Biblioteca Instituto Técnico Superior Comunitario

Incluye bibliografía (páginas191-195)

Introducción 19, / Conceptos de minería de datos 23, / Introducción 23, / Evolución de las tecnologías de la información 25, / ¿ Para qué sirve la minería de datos? 27 / Descubrimiento de conocimiento en base de datos (KDD) 27, / Tareas de minería de datos 34, /relación con otras disciplinas 35, / Resumen 36, / Ejercicios propuestos 37, / Preprocesamiento de datos 39, / Introducción 39, / Recolección e integración 41, / Modelo de datos multidimensional 43, / Bodegas de datos 47, / Detección de valores anómalos (outliers) 49, / Valores faltantes 53, / Métodos bayesianos 55, / Moda y promedio 62, / Reducción de la dimensionalidad 63, / Selección de atributos 63, / Arboles de decisión 64, / Selección de atributos a partir de la comparación de la media y la varianza 72, / Transformación de datos 74, / Discretizacion de datos 76, / Discretizacion simple binning 76, / Técnica cuiMerge 78, / Discretizacion por agrupación, redondeo y promedio 81, / Numerización 82, / Normalización 83, / Herramienta para el preprocesamiento de datos (UD-CLEAR) 85, / Descripción de la arquitectura 85, / Análisis de pruebas y resultados obtenidos de diferentes ejemplos 87, / Prueba de relleno de datos faltantes 87, / Prueba de selección de atributos 89, / Análisis de resultados 90, / UD_CLEAR Vs. WEKA 91, / Conclusiones 92, / Resumen 93, / Ejercicios propuestos 93, / Asociación de datos 97, / Introducción 97, / Reglas de asociación 98, / El algoritmo a priori 103, / Generación de reglas de asociación desde itemsets frecuentes 109, / Algunas mejoras 111, / Algunas extensiones 111, / Reglas de asociación multinivel en bases de datos transaccionales 112 , / Reglas de asociación multinivel 113, / Minería de datos con reglas de asociación multinivel 113, / Verificación de reglas de asociación redundantes 117, / Generación de regla de asociación multidimensionales en bases de datos relacionales y en bodegas de datos 118, / Reglas de asociación multidimensionales 118, / Usando discretización estática de los atributos cuantitativos 120, / Reglas de asociación cuantitativas 121, / HERRAMIENTA PARA LA ASOCIACION (UDAssociate) 123, / ¿Cómo funciona UDAssociate? 124, / Análisis de pruebas y resultados 127, / Conclusiones 132resumen 134, /ejercicios propuestos 134, / Clasificación de datos 137, / Introducción 137, / ¿Qué es clasificación? 137, / ¿Qué diferencia existe entre clasificación y regresión? 138, / Selección de un método de clasificación y regresión 139, / Técnicas de clasificación y regresión 140, / Redes neuronales artificiales 140, / Regresión 149, / Métodos bayesianos 150, / método TAN (Tree Augmented Naïve Bayes) 150, / Importancia del método TAN en la clasificación de datos 154, / Herramientas para la clasificación de datos 155, / Software para la clasificación de datos a partir del método bayesiano TAN 155, / Software para la clasificación a partir de redes neuronales artificiales (DCLASS) 156, / Análisis de pruebas y resultados 158, / Conclusiones 162, / Resumen 164, / Ejercicios propuestos 165, / Agrupación de datos 167, / Introducción 167, / Requerimientos de la agrupación en la minería de datos 168, / Métodos de agrupación en la minería de datos 168, / Métodos de agrupación 170, / Red de resonancia adaptativa ART2 172, / Mapas auto-organizativos de Kohonen SOM 177, / arquitectura 178, / Funcionamiento 180, / Algoritmo DBSCAN 181, / Software para la agrupación de datos a partir de una red ART2 186, / Conclusiones 187, / Resumen 188, / Ejercicios propuestos 188, / Bibliografía 191, / Anexos 197: herramientas para la minería de datos 197, / Microsoft OLE DB para la Minería de Datos (OLE DB para MD) 197DBMiner 199, / CBA (Asociación Basada en Clasificación) 200, /UDMiner 203, / Metodología usada en la minería de datos 204.

Este es un texto introductorio para estudiantes y docentes interesados en abordar temáticas relacionadas con minería de datos. En cada capítulo se plantea teoría con respecto a tareas y técnicas, a continuación se muestran ejemplos y ejercicios, por ultimo un resumen. El primer capítulo presenta conceptos, áreas, aplicaciones, tareas y otras disciplinas con las cuales se relaciona la minería de datos; en el segundo se describe el pre procesamiento de datos, destacando tareas de esta fase y algunas técnicas o algoritmos para llevar a cabo cada una de ellas; el tercero introduce al lector en una tarea de minería de datos que centra su aplicación en el análisis de mercadeo: esta es la asociación de datos; el cuarto está orientado a la predicción de datos, haciendo énfasis en clasificación y regresión, se describe como las redes neuronales artificiales, los métodos bayesianos y la regresión estadística pueden ser usados para estimar valores futuros a partir de variables predictoras; en el quinto muestra una de las tareas más representativas de minería de los datos: la "agrupación por datos". Por último, se destaca el software UDMiner, desarrollado por el grupo de investigación de Inteligencia Artificial de la Universidad Distrital Francisco José de Caldas y con el cual se podrá poner en práctica y seguir la teoría aquí planteada.