SlideShare una empresa de Scribd logo
Modelos de DataMining Bernardo A. Robelo Jirón bernardorobelo.blogspot.com
Agenda Algoritmos AplicacionesPracticas de los Algoritmos Guia de Ejercicios
Algoritmos 1. Association Rules 2. Clustering 3. Sequence Clustering 4. Decision Trees 5. Linear Regression 6. Time Series 7. Naive Bayes 8. Neural Network 9. Logistic Regression
Association rules (Reglas de asociación) Este se suele usar casi exclusivamente para análisis de carro de compra. Detecta asociaciones comunes entre elementos (por ejemplo, quien compra cerveza suele comprar también maní salado). Usos típicos: Análisis de carro de compra Ofrecer recomendaciones al comprador: ¿has comprado cerveza, seguro que no quieres maní salado?
Clustering Sirve sobre todo para buscar elementos afines dentro de un conjunto.  Por ejemplo, podemos usarlo para saber que en una población hay hombres y mujeres jóvenes solteros,  hombres mayores solteros, hombres y mujeres mayores casados... pero no mujeres mayores solteras. Usos Típicos: Segmentar un mercado. Validaciones (las entradas que no pertenecen a un cluster, pueden ser elementos anómalos).
Sequence clustering Es bastante específico para detectar secuencias típicas dentro de un conjunto de eventos.  Por ejemplo... saber en qué orden hace click la gente en las noticias de una web, puede ayudarnos a ordenar los titulares de arriba a abajo y de derecha a izquierda. Usos típicos: Estudio de secuencias de eventos Detección de algunas anomalías de comportamiento (eventos que llegan fuera de secuencia)
DecisionTrees(Árboles de decisión) Los árboles de decisión son clarísimamente una herramienta potentísima de clasificación... de hecho, son probablemente el mejor algoritmo que podemos utilizar para clasificar.  Básicamente, construyen un árbol del que se pueden extraer reglas, del estilo: "Si eres hombre, tienes unos ingresos superiores a 'X', y eres comprador de revistas de carros... la probabilidad de que tengas carro es del 90%". Usos Típicos  Clasificación en general Validaciones. Podemos detectar elementos anómalos en función de si encajan o no con las reglas surgidas del árbol Por ejemplo, "si tienes carro y casa, menos de 20 años probablemente mientas…" Predecir el valor de un atributo con precisión
Time Series (Series temporales) Este algoritmo es específico para predecir el valor de una magnitud en función del tiempo. Por ejemplo: Análisis bursátiles... ¿subirá o bajará el petróleo mañana? Predicción de una magnitud analógica, en general.
Algoritmo Naive Bayes Este algoritmo es el primero se suele utilizar para explorar datos. Básicamente, este algoritmo busca correlaciones entre atributos. Cuando no tenemos muy claro qué atributo se puede predecir en función de otros, una técnica muy habitual es tratar de utilizar el algoritmo de NaiveBayes tratando de predecir el valor de todos los atributos en función de todos los atributos (un "todos contra todos"). Otra ventaja de este algoritmo es fácil de implementar... pero su desventaja es que no es muy preciso.  Usos Típicos: Exploración inicial de los datos Tareas de clasificación, en las que el rendimiento sea crítico.
Neural Network (Redesneuronales) Al igual que los árboles de decisión, este algoritmo también resuelve problemas de clasificación y regresión.  Puede ser adecuado para detectar patrones no lineales, difícilmente descriptibles por medio de reglas.  Se usa como alternativa al algoritmo de arboles de decisión: lo mejor es probar ambos sobre un mismo problema y utilizar el que mayor acierto nos de en sus predicciones. Usos Típicos:  Las mismas tareas que los árboles de decisión, cuando los grupos en los que se divide la población no son lineales.  Regresiones (es similar a la clasificación, pero cuando se trata de predecir una magnitud continúa).
Guia de Ejercicios
EnfocandosuFuerza de Ventas El departamento de marketing de Adventure Works desea aumentar las ventas dirigiendo una campaña de correo directo a clientes específicos.  Mediante el análisis de los atributos de clientes conocidos, la empresa espera determinar los patrones que posteriormente se aplicarán a clientes potenciales.  La empresa pretende utilizar los patrones hallados para predecir qué clientes potenciales tienen más probabilidades de comprar un producto. Además, el departamento de marketing desea encontrar las posibles agrupaciones lógicas de clientes que se encuentran en la base de datos, como, por ejemplo, aquellos que siguen pautas demográficas y de compra similares. La base de datos de la empresa, Adventure Works DW, contiene una lista de clientes antiguos y una lista de clientes nuevos potenciales. Necesitamos 	- Un conjunto de modelos de minería de datos que sugerirá los clientes que tienen una mayor probabilidad de serlo entre una lista de clientes potenciales. 	- Una agrupación de clientes actuales.   bernardorobelo.blogspot.com Ver Video de Solución en:
Prevision de Ventas Como analista de ventas de Adventure Works, se le ha solicitado una previsión de las ventas de modelos individuales de bicicletas para el próximo año.  En concreto, debe obtener los picos en las ventas de bicicletas y determinar qué regiones lideran las ventas y cuáles van por detrás.  Además, debe determinar si las ventas de diferentes modelos varían en función de la época del año. Para hallar la información solicitada, en esta lección examinará los datos mensuales de la empresa y dividirá las ventas en tres regiones: Europa, Norteamérica y el Pacífico. - ¿En qué época del año se produce un pico en las ventas? - ¿Cómo interactúan las ventas de los diferentes modelos de bicicleta a lo largo del año? - ¿Existe un patrón de ventas para las tres regiones? bernardorobelo.blogspot.com Ver Video de Solución en:
PromoviendoVentasCruzadas El departamento de marketing de Adventure Works desea mejorar el sitio Web de la empresa para promover las ventas cruzadas. Antes de actualizar el sitio, necesitan crear un modelo de minería de datos que pueda predecir los productos cuya adquisición podría interesar a los clientes, basándose en otros productos que ya se encuentran en los carros de compra en línea de los clientes.  Estas predicciones también ayudarán al departamento de marketing a agrupar en el sitio Web aquellos artículos que los clientes suelen comprar juntos.  Se Solicita : Obtener un modelo de minería de datos con el que podrá predecir artículos adicionales que pueden aparecer en una cesta de la compra o que un cliente podría querer agregar a la cesta de la compra.  Contar con un completo modelo de minería de datos que muestra grupos de artículos de transacciones históricas del cliente. bernardorobelo.blogspot.com Ver Video de Solución en:
MejorandoSitio Web El departamento de marketing de Adventure Works desea saber cómo se mueven los clientes por el sitio Web de Adventure Works.  La empresa cree que existe un patrón según el cual los clientes incluyen productos en las cestas de la compra.  El algoritmo de clústeres de secuencia de Microsoft permite determinar las secuencias que los clientes siguen para agregar artículos a las cestas.  Posteriormente, esta información se puede utilizar para mejorar el flujo del sitio Web y propiciar que los clientes adquieran productos adicionales. Se Solicita:  Obtener un modelo de minería de datos que le permitirá predecir cuál será el siguiente artículo que los clientes incluirán en sus cestas de la compra. bernardorobelo.blogspot.com Ver Video de Solución en:
Modelos de DataMining Bernardo A. Robelo Jirón bernardorobelo.blogspot.com

