El documento describe brevemente la estadística como una disciplina que recopila e interpreta conjuntos de datos para establecer comparaciones y variabilidades que permitan comprender fenómenos. Explica que la estadística descriptiva resume datos a través de medidas como la media y desviación estándar, mientras que la inferencial realiza aproximaciones sobre comportamientos poblacionales basados en muestras. También menciona conceptos como población, muestra, estadística paramétrica, no paramétrica, univariada, multivariada
Métodos predictivos y Descriptivos - MINERÍA DE DATOSlalopg
Este documento describe los modelos predictivos y descriptivos en minería de datos. Explica que los modelos predictivos se basan en datos de entrenamiento para predecir variables, mientras que los modelos descriptivos forman grupos de datos sin supervisión para describir patrones. También proporciona ejemplos de algoritmos comúnmente usados como redes neuronales, árboles de decisión y análisis de asociaciones. El objetivo es extraer conocimiento útil de grandes bases de datos para la toma de decisiones.
Este documento describe el proceso de análisis de datos en una investigación. Explica que después de recolectar los datos, es importante analizarlos mediante el uso de herramientas estadísticas y software como SPSS, Minitab o SAS. Para datos cuantitativos, el análisis implica codificar, calcular frecuencias, medidas centrales y comprobar hipótesis. Para datos cualitativos, implica reducir, transformar y codificar la información antes de interpretar los resultados. El objetivo final es procesar los datos para responder a las preguntas de investig
Este documento presenta una introducción al análisis exploratorio de datos multivariantes. Explica que el objetivo del AED es examinar los datos antes de aplicar técnicas estadísticas para comprender las relaciones entre variables. Luego describe las etapas del AED, incluyendo preparar los datos, realizar análisis univariado y bivariado, y evaluar supuestos como normalidad y linealidad. Finalmente, provee detalles sobre métodos específicos para cada etapa como gráficos, medidas y pruebas estadísticas.
Este documento describe los diferentes pasos y técnicas involucradas en el análisis de datos para una investigación científica. Explica el análisis descriptivo, exploratorio y confirmatorio de datos cuantificados y no cuantificados, así como la organización y representación de datos. También cubre técnicas específicas como el análisis de variables nominales, el método Delphi y la importancia de interpretar correctamente los resultados.
Este documento describe la minería de datos como una técnica para extraer conocimiento y patrones de grandes conjuntos de datos. Explica que la minería de datos involucra etapas como la selección, preparación y análisis de datos, la aplicación de técnicas como redes neuronales, árboles de decisión y agrupamiento, y la interpretación de los resultados. Finalmente, discute ejemplos de cómo se usa la minería de datos en contextos como la detección de sospechosos por parte de la policía.
El documento describe los pasos del análisis de datos cuantitativos, incluyendo decidir el programa de análisis, explorar los datos, evaluar la confiabilidad de los instrumentos, analizar e interpretar los resultados mediante pruebas estadísticas. También describe técnicas como la organización de datos en matrices de tabulación, el análisis estadístico descriptivo para describir cada variable, y el análisis estadístico inferencial para probar hipótesis y estimar parámetros poblacionales.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Métodos predictivos y Descriptivos - MINERÍA DE DATOSlalopg
Este documento describe los modelos predictivos y descriptivos en minería de datos. Explica que los modelos predictivos se basan en datos de entrenamiento para predecir variables, mientras que los modelos descriptivos forman grupos de datos sin supervisión para describir patrones. También proporciona ejemplos de algoritmos comúnmente usados como redes neuronales, árboles de decisión y análisis de asociaciones. El objetivo es extraer conocimiento útil de grandes bases de datos para la toma de decisiones.
Este documento describe el proceso de análisis de datos en una investigación. Explica que después de recolectar los datos, es importante analizarlos mediante el uso de herramientas estadísticas y software como SPSS, Minitab o SAS. Para datos cuantitativos, el análisis implica codificar, calcular frecuencias, medidas centrales y comprobar hipótesis. Para datos cualitativos, implica reducir, transformar y codificar la información antes de interpretar los resultados. El objetivo final es procesar los datos para responder a las preguntas de investig
Este documento presenta una introducción al análisis exploratorio de datos multivariantes. Explica que el objetivo del AED es examinar los datos antes de aplicar técnicas estadísticas para comprender las relaciones entre variables. Luego describe las etapas del AED, incluyendo preparar los datos, realizar análisis univariado y bivariado, y evaluar supuestos como normalidad y linealidad. Finalmente, provee detalles sobre métodos específicos para cada etapa como gráficos, medidas y pruebas estadísticas.
