aplicaciones de la minería de datos
La minería de datos produce cinco tipos de información:
— Asociaciones.
— Secuencias.
— Clasificaciones.
— Agrupamientos.
— Pronósticos.

25. 1.6 Aplicaciones de la minería de datos
La minería de datos es un proceso que invierte la dinámica del método
científico en el siguiente sentido: En el método científico, primero se
formula la hipótesis y luego se diseña el experimento para coleccionar
los datos que confirmen o refuten la hipótesis. Si esto se hace con la
formalidad adecuada (cuidando cuáles son las variables controladas y
cuáles experimentales), se obtiene un nuevo conocimiento

26. 1.6 Aplicaciones de la minería de datos
-Predicción automatizada de tendencias y comportamientos. Data
Mining automatiza el proceso de encontrar información predecible en
grandes bases de datos. Preguntas que tradicionalmente requerían un
intenso análisis manual, ahora pueden ser contestadas directa y
rápidamente desde los datos. Un típico ejemplo de problema
predecible es el marketing apuntado a objetivos (targeted marketing).

27. 1.6 Aplicaciones de la minería de datos
Problemas predecibles incluyen pronósticos de problemas financieros
futuros y otras formas de incumplimiento, e identificar segmentos de
población que probablemente respondan similarmente a eventos
dados.
Transacciones fraudulentas de tarjetas de créditos e identificar datos
anormales que pueden representar errores de tipeado en la carga de
datos.

28. REFERENCIAS
1. Boyce Diprima, “Ecuaciones diferenciales y problemas
con valores” 5Ed Limusa 2010
2. Zill Dennis G., “Ecuaciones diferenciales con problemas
con valores” 6Ed Thomson 2006
3. Bronson Richard, “Ecuaciones diferenciales” 3ed Mc
Graw Hill 2008
4. Zill Dennis G., “Ecuaciones diferenciales con problemas
con valores” 7Ed Cengage 2009
5. Hwei P Hsu, “Análisis de Fourier” Prentice Hall 1998
6. Dennis G. Zill, “Ecuación diferencial con aplicaciones de
modelado” Cengage