Más contenido relacionado

La actualidad más candente

Programacion estructura de arboles en c
Programacion estructura de arboles en cProgramacion estructura de arboles en c
Programacion estructura de arboles en c
Jessica Suarez
 
Fundamentos de Bases de Datos - Introducción
Fundamentos de Bases de Datos - IntroducciónFundamentos de Bases de Datos - Introducción
Fundamentos de Bases de Datos - Introducción
Manuel Padilla
 
Algoritmos de busqueda
Algoritmos de busquedaAlgoritmos de busqueda
Algoritmos de busqueda
Juan Navarro
 
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADOAPRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
systemprisoners
 
RapidMiner: Introduction To Rapid Miner
RapidMiner: Introduction To Rapid MinerRapidMiner: Introduction To Rapid Miner
RapidMiner: Introduction To Rapid Miner
Rapidmining Content
 
Arboles multicamino
Arboles  multicaminoArboles  multicamino
Arboles multicamino
Luis Andres Garcia
 
3. algoritmos de ordenamiento interno
3. algoritmos de ordenamiento interno3. algoritmos de ordenamiento interno
3. algoritmos de ordenamiento interno
Fernando Solis
 
Big data PPT
Big data PPT Big data PPT
Big data PPT
Nitesh Dubey
 
Data Mining
Data MiningData Mining
Data Mining
SHIKHA GAUTAM
 
Rapid miner
Rapid minerRapid miner
Rapid miner
Manish Champaneri
 
Modelo Relacional (Base de Datos)
Modelo Relacional (Base de Datos)Modelo Relacional (Base de Datos)
Modelo Relacional (Base de Datos)
Neguib Núñez
 
Data preprocessing
Data preprocessingData preprocessing
Data preprocessing
Jason Rodrigues
 
Data Preprocessing
Data PreprocessingData Preprocessing
Data Preprocessing
T Kavitha
 
Data mining basic fundamentals
Data mining basic fundamentalsData mining basic fundamentals
Data mining basic fundamentals
Siddique Ibrahim
 
Introducción al Machine Learning con BigML
Introducción al Machine Learning con BigMLIntroducción al Machine Learning con BigML
Introducción al Machine Learning con BigML
MSc Aldo Valdez Alvarado
 
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
Edureka!
 