Este documento describe los diferentes pasos y técnicas involucradas en el análisis de datos para una investigación científica. Explica el análisis descriptivo, exploratorio y confirmatorio de datos cuantificados y no cuantificados, así como la organización y representación de datos. También cubre técnicas específicas como el análisis de variables nominales, el método Delphi y la importancia de interpretar correctamente los resultados.
Este documento describe la minería de datos como una técnica para extraer conocimiento y patrones de grandes conjuntos de datos. Explica que la minería de datos involucra etapas como la selección, preparación y análisis de datos, la aplicación de técnicas como redes neuronales, árboles de decisión y agrupamiento, y la interpretación de los resultados. Finalmente, discute ejemplos de cómo se usa la minería de datos en contextos como la detección de sospechosos por parte de la policía.
El documento describe los pasos del análisis de datos cuantitativos, incluyendo decidir el programa de análisis, explorar los datos, evaluar la confiabilidad de los instrumentos, analizar e interpretar los resultados mediante pruebas estadísticas. También describe técnicas como la organización de datos en matrices de tabulación, el análisis estadístico descriptivo para describir cada variable, y el análisis estadístico inferencial para probar hipótesis y estimar parámetros poblacionales.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos utilizando métodos de inteligencia artificial y aprendizaje automático. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento, regresión lineal y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas de las técnicas más importantes de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos utilizando métodos de inteligencia artificial y aprendizaje automático. Su objetivo principal es extraer información de los datos y transformarla en un formato comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
El documento describe los métodos de análisis multivariado, que analizan múltiples variables para determinar las relaciones entre ellas. Explica que sirve para representar datos de forma inteligible, esclarecer la distribución de variables, desarrollar modelos de predicción, y hallar relaciones causa-efecto. Detalla diferentes tipos de métodos como análisis factorial, de clusters, de regresión, y discriminante. Finalmente, discute las ventajas de estos métodos para observar relaciones entre variables, y las desventajas de su complejidad
Este documento define la estadística y la probabilidad como métodos para describir y modelar la variabilidad y permitir la toma de decisiones cuando hay incertidumbre. Explica que la estadística implica recopilar, organizar, resumir y analizar datos numéricos, y que se usa en áreas como el gobierno, la medicina, la política y los negocios. Finalmente, distingue entre estadística descriptiva e inferencial y describe conceptos como población, muestra, variables y distribuciones de frecuencias.
Este documento presenta información sobre estadística. Explica que la estadística consiste en métodos para recolectar e interpretar datos. Se divide en estadística descriptiva, que resume datos, e inferencial, que genera modelos e inferencias. La inferencial se subdivide en paramétrica, que usa distribuciones conocidas, y no paramétrica, que no las usa. También cubre estadística matemática y aplicaciones en educación, contaduría, administración, gerontología, deporte y economía.
Exposicion mineria de datos - Franklin Rodríguez Ana Delgado
Este documento describe la minería de datos. Se define como un proceso que intenta descubrir patrones en grandes volúmenes de datos para extraer información útil. Se explican algunas técnicas comunes como redes neuronales, árboles de decisión y algoritmos supervisados y no supervisados. También se mencionan algunos dominios de aplicación como finanzas, mercadeo y medicina.
La minería de datos consiste en extraer información implícita de grandes conjuntos de datos. Se utilizan técnicas de inteligencia artificial y estadística para descubrir patrones en los datos que pueden predecir resultados o segmentar grupos. La minería de datos se aplica en diversos campos como negocios, fraude y comportamiento en internet para obtener conocimientos útiles.
Este documento presenta información sobre la organización de datos estadísticos. Explica que los datos pueden ser cualitativos o cuantitativos, y describe los pasos para organizar los datos, incluyendo la recolección y tabulación. También destaca la importancia de organizar los datos de manera que se puedan analizar y usar para hacer predicciones.
El documento describe los conceptos básicos de la estadística, incluyendo sus ramas principales (descriptiva e inferencial), y sus aplicaciones en contabilidad, administración, educación, economía y deporte. Explica términos clave como hipótesis, variable, dato, población, muestra y niveles de medición.
El documento explica que la estadística estudia la variabilidad y procesos aleatorios siguiendo leyes de probabilidad. Se divide en estadística descriptiva, que resume datos, e inferencial, que deduce propiedades de poblaciones. Se aplica en contabilidad, administración, educación, economía y deportes para analizar datos y tomar decisiones.
