Este documento presenta una introducción a la minería de datos. Explica conceptos básicos como aprendizaje supervisado vs no supervisado y diferentes técnicas de minería de datos como descriptivas y predictivas. También describe el proceso de entrenamiento de un modelo predictivo utilizando datos procesados y una técnica de minería de datos. Finalmente, incluye un cupón de descuento para un curso sobre minería de datos con Weka.

1. Técnicas de Minería de
Datos
Introducción a la Minería de Datos
Técnicas de Minería de
Datos
Introducción a la Minería de Datos
Minería de Datos con Weka IMinería de Datos con Weka I
Prof. Masun Nabhan HomsiProf. Masun Nabhan Homsi
Inscríbete con el siguiente cupón para el curso en UDEMY.COM
con tan sólo 9.99$:
DESCUENTOWEKA_1
https://www.udemy.com/mineria-de-datos-con-weka-i/

2. ContenidoContenido
 Conceptos Básicos : Aprendizaje Supervisado vs No Supervisado, Conjunto de datos,
entrenamiento, prueba
 Técnicas de Minería de Datos
 Descriptivas
 Predictivas
 Regresión
 Conceptos Básicos : Aprendizaje Supervisado vs No Supervisado, Conjunto de datos,
entrenamiento, prueba
 Técnicas de Minería de Datos
 Descriptivas
 Predictivas
 Regresión

3. Aprendizaje SupervisadoAprendizaje Supervisado
 Aprendizaje supervisado
consiste en hacer
predicciones a futuro
basadas en
comportamientos o
características que se han
visto en los datos ya
almacenados (el histórico de
datos). El aprendizaje
supervisado permite buscar
patrones en datos históricos
relacionando todos campos
con un campo especial,
llamado campo objetivo.
 Aprendizaje supervisado
consiste en hacer
predicciones a futuro
basadas en
comportamientos o
características que se han
visto en los datos ya
almacenados (el histórico de
datos). El aprendizaje
supervisado permite buscar
patrones en datos históricos
relacionando todos campos
con un campo especial,
llamado campo objetivo.

4. Aprendizaje no SupervisadoAprendizaje no Supervisado
 el aprendizaje no supervisado usa datos históricos
que no están etiquetados. El fin es explorarlos para
encontrar alguna estructura o forma de organizarlos.
Por ejemplo, es frecuente su uso para agrupar
clientes con características o comportamientos
similares a los que hacer campañas de marketing
altamente segmentadas.
 el aprendizaje no supervisado usa datos históricos
que no están etiquetados. El fin es explorarlos para
encontrar alguna estructura o forma de organizarlos.
Por ejemplo, es frecuente su uso para agrupar
clientes con características o comportamientos
similares a los que hacer campañas de marketing
altamente segmentadas.

5. Son Dos Pasos: Paso I (Entrenamiento)Son Dos Pasos: Paso I (Entrenamiento)
Data
Procesada
Técnica
de
Minería
de Datos
Modelo
Predictivo
Entrenamiento
Clasificar
Asociar
Predecir
Agrupar
Segmentar

6. Inscríbete con el siguiente cupón para el curso en UDEMY.COM
con tan sólo 9.99$:
DESCUENTOWEKA_1
https://www.udemy.com/mineria-de-datos-con-weka-i/