Ejemplo Weka Titanic
Ejemplo Weka TitanicEjemplo Weka Titanic
Ejemplo Weka Titanic
Carlos Román
 
introduction to data mining tutorial
introduction to data mining tutorial introduction to data mining tutorial
introduction to data mining tutorial
Salah Amean
 
Big Data Architecture
Big Data ArchitectureBig Data Architecture
Big Data Architecture
Guido Schmutz
 
Qué Son Las Bases De Datos
Qué Son Las Bases De DatosQué Son Las Bases De Datos
Qué Son Las Bases De Datos
Marichelo Gómez
 

La actualidad más candente (20)

Programacion estructura de arboles en c
Programacion estructura de arboles en cProgramacion estructura de arboles en c
Programacion estructura de arboles en c
 
Fundamentos de Bases de Datos - Introducción
Fundamentos de Bases de Datos - IntroducciónFundamentos de Bases de Datos - Introducción
Fundamentos de Bases de Datos - Introducción
 
Algoritmos de busqueda
Algoritmos de busquedaAlgoritmos de busqueda
Algoritmos de busqueda
 
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADOAPRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
APRENDIZAJE SUPERVISADO Y APRENDIZAJE NO SUPERVISADO
 
RapidMiner: Introduction To Rapid Miner
RapidMiner: Introduction To Rapid MinerRapidMiner: Introduction To Rapid Miner
RapidMiner: Introduction To Rapid Miner
 
Arboles multicamino
Arboles  multicaminoArboles  multicamino
Arboles multicamino
 
3. algoritmos de ordenamiento interno
3. algoritmos de ordenamiento interno3. algoritmos de ordenamiento interno
3. algoritmos de ordenamiento interno
 
Big data PPT
Big data PPT Big data PPT
Big data PPT
 
Data Mining
Data MiningData Mining
Data Mining
 
Rapid miner
Rapid minerRapid miner
Rapid miner
 
Modelo Relacional (Base de Datos)
Modelo Relacional (Base de Datos)Modelo Relacional (Base de Datos)
Modelo Relacional (Base de Datos)
 
Data preprocessing
Data preprocessingData preprocessing
Data preprocessing
 
Data Preprocessing
Data PreprocessingData Preprocessing
Data Preprocessing
 
Data mining basic fundamentals
Data mining basic fundamentalsData mining basic fundamentals
Data mining basic fundamentals
 
Introducción al Machine Learning con BigML
Introducción al Machine Learning con BigMLIntroducción al Machine Learning con BigML
Introducción al Machine Learning con BigML
 
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
R Tutorial For Beginners | R Programming Tutorial l R Language For Beginners ...
 
Ejemplo Weka Titanic
Ejemplo Weka TitanicEjemplo Weka Titanic
Ejemplo Weka Titanic
 
introduction to data mining tutorial
introduction to data mining tutorial introduction to data mining tutorial
introduction to data mining tutorial
 
Big Data Architecture
Big Data ArchitectureBig Data Architecture
Big Data Architecture
 
Qué Son Las Bases De Datos
Qué Son Las Bases De DatosQué Son Las Bases De Datos
Qué Son Las Bases De Datos
 

Destacado

Data Mining. Extracción de Conocimiento en Grandes Bases de Datos
Data Mining. Extracción de Conocimiento en Grandes Bases de DatosData Mining. Extracción de Conocimiento en Grandes Bases de Datos
Data Mining. Extracción de Conocimiento en Grandes Bases de Datos
Roberto Espinosa
 
Data Mining
Data Mining Data Mining
Data Mining
Jaziel Silva
 
Técnicas de data mining
Técnicas de data miningTécnicas de data mining
Técnicas de data mining
Félix Winter Vier
 
Minería de datos
Minería de datosMinería de datos
Minería de datos
Antonio Soto
 
Aplicaciones de la mineria de datos
Aplicaciones de la mineria de datosAplicaciones de la mineria de datos
Aplicaciones de la mineria de datos
Universidad Autonoma de Chihuahua
 
Data Mining
Data MiningData Mining
Data Mining
brobelo
 
Modelos predictivos: datos, métodos, problemas y aplicaciones
Modelos predictivos: datos, métodos, problemas y aplicacionesModelos predictivos: datos, métodos, problemas y aplicaciones
Modelos predictivos: datos, métodos, problemas y aplicaciones
Ángel M. Felicísimo
 
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOSMétodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
lalopg
 
Statistic for Business
Statistic for BusinessStatistic for Business
Statistic for Business
Advance Business Consulting
 
Microsoft Excel 2007 - Guia de Ejercicios
Microsoft Excel 2007 - Guia de EjerciciosMicrosoft Excel 2007 - Guia de Ejercicios
Microsoft Excel 2007 - Guia de Ejercicios
brobelo
 
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
LPI ONG
 
linear regression and correlation analysis
linear regression and correlation analysislinear regression and correlation analysis
linear regression and correlation analysis
Edgar Mata
 
Almacenes de datos, olap y minería de datos
Almacenes de datos, olap y minería de datosAlmacenes de datos, olap y minería de datos
Almacenes de datos, olap y minería de datos
Fiorella Urbina Vera
 
Modelo De Sistema Viable Omeblog
Modelo De Sistema Viable OmeblogModelo De Sistema Viable Omeblog
Modelo De Sistema Viable Omeblog
Jesusita
 
Panel Presentation Template
Panel Presentation TemplatePanel Presentation Template
Panel Presentation Template
steve tice
 
Indice Proyecto de Inteligencia de Negocios
Indice Proyecto de Inteligencia de NegociosIndice Proyecto de Inteligencia de Negocios
Indice Proyecto de Inteligencia de Negocios
Pedro Chavez
 