Electiva iii parcial 2 - 02-minería de datosArlin11
Este documento describe conceptos clave de minería de datos como procesos para analizar grandes conjuntos de datos, extraer patrones desconocidos, y realizar aprendizaje automático. Explica las características, técnicas y metodologías de minería de datos como CRISP-DM y SEMMA, incluyendo etapas como selección de datos, preprocesamiento, modelado, evaluación e interpretación. También define conceptos como modelos predictivos y métodos de pronóstico.
Este documento describe la minería de datos y sus procesos. La minería de datos se refiere a la extracción de conocimientos implícitos de grandes bases de datos mediante técnicas como la clasificación, la predicción y la segmentación. El proceso típico de minería de datos implica la selección y transformación de datos, la aplicación de técnicas de minería, la extracción de conocimientos y la interpretación de resultados.
Este documento presenta una introducción al análisis multivariado. Explica que el análisis multivariado determina la contribución de múltiples factores a un resultado mediante la construcción de modelos estadísticos complejos. Luego describe varias técnicas multivariadas como el análisis de regresión múltiple, análisis de componentes principales, análisis de conglomerados y análisis discriminante. Finalmente, destaca la importancia del análisis multivariado en la investigación de mercados y estudios de opini
El documento describe las técnicas de minería de datos, incluyendo métodos supervisados como árboles de decisión y redes neuronales que predicen valores, y métodos no supervisados como clustering, reglas de asociación y patrones secuenciales que descubren patrones. Explica que la minería de datos ha reemplazado el análisis dirigido a la verificación con un enfoque de descubrimiento de conocimiento mediante algoritmos que detectan fácilmente patrones.
Presentacion jose felix rodriguez 26632429 escalas de medicionJOSEFELIX94
Este documento describe las diferentes escalas de medición utilizadas en estadística, incluyendo escala nominal, ordinal, de intervalo y de razón. Explica que la escala de medición depende de la naturaleza de la variable y es importante para elegir los métodos estadísticos de análisis. También discute la importancia de la confiabilidad y validez de los instrumentos de medición utilizados para recopilar datos en una investigación.
Excel avanzado, liceo departamental grado once unoNombre Apellidos
Este documento presenta una introducción a los métodos estadísticos y sus aplicaciones. Explica conceptos básicos como la estadística, variables, datos y poblaciones. También describe ramas de la estadística como la estadística descriptiva y la inferencial. Finalmente, detalla aplicaciones de la estadística en áreas como la economía, contaduría y política.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos utilizando métodos de inteligencia artificial y aprendizaje automático. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento, regresión lineal y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos. Su objetivo principal es extraer información de los datos y transformarla en una estructura comprensible. Algunas de las técnicas más importantes de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
Data mining es el proceso de descubrir patrones en grandes conjuntos de datos utilizando métodos de inteligencia artificial y aprendizaje automático. Su objetivo principal es extraer información de los datos y transformarla en un formato comprensible. Algunas técnicas clave de data mining incluyen redes neuronales, árboles de decisión, agrupamiento y reglas de asociación.
El documento describe los métodos de análisis multivariado, que analizan múltiples variables para determinar las relaciones entre ellas. Explica que sirve para representar datos de forma inteligible, esclarecer la distribución de variables, desarrollar modelos de predicción, y hallar relaciones causa-efecto. Detalla diferentes tipos de métodos como análisis factorial, de clusters, de regresión, y discriminante. Finalmente, discute las ventajas de estos métodos para observar relaciones entre variables, y las desventajas de su complejidad
Este documento define la estadística y la probabilidad como métodos para describir y modelar la variabilidad y permitir la toma de decisiones cuando hay incertidumbre. Explica que la estadística implica recopilar, organizar, resumir y analizar datos numéricos, y que se usa en áreas como el gobierno, la medicina, la política y los negocios. Finalmente, distingue entre estadística descriptiva e inferencial y describe conceptos como población, muestra, variables y distribuciones de frecuencias.
Este documento presenta información sobre estadística. Explica que la estadística consiste en métodos para recolectar e interpretar datos. Se divide en estadística descriptiva, que resume datos, e inferencial, que genera modelos e inferencias. La inferencial se subdivide en paramétrica, que usa distribuciones conocidas, y no paramétrica, que no las usa. También cubre estadística matemática y aplicaciones en educación, contaduría, administración, gerontología, deporte y economía.
