Documente Academic
Documente Profesional
Documente Cultură
Presentacin:
Las tcnicas de Minera de Datos hoy en da son consideradas una herramienta
tecnolgica para la toma de decisiones y descubrimiento de nuevo conocimiento en los
escenarios de la industria y la investigacin. Por medio de la minera de datos se destaca
la gran importancia de la informacin como activo estratgico y lo esencial de un
adecuado anlisis para lograr identificar la tan anhelada ventaja en los negocios y/o
innovacin investigativa. La Minera de Datos enmarca un completo conjunto de
tcnicas que buscan la extraccin de conocimiento de diversas fuentes de informacin;
este conocimiento oculto entre millones de registros, es lo que anlogamente se
llamaran minerales preciosos que brindaran a las organizaciones grandes ventajas
competitivas.
Objetivo:
Presentar los fundamentos y tcnicas principales de la Minera de Datos. El mdulo
consta de cinco partes. Las dos primeras proporcionan una motivacin e introduccin a
la materia. Las tres partes siguientes son de corte tcnico, al tratar algunos conceptos
bsicos estadsticos y diversas tcnicas de modelacin por medio de aplicativos de
minera de datos.
La asignatura no tiene ninguna otra asignatura como prerrequisito ni cuenta con
recomendaciones sobre conocimientos previos.
V03-20130401
Introduccin
Tema
Tema 1. Aplicacin de la
DM en la industria
Tema 2. Conceptos Bsicos
Tema 3. Que no es DM
Tema 4. Clasificacin de
tcnicas de DM
III.
IV.
V.
Metodologas de
DM
Conceptos
estadsticos
Minera de datos
aplicada
Tema 5. Tipos de
metodologas
Tema 6. Conceptos
estadsticos
Tema 7. Tipos de
herramientas
Tema 8. Entender y preparar
los datos
Tema 9. Modelado y
evaluacin
Tema 10. Minera de texto
Tema 11. Web Data Mining
Instructor:
Gustavo A Valencia Z
www.gustavovalencia.com
academics@gustavovalencia.com
Candidato a Magister en Ciencias Estadsticas
Especialista en Estadstica
Especialista en Gerencia para Ingenieros
GIAC Analista certificado en computacin Forense
Ingeniero Electrnico
V03-20130401
Apartados
Algunas situaciones de
negocio a resolver.
Definicin e historia de la
Minera de Datos.
Errores comunes sobre DM.
Tcnicas ms populares y su
clasificacin segn
situaciones a resolver.
Metodologas CRISP-DM y
SEMMA.
Algunos conceptos
estadsticos de apoyo.
Herramientas de minera de
datos en la industria y la
investigacin.
Anlisis descriptivo.
Operacin con campos y
registros.
Modelos predictivos, de
segmentacin y asociacin.
Conceptos bsico-tericos.
Conceptos bsico-tericos.
V03-20130401
Bibliografa:
A continuacin se esbozan algunos de las referencias bibliogrficas representativas. Sin
embargo, en el transcurso del mdulo cada sesin detallada las referencias por temas. El
compendio completo de las referencias puede ser consultado en el archivo Referencias Minera
de Datos.pdf.
Prez, L. Minera de datos: Tcnicas y herramientas, 2007. Thomson.
SPSS. Introduccin a Clementine, 2008, SPSS.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. and Wirth R. CRISP-DM 1.0,
2007. SPSS
Johnson, R. and Wichern, D. Applied Multivariate Statistical Analysis, 1998. Prentice Hall
Torgo, L. Data Mining with R: Learning with Case Studies, 2011. Chapman & Hall/CRC.
SAS. Getting Started with SAS Enterprise Miner 6.1, 2009. SAS Publishing
Kuma V, Next Generation of Data Mining, 2009. Chapman & Hall/CRC.
Witten, I. and Frank, E. Data Mining: Practical Machine Learning Tools and Techniques, 2005. Morgan
Kaufmann
Liu, B. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, 2007. Springer
Olson, D. & Delen, D. Advanced Data Mining Techniques, 2008. Springer
Fayyad U, Grinstein G & Wierse A. Information Visualization in Data Mining and Knowledge Discovery
Morgan Kaufmann Series in Data Management Systems, 2002. Elsevier.
Taniar, D. Data Mining and Knowledge Discovery Technologies, 2008 .IGI
Conover W. J. Practical Nonparametric Statistics, 1999. Jhon Wiley & Son, Inc.
Walpole, R. Probalilidad para ingeniera y ciencias. Pearson, 2007.
V03-20130401