Algoritmos de minería de datos
Algoritmos de minería de datos Algoritmos de minería de datos
Algoritmos de minería de datos
Willie Manuel Caminero Mejía
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
Daniel Muccela
 
Ingenieria en sistemas computacionales en el mundo IPN
Ingenieria en sistemas computacionales en el mundo IPNIngenieria en sistemas computacionales en el mundo IPN
Ingenieria en sistemas computacionales en el mundo IPN
aleale17
 
ITT-235-L: Introducción a Sistemas Computacionales
ITT-235-L: Introducción a Sistemas ComputacionalesITT-235-L: Introducción a Sistemas Computacionales
ITT-235-L: Introducción a Sistemas Computacionales
rcad
 

Destacado (20)

Data Mining. Extracción de Conocimiento en Grandes Bases de Datos
Data Mining. Extracción de Conocimiento en Grandes Bases de DatosData Mining. Extracción de Conocimiento en Grandes Bases de Datos
Data Mining. Extracción de Conocimiento en Grandes Bases de Datos
 
Data Mining
Data Mining Data Mining
Data Mining
 
Técnicas de data mining
Técnicas de data miningTécnicas de data mining
Técnicas de data mining
 
Minería de datos
Minería de datosMinería de datos
Minería de datos
 
Aplicaciones de la mineria de datos
Aplicaciones de la mineria de datosAplicaciones de la mineria de datos
Aplicaciones de la mineria de datos
 
Data Mining
Data MiningData Mining
Data Mining
 
Modelos predictivos: datos, métodos, problemas y aplicaciones
Modelos predictivos: datos, métodos, problemas y aplicacionesModelos predictivos: datos, métodos, problemas y aplicaciones
Modelos predictivos: datos, métodos, problemas y aplicaciones
 
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOSMétodos predictivos y Descriptivos - MINERÍA DE DATOS
Métodos predictivos y Descriptivos - MINERÍA DE DATOS
 
Statistic for Business
Statistic for BusinessStatistic for Business
Statistic for Business
 
Microsoft Excel 2007 - Guia de Ejercicios
Microsoft Excel 2007 - Guia de EjerciciosMicrosoft Excel 2007 - Guia de Ejercicios
Microsoft Excel 2007 - Guia de Ejercicios
 
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
Programa Fundamentos en Business Intelligence con MSSQL Server 2008R2 / 2012
 
linear regression and correlation analysis
linear regression and correlation analysislinear regression and correlation analysis
linear regression and correlation analysis
 
Almacenes de datos, olap y minería de datos
Almacenes de datos, olap y minería de datosAlmacenes de datos, olap y minería de datos
Almacenes de datos, olap y minería de datos
 
Modelo De Sistema Viable Omeblog
Modelo De Sistema Viable OmeblogModelo De Sistema Viable Omeblog
Modelo De Sistema Viable Omeblog
 
Panel Presentation Template
Panel Presentation TemplatePanel Presentation Template
Panel Presentation Template
 
Indice Proyecto de Inteligencia de Negocios
Indice Proyecto de Inteligencia de NegociosIndice Proyecto de Inteligencia de Negocios
Indice Proyecto de Inteligencia de Negocios
 
Algoritmos de minería de datos
Algoritmos de minería de datos Algoritmos de minería de datos
Algoritmos de minería de datos
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
Ingenieria en sistemas computacionales en el mundo IPN
Ingenieria en sistemas computacionales en el mundo IPNIngenieria en sistemas computacionales en el mundo IPN
Ingenieria en sistemas computacionales en el mundo IPN
 
ITT-235-L: Introducción a Sistemas Computacionales
ITT-235-L: Introducción a Sistemas ComputacionalesITT-235-L: Introducción a Sistemas Computacionales
ITT-235-L: Introducción a Sistemas Computacionales
 

Similar a Modelos De Data Mining

Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdfAprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
Gerard Alba
 
Modelos de recomendación para e-commerce por Smartup.
Modelos de recomendación para e-commerce por Smartup.Modelos de recomendación para e-commerce por Smartup.
Modelos de recomendación para e-commerce por Smartup.
Javier Ramos Turrión
 
Herramientas del Blue Ocean Strategy
Herramientas del Blue Ocean StrategyHerramientas del Blue Ocean Strategy
Herramientas del Blue Ocean Strategy
INNOGYZER.com
 
Proyecto Mineria de Datos
Proyecto Mineria de DatosProyecto Mineria de Datos
Proyecto Mineria de Datos
XavierPaniagua
 
Proyecto Minería de Datos
Proyecto Minería de DatosProyecto Minería de Datos
Proyecto Minería de Datos
BerthyVargasVillarre
 
Proyecto de Minería de Datos
Proyecto de Minería de DatosProyecto de Minería de Datos
Proyecto de Minería de Datos
silviacarvajalmendez
 
Proyecto final
Proyecto finalProyecto final
Proyecto final
LuisAez13
 
Bi resumen
Bi resumenBi resumen
Bi resumen
Eddy Farro
 
Bi resumen
Bi resumenBi resumen
3A5 Trejo Alexandra -Tarea 2
3A5 Trejo Alexandra -Tarea 23A5 Trejo Alexandra -Tarea 2
3A5 Trejo Alexandra -Tarea 2
Elizabeth Trejo Quinto
 