Exposicion mineria de datos - Franklin Rodríguez Ana Delgado
Este documento describe la minería de datos. Se define como un proceso que intenta descubrir patrones en grandes volúmenes de datos para extraer información útil. Se explican algunas técnicas comunes como redes neuronales, árboles de decisión y algoritmos supervisados y no supervisados. También se mencionan algunos dominios de aplicación como finanzas, mercadeo y medicina.
La minería de datos consiste en extraer información implícita de grandes conjuntos de datos. Se utilizan técnicas de inteligencia artificial y estadística para descubrir patrones en los datos que pueden predecir resultados o segmentar grupos. La minería de datos se aplica en diversos campos como negocios, fraude y comportamiento en internet para obtener conocimientos útiles.
Este documento presenta información sobre la organización de datos estadísticos. Explica que los datos pueden ser cualitativos o cuantitativos, y describe los pasos para organizar los datos, incluyendo la recolección y tabulación. También destaca la importancia de organizar los datos de manera que se puedan analizar y usar para hacer predicciones.
El documento describe los conceptos básicos de la estadística, incluyendo sus ramas principales (descriptiva e inferencial), y sus aplicaciones en contabilidad, administración, educación, economía y deporte. Explica términos clave como hipótesis, variable, dato, población, muestra y niveles de medición.
El documento explica que la estadística estudia la variabilidad y procesos aleatorios siguiendo leyes de probabilidad. Se divide en estadística descriptiva, que resume datos, e inferencial, que deduce propiedades de poblaciones. Se aplica en contabilidad, administración, educación, economía y deportes para analizar datos y tomar decisiones.
Electiva iii parcial 2 - 02-minería de datosArlin11
Este documento describe conceptos clave de minería de datos como procesos para analizar grandes conjuntos de datos, extraer patrones desconocidos, y realizar aprendizaje automático. Explica las características, técnicas y metodologías de minería de datos como CRISP-DM y SEMMA, incluyendo etapas como selección de datos, preprocesamiento, modelado, evaluación e interpretación. También define conceptos como modelos predictivos y métodos de pronóstico.
Este documento describe la minería de datos y sus procesos. La minería de datos se refiere a la extracción de conocimientos implícitos de grandes bases de datos mediante técnicas como la clasificación, la predicción y la segmentación. El proceso típico de minería de datos implica la selección y transformación de datos, la aplicación de técnicas de minería, la extracción de conocimientos y la interpretación de resultados.
Este documento presenta una introducción al análisis multivariado. Explica que el análisis multivariado determina la contribución de múltiples factores a un resultado mediante la construcción de modelos estadísticos complejos. Luego describe varias técnicas multivariadas como el análisis de regresión múltiple, análisis de componentes principales, análisis de conglomerados y análisis discriminante. Finalmente, destaca la importancia del análisis multivariado en la investigación de mercados y estudios de opini
El documento describe las técnicas de minería de datos, incluyendo métodos supervisados como árboles de decisión y redes neuronales que predicen valores, y métodos no supervisados como clustering, reglas de asociación y patrones secuenciales que descubren patrones. Explica que la minería de datos ha reemplazado el análisis dirigido a la verificación con un enfoque de descubrimiento de conocimiento mediante algoritmos que detectan fácilmente patrones.
Presentacion jose felix rodriguez 26632429 escalas de medicionJOSEFELIX94
Este documento describe las diferentes escalas de medición utilizadas en estadística, incluyendo escala nominal, ordinal, de intervalo y de razón. Explica que la escala de medición depende de la naturaleza de la variable y es importante para elegir los métodos estadísticos de análisis. También discute la importancia de la confiabilidad y validez de los instrumentos de medición utilizados para recopilar datos en una investigación.
Excel avanzado, liceo departamental grado once unoNombre Apellidos
Este documento presenta una introducción a los métodos estadísticos y sus aplicaciones. Explica conceptos básicos como la estadística, variables, datos y poblaciones. También describe ramas de la estadística como la estadística descriptiva y la inferencial. Finalmente, detalla aplicaciones de la estadística en áreas como la economía, contaduría y política.
2. ¿Qué es la Estadistica ?
MUNDO DE LOS DATOS
Disciplina que recopila e
interpreta un conjunto
datos.
Es una ciencia y una rama de las matemáticas a
través de la cual se recolecta, analiza, describe y
estudian datos, a fin de establecer comparaciones o
variabilidades que permitan comprender un
fenómeno en particular.
