Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 193 vistas

    Mapa Conceptual Minería de Datos

    Cargado por

    Katherine Mayorga Galindo
    La minería de datos involucra métodos cualitativos para analizar grandes cantidades de datos usando herramientas como bases de datos y programas estadísticos para extraer información oculta y clara. Se puede aplicar en marketing, negocios, predicción y control de calidad para saber quién comprará, dónde y cuándo. Incluye técnicas como clasificación, estimación, predicción, determinación de grupos afines y clusterización. Las fases son selección de datos, preprocesamiento, selección de variables, extracción de conocimiento e

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Mapa Conceptual Minería de Datos

    Cargado por

    Katherine Mayorga Galindo
    193 vistas3 páginas
    La minería de datos involucra métodos cualitativos para analizar grandes cantidades de datos usando herramientas como bases de datos y programas estadísticos para extraer información oculta y clara. Se puede aplicar en marketing, negocios, predicción y control de calidad para saber quién comprará, dónde y cuándo. Incluye técnicas como clasificación, estimación, predicción, determinación de grupos afines y clusterización. Las fases son selección de datos, preprocesamiento, selección de variables, extracción de conocimiento e

    Título original

    MAPA CONCEPTUAL MINERÍA DE DATOS

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La minería de datos involucra métodos cualitativos para analizar grandes cantidades de datos usando herramientas como bases de datos y programas estadísticos para extraer información oculta y clara. Se puede aplicar en marketing, negocios, predicción y control de calidad para saber quién comprará, dónde y cuándo. Incluye técnicas como clasificación, estimación, predicción, determinación de grupos afines y clusterización. Las fases son selección de datos, preprocesamiento, selección de variables, extracción de conocimiento e

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    193 vistas3 páginas

    Mapa Conceptual Minería de Datos

    Cargado por

    Katherine Mayorga Galindo
    La minería de datos involucra métodos cualitativos para analizar grandes cantidades de datos usando herramientas como bases de datos y programas estadísticos para extraer información oculta y clara. Se puede aplicar en marketing, negocios, predicción y control de calidad para saber quién comprará, dónde y cuándo. Incluye técnicas como clasificación, estimación, predicción, determinación de grupos afines y clusterización. Las fases son selección de datos, preprocesamiento, selección de variables, extracción de conocimiento e

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 3

    MINERÍA DE DATOS

    Son distintos procesos y métodos cualitativos en donde trabajan con grandes cantidades de datos, haciendo uso de
    herramientas como bases de datos, procesos estadísticos, apoyándose de programas informáticos para general
    información. (La información es lo que se busca llegar utilizando todas estas herramientas y más, sacando información
    oculta en los datos (inmersa en una cantidad de datos). La minería de datos lo que busca es tener una información más
    clara.

    EN QUE PODEMOS LA MINERIA

    Se puede aplicar a muchísimas cosas, por nombrar algunas están marketing, universidad, negocios, predicción, control de
    calidad, la minería de datos nos permite saber quién comprara, donde, cuando.
    Métodos de la minería de
    datos:

     Clasificación: consiste en identificar características de un objeto o registro con el propósito de asignarle una clase o categoría
    predefinida. Su propósito es descubrir si una instancia del conjunto de ocurrencia
     Estimación: es semejante a la clasificación, pero la salida la constituyen valores continuos. En algunos casos es posible hacer
    estimación y posteriormente clasificación
     Predicción. es similar a las dos anteriores, con la particularidad de que la salida, sea continua o discreta, no ha ocurrido: la variable
    estimada o la clase asignada se refiere a un evento que ocurrirá en el futuro
     Determinar grupos afines o reglas de asociación: se encarga de descubrir fenómenos que ocurren de conjunto, aunque se desconoce el
    tipo de relación causal que existe entre estos.
     Descripción y visualización o tareas de pre procesamiento: son una actividad de MDI muy importante, pues su aplicación permite enfocar
    las restantes actividades de minería de datos.
     Clustering: Es una técnica de análisis de datos, donde se busca resolver un problema de método de clasificación, su objetivo es ordenar
    datos en grupos de forma que el nivel de similitud sea fuerte. Entre las clasificaciones tenemos la jerárquica; es aquella donde la
    clasificación resultante tiene un número creciente de clases anidadas y la no jerárquica; la clasificación que hacemos no es anidada.
    Métodos: aglomerados; son aquellos donde vamos a tener tantas clases como objetos que se tengan que clasificar y divisivos; partimos
    de una clase formada por todos los objetos que se van dividiendo en las clases sucesivamente
    FASES de la minería de
    datos:

     Selección; seleccionar los datos fuentes adecuados para el problema a resolver, es la base para tener un buen resultado.
     pre procesamiento: preparación previa a los datos a trabajar, para eliminar errores, anomalías, inconsistencias que a la larga pueda
    producir resultados pobres e incorrectos.
     Selección de variables: elegir los mejores atributos del problema, buscar variables independientes mediante test.
     Extracción del conocimiento: a partir de los patrones se generan un modelo que representa el comportamiento de los valores del problema
     Interpretación: al poder estudiar y analizar el modelo puedo generar conclusiones validas que es lo que se busca con la minería de datos.

    También podría gustarte