Canvas
CanvasCanvas
Canvas
Ramon Arias
 
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo SmitheStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
William Renedo
 
524921~1
524921~1524921~1
524921~1
524921~1524921~1
Community manager
Community manager Community manager
Community manager
AXEL
 
Mineria de Datos
Mineria de DatosMineria de Datos
Mineria de Datos
Rafael Zamora
 
Data Mining Snoop Consulting Arg
Data Mining Snoop Consulting ArgData Mining Snoop Consulting Arg
Data Mining Snoop Consulting Arg
Snoop Consulting
 
Modelo de negocio canvas
Modelo de negocio canvasModelo de negocio canvas
Modelo de negocio canvas
Ing. Guillermo Raúl Reyes Mendo
 
Area investigación de mercados maestría
Area investigación de mercados maestríaArea investigación de mercados maestría
Area investigación de mercados maestría
Educaciontodos
 
Area investigación de mercados maestría
Area investigación de mercados maestríaArea investigación de mercados maestría
Area investigación de mercados maestría
Maestros Online
 

Similar a Modelos De Data Mining (20)

Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdfAprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
Aprendizaje automático I - Tema 5 Aprendizaje Automático No-Supervisado.pdf
 
Modelos de recomendación para e-commerce por Smartup.
Modelos de recomendación para e-commerce por Smartup.Modelos de recomendación para e-commerce por Smartup.
Modelos de recomendación para e-commerce por Smartup.
 
Herramientas del Blue Ocean Strategy
Herramientas del Blue Ocean StrategyHerramientas del Blue Ocean Strategy
Herramientas del Blue Ocean Strategy
 
Proyecto Mineria de Datos
Proyecto Mineria de DatosProyecto Mineria de Datos
Proyecto Mineria de Datos
 
Proyecto Minería de Datos
Proyecto Minería de DatosProyecto Minería de Datos
Proyecto Minería de Datos
 
Proyecto de Minería de Datos
Proyecto de Minería de DatosProyecto de Minería de Datos
Proyecto de Minería de Datos
 
Proyecto final
Proyecto finalProyecto final
Proyecto final
 
Bi resumen
Bi resumenBi resumen
Bi resumen
 
Bi resumen
Bi resumenBi resumen
Bi resumen
 
3A5 Trejo Alexandra -Tarea 2
3A5 Trejo Alexandra -Tarea 23A5 Trejo Alexandra -Tarea 2
3A5 Trejo Alexandra -Tarea 2
 
Canvas
CanvasCanvas
Canvas
 
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo SmitheStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
eStudio34 Presents Masterclass de Growth hacking para tu ecommerce por Ugo Smith
 
524921~1
524921~1524921~1
524921~1
 
524921~1
524921~1524921~1
524921~1
 
Community manager
Community manager Community manager
Community manager
 
Mineria de Datos
Mineria de DatosMineria de Datos
Mineria de Datos
 
Data Mining Snoop Consulting Arg
Data Mining Snoop Consulting ArgData Mining Snoop Consulting Arg
Data Mining Snoop Consulting Arg
 
Modelo de negocio canvas
Modelo de negocio canvasModelo de negocio canvas
Modelo de negocio canvas
 
Area investigación de mercados maestría
Area investigación de mercados maestríaArea investigación de mercados maestría
Area investigación de mercados maestría
 
Area investigación de mercados maestría
Area investigación de mercados maestríaArea investigación de mercados maestría
Area investigación de mercados maestría
 

Más de brobelo

Excel 2007
Excel 2007Excel 2007
Excel 2007
brobelo
 
PostgreSQL
PostgreSQLPostgreSQL
PostgreSQL
brobelo
 
Microsoft office access 2007
Microsoft office access 2007Microsoft office access 2007
Microsoft office access 2007
brobelo
 
XML en .NET
XML en .NETXML en .NET
XML en .NET
brobelo
 
Sql server 2008
Sql server 2008Sql server 2008
Sql server 2008
brobelo
 
ADO.NET
ADO.NETADO.NET
ADO.NET
brobelo
 
Estructuras de Lenguaje .NET
Estructuras de Lenguaje .NETEstructuras de Lenguaje .NET
Estructuras de Lenguaje .NET
brobelo
 
Tecnologia Microsoft
Tecnologia  MicrosoftTecnologia  Microsoft
Tecnologia Microsoft
brobelo
 
Manual Analysis Services
Manual Analysis ServicesManual Analysis Services
Manual Analysis Services
brobelo
 
Analysis Services
Analysis ServicesAnalysis Services
Analysis Services
brobelo
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligence
brobelo
 
Reporting Services
Reporting ServicesReporting Services
Reporting Services
brobelo
 
SQL SERVER Service Broker
SQL SERVER Service BrokerSQL SERVER Service Broker
SQL SERVER Service Broker
brobelo
 
Replicacion de Datos en SQL Server
Replicacion de Datos en SQL ServerReplicacion de Datos en SQL Server
Replicacion de Datos en SQL Server
brobelo
 