Arte de aprender a partir de los
datos . Esto se logra adquiriendo
nuevos conocimientos.
3. Generación
Ya estan
MUNDO DE LOS DATOS
Datos
Recolección
Diseño
Experimentos
Estudio
Observacional
Descripción
A través de la
Estadistica Descriptiva
Analisis Inferencial
A través de la
Estadistica Inferencial
Organización
Representación
Resumen
Conclusiones usando
Modelos de Probabilidad
4. MUNDO DE LOS DATOS
IMPORTANTE
Se analiza un CONJUNTO DE DATOS; el
cual se obtiene de una situación real.
No se analiza BASE DE DATOS.
5. MUNDO DE LOS DATOS
Estadistica Descriptiva
Cómo estos valores o parametros brinda una
información general sobre un conjunto de datos?
Media
Mediana
Desviación Estandar
Cada uno de ellos reprensenta una caracteristica
especial sobre un conjunto de datos.
6. MUNDO DE LOS DATOS
Estadistica Inferencial
Enfocada a las estimaciones de la población, basado
en los parametros generados en una muestra.
Realiza aproximaciones de una muestra sobre los
comportamientos poblacional.
7. CONCEPTOS BASICOS DE ESTADISTICA
MUNDO DE LOS DATOS
Representa conjunto total de individuos de interes
Ej: Estudiantes de la universidad del Quindio
Población
Muestra
Sub conjunto de la población
Estrategia tomar al azar para que que no tenga Sesgo.
8. Estadistica Paramétrica
MUNDO DE LOS DATOS
PARAMÉTRICAS se basan en las leyes de distribución normal para
analizar los elementos de una muestra. Generalmente, solo se
aplican a variables numéricas y para su análisis debe mantener una
muestra grande, ya que permite que el cálculo sea más exacto
9. Estadistica Parametrica
MUNDO DE LOS DATOS
La distribución de probabilidad de
una variable aleatoria es una función
que asigna a cada suceso definido
sobre la variable, la probabilidad de
que dicho suceso ocurra
10. Estadistica No Paramétrica
MUNDO DE LOS DATOS
dos series de observaciones provienen de distintas poblaciones
son aplicables a los datos jerarquizados
son la única alternativa cuando el tamaño de muestra es pequeño
son útiles a un nivel de significancia previamente especificado
son útiles al analizar valores perdidos
son útiles al analizar datos categóricos
Se pueden usar cuando:
NO PARAMÉTRICAS son aquellas que se encargan de analizar datos que no tienen una
distribución particular y se basan una hipótesis, pero los datos no están organizados de
forma normal. Aunque tienen algunas limitaciones, cuentan con resultados estadísticos
ordenados que facilita su comprensión.
11. Estadistica Parametrica y No Parametrica
MUNDO DE LOS DATOS
Si los valores de una muestra afectan los valores de la otra
muestra, entonces las muestras son DEPENDIENTES
(Mismos elementos, momentos diferentes).
Si los valores de una muestra no revelan información sobre
los valores de la otra muestra, entonces las muestras son
INDEPENDIENTES.
Tener en cuenta
13. MUNDO DE LOS DATOS
Es el conjunto de técnicas estadisticas cuya finalidad
es analizar simultaneamente un conjunto de datos
en el sentido que hay varias variables medidas para
un individuo u objeto estudiado
ESTADISTICA MULTIVARIADA
EJEMPLO DE ESTADISTICA MULTIVARIADA
14. MUNDO DE LOS DATOS
Radica en un mejor entendimiento del
fenomeno objeto de estudio obteniendo
información que los metodos estadisticos
univariantes y bivariantes NO son capaces de
conseguir
EJEMPLO DE ESTADISTICA MULTIVARIADA
ESTADISTICA MULTIVARIADA
15. MUNDO DE LOS DATOS
Preferencias de marcas
La Pobreza
Calidad del Servicio
Nivel de Satisfacción
Aprendizaje y percepción
Aptitudes, Perfil del consumidor
Gran parte de las investigaciones son de manera multivariada
debido a que los fenómenos que se desean explicar y estudiar son
complejos tales como:
ESTADISTICA MULTIVARIADA
16. MUNDO DE LOS DATOS
Métodos de
Dependencia
Técnicas Multivariantes
Métodos de
Interdependencia
Modelos
Estructural
En el Análisis Multivariante podemos encontrar dos tipos de variables: Variables
cuantitativas y las Variables cualitativas.