SQL Server - Como se Almacenan los Datos
SQL Server - Como se Almacenan los DatosSQL Server - Como se Almacenan los Datos
SQL Server - Como se Almacenan los Datos
brobelo
 
Programacion con SQL Server 2005
Programacion con SQL Server 2005Programacion con SQL Server 2005
Programacion con SQL Server 2005
brobelo
 
Variables en SSIS
Variables en SSISVariables en SSIS
Variables en SSIS
brobelo
 
SQL Server Integration Services
SQL Server Integration ServicesSQL Server Integration Services
SQL Server Integration Services
brobelo
 

Más de brobelo (18)

Excel 2007
Excel 2007Excel 2007
Excel 2007
 
PostgreSQL
PostgreSQLPostgreSQL
PostgreSQL
 
Microsoft office access 2007
Microsoft office access 2007Microsoft office access 2007
Microsoft office access 2007
 
XML en .NET
XML en .NETXML en .NET
XML en .NET
 
Sql server 2008
Sql server 2008Sql server 2008
Sql server 2008
 
ADO.NET
ADO.NETADO.NET
ADO.NET
 
Estructuras de Lenguaje .NET
Estructuras de Lenguaje .NETEstructuras de Lenguaje .NET
Estructuras de Lenguaje .NET
 
Tecnologia Microsoft
Tecnologia  MicrosoftTecnologia  Microsoft
Tecnologia Microsoft
 
Manual Analysis Services
Manual Analysis ServicesManual Analysis Services
Manual Analysis Services
 
Analysis Services
Analysis ServicesAnalysis Services
Analysis Services
 
Bussines Intelligence
Bussines IntelligenceBussines Intelligence
Bussines Intelligence
 
Reporting Services
Reporting ServicesReporting Services
Reporting Services
 
SQL SERVER Service Broker
SQL SERVER Service BrokerSQL SERVER Service Broker
SQL SERVER Service Broker
 
Replicacion de Datos en SQL Server
Replicacion de Datos en SQL ServerReplicacion de Datos en SQL Server
Replicacion de Datos en SQL Server
 
SQL Server - Como se Almacenan los Datos
SQL Server - Como se Almacenan los DatosSQL Server - Como se Almacenan los Datos
SQL Server - Como se Almacenan los Datos
 
Programacion con SQL Server 2005
Programacion con SQL Server 2005Programacion con SQL Server 2005
Programacion con SQL Server 2005
 
Variables en SSIS
Variables en SSISVariables en SSIS
Variables en SSIS
 
SQL Server Integration Services
SQL Server Integration ServicesSQL Server Integration Services
SQL Server Integration Services
 

Último

Manual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computoManual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computo
mantenimientocarbra6
 
La Inteligencia Artificial en la actualidad.docx
La Inteligencia Artificial en la actualidad.docxLa Inteligencia Artificial en la actualidad.docx
La Inteligencia Artificial en la actualidad.docx
luiscohailatenazoa0
 
El uso de las TIC en la vida cotidiana.pptx
El uso de las TIC en la vida cotidiana.pptxEl uso de las TIC en la vida cotidiana.pptx
El uso de las TIC en la vida cotidiana.pptx
jgvanessa23
 
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANOREVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
gisellearanguren1
 
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfqedublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
larapalaciosmonzon28
 
625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf
yuberpalma
 
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDADEXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
AngelCristhianMB
 
Inteligencia Artificial
Inteligencia ArtificialInteligencia Artificial
Inteligencia Artificial
YashiraPaye
 
Presentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre bloggerPresentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre blogger
larapalaciosmonzon28
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
NicandroMartinez2
 
Second Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro TapiaSecond Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro Tapia
al050121024
 
INFORMATICA Y TECNOLOGIA
INFORMATICA Y TECNOLOGIAINFORMATICA Y TECNOLOGIA
INFORMATICA Y TECNOLOGIA
renzocruz180310
 
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdfPLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
70244530
 
Modo test refrigeradores y codigos de errores 2018 V2.pdf
Modo test refrigeradores y codigos de errores 2018 V2.pdfModo test refrigeradores y codigos de errores 2018 V2.pdf
Modo test refrigeradores y codigos de errores 2018 V2.pdf
ranierglez
 
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIAMONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
leia ereni
 
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
AbrahamCastillo42
 
mantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptxmantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptx
MiguelAtencio10
 
Programming & Artificial Intelligence ebook.pdf
Programming & Artificial Intelligence ebook.pdfProgramming & Artificial Intelligence ebook.pdf
Programming & Artificial Intelligence ebook.pdf
Manuel Diaz
 
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
AMADO SALVADOR
 
El uso de las TIC por Cecilia Pozos S..pptx
El uso de las TIC  por Cecilia Pozos S..pptxEl uso de las TIC  por Cecilia Pozos S..pptx
El uso de las TIC por Cecilia Pozos S..pptx
cecypozos703
 

Último (20)

Manual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computoManual Web soporte y mantenimiento de equipo de computo
Manual Web soporte y mantenimiento de equipo de computo
 
La Inteligencia Artificial en la actualidad.docx
La Inteligencia Artificial en la actualidad.docxLa Inteligencia Artificial en la actualidad.docx
La Inteligencia Artificial en la actualidad.docx
 
El uso de las TIC en la vida cotidiana.pptx
El uso de las TIC en la vida cotidiana.pptxEl uso de las TIC en la vida cotidiana.pptx
El uso de las TIC en la vida cotidiana.pptx
 
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANOREVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
REVISTA TECNOLOGICA PARA EL DESARROLLO HUMANO
 
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfqedublogs info.docx asdasfasfsawqrdqwfqwfqwfq
edublogs info.docx asdasfasfsawqrdqwfqwfqwfq
 
625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf625204013-64-Camino-a-----La-Lectura.pdf
625204013-64-Camino-a-----La-Lectura.pdf
 
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDADEXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
EXAMEN DE TOPOGRAFIA RESUELTO-2017 CURSO DE UNIVERSIDAD
 
Inteligencia Artificial
Inteligencia ArtificialInteligencia Artificial
Inteligencia Artificial
 
Presentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre bloggerPresentación de Tic en educación y sobre blogger
Presentación de Tic en educación y sobre blogger
 
Refrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y ForzadoRefrigeradores Samsung Modo Test y Forzado
Refrigeradores Samsung Modo Test y Forzado
 
Second Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro TapiaSecond Life, informe de actividad del maestro Tapia
Second Life, informe de actividad del maestro Tapia
 
INFORMATICA Y TECNOLOGIA
INFORMATICA Y TECNOLOGIAINFORMATICA Y TECNOLOGIA
INFORMATICA Y TECNOLOGIA
 
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdfPLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
PLAN DE MANTENMIENTO preventivo de un equipo de computo.pdf
 
Modo test refrigeradores y codigos de errores 2018 V2.pdf
Modo test refrigeradores y codigos de errores 2018 V2.pdfModo test refrigeradores y codigos de errores 2018 V2.pdf
Modo test refrigeradores y codigos de errores 2018 V2.pdf
 
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIAMONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
MONOGRAFIA memoria RAM.docx trabajo DE TECNOLOGIA
 
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
Todo sobre la tarjeta de video (Bienvenidos a mi blog personal)
 
mantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptxmantenimiento de chasis y carroceria1.pptx
mantenimiento de chasis y carroceria1.pptx
 
Programming & Artificial Intelligence ebook.pdf
Programming & Artificial Intelligence ebook.pdfProgramming & Artificial Intelligence ebook.pdf
Programming & Artificial Intelligence ebook.pdf
 
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
Catalogo general tarifas 2024 Vaillant. Amado Salvador Distribuidor Oficial e...
 
El uso de las TIC por Cecilia Pozos S..pptx
El uso de las TIC  por Cecilia Pozos S..pptxEl uso de las TIC  por Cecilia Pozos S..pptx
El uso de las TIC por Cecilia Pozos S..pptx
 