17. ESTADISTICA MULTIVARIADA
Métodos de dependencia: Son aquellas cuyo
comportamiento es explicado o pronosticado por una o más
variables independientes; es decir que son variables que para
ser explicadas necesitan de otras variables:
Ejemplo: Explicar las ventas en función de numerosas
variables independientes (número de vendedores, inversión
en publicidad, promoción, pago a los vendedores, viáticos).
18. ESTADISTICA MULTIVARIADA
Métodos de interdependencia: Son las que servirán para
explicar el fenómeno estudiado y en ocasiones se denominan
como variables explicativas, factores o variables proditorias.
Tratan de dar significado a un conjunto de variables o bien
tratan de agrupar las cosas.
Ejemplo: cuando se realizan estudios de segmentación
de mercados que estudian variables independientes
como: sexo, edad, ingresos etc.
19. MUESTADISTICA MULTIVARIADA
Modelos estructurales: Suponen que las variables
están divididas en dos grupos: el de las variables
dependientes y el de las independientes. El objetivo de
estos métodos es analizar, no sólo cómo las variables
independientes afectan a las variables dependientes,
sino también cómo están relacionadas las variables de
los dos grupos entre sí.
20. Cuantitava Cualitativa
ESTADISTICA MULTIVARIADA
Métodos de
Dependencia
Técnicas Multivariantes
Métodos de
Interdependencia Métodos
Estructural
Anaálisis de
Regresión
Analisis de
Supervivenvia
MANOVA
Correlación
Canónica
Anaálisis
Discriminante
Regresión Logística
Análisis Conjoint
Cuantitava Cualitativa
Anaálisis Cluster
Analisis Factorial
Escalas
Anaálisis de
Correspondencias
Modelos Log-
Lineales
22. MUNDO DE LOS DATOS
KDD (Knowledge Discovery in Databases o
descubrir conocimiento en las bases de
datos): Hace referencia a un proceso,
compuesto de múltiples etapas, cuyo objetivo
principal es la extracción de conocimiento,con
un fin especifico, a partir de los datos a los
que se tiene acceso.
El proceso de KDD está estrechamente
relacionado con el aprendizaje
automático o machine learning (ML) y
también con la minería de datos o data
mining (DM). Son términos que, en
ocasiones, llegan a confundirse y
utilizarse de manera indistinta.
23. MUNDO DE LOS DATOS
En lo que sí hay coincidencia es en que las técnicas de ML son
posteriores en el tiempo a KDD y DM, y se centran más en la
construcción de los algoritmos que en la preparación de los datos
en sí. La finalidad de un algoritmo de ML es, explorar grandes
bases de datos, de manera automática o semiautomática, con el
objetivo de encontrar patrones repetitivos, tendencias o reglas
que expliquen el comportamiento de los datos en un determinado
contexto tomando como entrada patrones de datos, generar un
modelo que contiene el conocimiento extraído.
24. MUNDO DE LOS DATOS
En Fases del proceso de KDD
Atendiendo a la visión que fija la minería de datos como parte del KDD, este proceso constaría de las fases que se
observan en el siguiente esquema:
.
26. MUNDO DE LOS DATOS
Descripción
Predicción
Segmentación
Análisis de dependencias
Detección de desviaciones
El proceso de minería involucra ajustar modelos o determinar patrones a
partir de datos. Este ajuste normalmente es de tipo estadístico, en el
sentido que se permite un cierto ruido o error dentro del modelo.
Los algoritmos de minería de datos realizan en general tareas de:
Los Algoritmos de Minería de Datos
28. MUNDO DE LOS DATOS
BI o la inteligencia de negocios combina análisis de
negocios, minería, visualización, herramientas e
infraestructura de datos, además de prácticas
recomendadas para ayudar a las empresas a tomar
decisiones basadas en los datos. En la práctica,
implementar la inteligencia de negocios moderna
implica contar con una vista integral de todos los
datos de la organización. Además, consiste en usar
estos datos para impulsar el cambio, eliminar las
ineficiencias y adaptarse rápidamente a los
cambios del mercado o la demanda
Business Intelligence
29. MUNDO DE LOS DATOS
Es la combinación de algoritmos
planteados con el propósito de crear
máquinas que presenten las mismas
capacidades que el ser humanos. El
aprendizaje profundo es un
subconjunto de aprendizaje
automático en Inteligencia Artificial
(AI) que tiene redes capaces de
aprender sin supervisión a partir de
datos que no están estructurados ni
etiquetados. También conocido como
Deep Learning
Inteligencia Artificial