Modelos De Data Mining

  • 1. Modelos de DataMining Bernardo A. Robelo Jirón bernardorobelo.blogspot.com
  • 2. Agenda Algoritmos AplicacionesPracticas de los Algoritmos Guia de Ejercicios
  • 3. Algoritmos 1. Association Rules 2. Clustering 3. Sequence Clustering 4. Decision Trees 5. Linear Regression 6. Time Series 7. Naive Bayes 8. Neural Network 9. Logistic Regression
  • 4. Association rules (Reglas de asociación) Este se suele usar casi exclusivamente para análisis de carro de compra. Detecta asociaciones comunes entre elementos (por ejemplo, quien compra cerveza suele comprar también maní salado). Usos típicos: Análisis de carro de compra Ofrecer recomendaciones al comprador: ¿has comprado cerveza, seguro que no quieres maní salado?
  • 5. Clustering Sirve sobre todo para buscar elementos afines dentro de un conjunto. Por ejemplo, podemos usarlo para saber que en una población hay hombres y mujeres jóvenes solteros,  hombres mayores solteros, hombres y mujeres mayores casados... pero no mujeres mayores solteras. Usos Típicos: Segmentar un mercado. Validaciones (las entradas que no pertenecen a un cluster, pueden ser elementos anómalos).
  • 6. Sequence clustering Es bastante específico para detectar secuencias típicas dentro de un conjunto de eventos. Por ejemplo... saber en qué orden hace click la gente en las noticias de una web, puede ayudarnos a ordenar los titulares de arriba a abajo y de derecha a izquierda. Usos típicos: Estudio de secuencias de eventos Detección de algunas anomalías de comportamiento (eventos que llegan fuera de secuencia)
  • 7. DecisionTrees(Árboles de decisión) Los árboles de decisión son clarísimamente una herramienta potentísima de clasificación... de hecho, son probablemente el mejor algoritmo que podemos utilizar para clasificar. Básicamente, construyen un árbol del que se pueden extraer reglas, del estilo: "Si eres hombre, tienes unos ingresos superiores a 'X', y eres comprador de revistas de carros... la probabilidad de que tengas carro es del 90%". Usos Típicos Clasificación en general Validaciones. Podemos detectar elementos anómalos en función de si encajan o no con las reglas surgidas del árbol Por ejemplo, "si tienes carro y casa, menos de 20 años probablemente mientas…" Predecir el valor de un atributo con precisión
  • 8. Time Series (Series temporales) Este algoritmo es específico para predecir el valor de una magnitud en función del tiempo. Por ejemplo: Análisis bursátiles... ¿subirá o bajará el petróleo mañana? Predicción de una magnitud analógica, en general.
  • 9. Algoritmo Naive Bayes Este algoritmo es el primero se suele utilizar para explorar datos. Básicamente, este algoritmo busca correlaciones entre atributos. Cuando no tenemos muy claro qué atributo se puede predecir en función de otros, una técnica muy habitual es tratar de utilizar el algoritmo de NaiveBayes tratando de predecir el valor de todos los atributos en función de todos los atributos (un "todos contra todos"). Otra ventaja de este algoritmo es fácil de implementar... pero su desventaja es que no es muy preciso. Usos Típicos: Exploración inicial de los datos Tareas de clasificación, en las que el rendimiento sea crítico.
  • 10. Neural Network (Redesneuronales) Al igual que los árboles de decisión, este algoritmo también resuelve problemas de clasificación y regresión. Puede ser adecuado para detectar patrones no lineales, difícilmente descriptibles por medio de reglas. Se usa como alternativa al algoritmo de arboles de decisión: lo mejor es probar ambos sobre un mismo problema y utilizar el que mayor acierto nos de en sus predicciones. Usos Típicos: Las mismas tareas que los árboles de decisión, cuando los grupos en los que se divide la población no son lineales. Regresiones (es similar a la clasificación, pero cuando se trata de predecir una magnitud continúa).
  • 12. EnfocandosuFuerza de Ventas El departamento de marketing de Adventure Works desea aumentar las ventas dirigiendo una campaña de correo directo a clientes específicos. Mediante el análisis de los atributos de clientes conocidos, la empresa espera determinar los patrones que posteriormente se aplicarán a clientes potenciales. La empresa pretende utilizar los patrones hallados para predecir qué clientes potenciales tienen más probabilidades de comprar un producto. Además, el departamento de marketing desea encontrar las posibles agrupaciones lógicas de clientes que se encuentran en la base de datos, como, por ejemplo, aquellos que siguen pautas demográficas y de compra similares. La base de datos de la empresa, Adventure Works DW, contiene una lista de clientes antiguos y una lista de clientes nuevos potenciales. Necesitamos - Un conjunto de modelos de minería de datos que sugerirá los clientes que tienen una mayor probabilidad de serlo entre una lista de clientes potenciales. - Una agrupación de clientes actuales. bernardorobelo.blogspot.com Ver Video de Solución en:
  • 13. Prevision de Ventas Como analista de ventas de Adventure Works, se le ha solicitado una previsión de las ventas de modelos individuales de bicicletas para el próximo año. En concreto, debe obtener los picos en las ventas de bicicletas y determinar qué regiones lideran las ventas y cuáles van por detrás. Además, debe determinar si las ventas de diferentes modelos varían en función de la época del año. Para hallar la información solicitada, en esta lección examinará los datos mensuales de la empresa y dividirá las ventas en tres regiones: Europa, Norteamérica y el Pacífico. - ¿En qué época del año se produce un pico en las ventas? - ¿Cómo interactúan las ventas de los diferentes modelos de bicicleta a lo largo del año? - ¿Existe un patrón de ventas para las tres regiones? bernardorobelo.blogspot.com Ver Video de Solución en:
  • 14. PromoviendoVentasCruzadas El departamento de marketing de Adventure Works desea mejorar el sitio Web de la empresa para promover las ventas cruzadas. Antes de actualizar el sitio, necesitan crear un modelo de minería de datos que pueda predecir los productos cuya adquisición podría interesar a los clientes, basándose en otros productos que ya se encuentran en los carros de compra en línea de los clientes. Estas predicciones también ayudarán al departamento de marketing a agrupar en el sitio Web aquellos artículos que los clientes suelen comprar juntos. Se Solicita : Obtener un modelo de minería de datos con el que podrá predecir artículos adicionales que pueden aparecer en una cesta de la compra o que un cliente podría querer agregar a la cesta de la compra. Contar con un completo modelo de minería de datos que muestra grupos de artículos de transacciones históricas del cliente. bernardorobelo.blogspot.com Ver Video de Solución en:
  • 15. MejorandoSitio Web El departamento de marketing de Adventure Works desea saber cómo se mueven los clientes por el sitio Web de Adventure Works. La empresa cree que existe un patrón según el cual los clientes incluyen productos en las cestas de la compra. El algoritmo de clústeres de secuencia de Microsoft permite determinar las secuencias que los clientes siguen para agregar artículos a las cestas. Posteriormente, esta información se puede utilizar para mejorar el flujo del sitio Web y propiciar que los clientes adquieran productos adicionales. Se Solicita: Obtener un modelo de minería de datos que le permitirá predecir cuál será el siguiente artículo que los clientes incluirán en sus cestas de la compra. bernardorobelo.blogspot.com Ver Video de Solución en:
  • 16. Modelos de DataMining Bernardo A. Robelo Jirón bernardorobelo.blogspot.com