Documente Academic
Documente Profesional
Documente Cultură
PROYECTO 10
TAREA #2
PARALELO: U
AO LECTIVO: 2016
Temas de minera de datos
Access
PostgreSQL
MySQL
Descripcin de Datamining
Clasificacin:
Anlisis de Asociaciones:
Deteccin de Anomalas:
El objetivo de la deteccin de anomalas es encontrar
aquellos elementos o caractersticas que son
significativamente diferentes del resto de los datos.
pueden utilizar
rboles de decisin
Basados en reglas
Redes neuronales
Basados en Clusters
Redes Bayesianas
Por lo tanto, segn lo citado en los textos la minera web utiliza las
tcnicas de la minera de datos para descubrir automticamente los
documentos y servicios de la web y extraer informacin de ellos
informacin que implica distintos tipos de datos: texto, semi-
estructurado, imgenes, audio, entre otros. As el mbito de accin
intenta involucra problemas que permitan entender mejor la Web, el
cmo aprovechar la informacin que contiene y facilitar el acceso a ella
Clasificacin [predictivo]
Clustering[descriptivo]
correlacin y causalidad
Regresin [predictivo]
Resumir
Descripcin de Conceptos
Descripcin de caractersticas
descripcin discriminante
CLASIFICACIN NEURONAL
Basada en redes neuronales de propagacin hacia atrs
ANLISIS DE ASOCIACIONES
Anlisis de asociaciones
PREDICCIN NEURONAL
Classified
Boolean Cyclical, Discrete, Ordered
Double Continuous, Cyclical, Discrete,
Discretized, Key, Key
Sequence, Key Time, Ordered,
Sequence, Time
Classified
Date Continuous, Cyclical, Discrete,
Discretized, Key, Key
Sequence, Key Time, Ordered
Si crea el modelo de minera directamente con Extensiones de
minera de datos (DMX), puede definir el tipo de datos de cada
columna cuando defina el modelo y Anlisis Cervices crear la
estructura de minera correspondiente con los tipos de datos
especificados al mismo tiempo. Si crea el modelo o la estructura
de minera con un asistente, Anlisis Services le sugerir un tipo
de datos o podr elegir uno de una lista.
Anlisis de rentabilidad.
Reduccin de costos.
Facilidad de creacin.
Dar a los usuarios acceso a los datos que ellos necesitan para
analizarlos masms a menudo
- Redondeo
- Agrupacin
- Agregacin
- Reglas
- rboles
- Redes neuronales
Limpieza de datos
Construccin de datos
Integracin de datos
Formateo de datos
Diseo de la evaluacin
Revisar el proceso
Planificacin de despliegue
telefnico
BIBLIOGRAFIA
http://polar.lsi.uned.es/revista/index.php/ia/article/viewFile/479/
463
http://www.tamps.cinvestav.mx/~jtj/courses/dbs/slides/Bodegas
%20de%20datos.pdf
http://repositorio.uac.edu.co/jspui/bitstream/11619/1298/1/Const
rucci%C3%B3n%20y%20poblamiento%20de%20un
%20datawarehouse%20basado%20en%20el.pdf
http://bibliotecarios.cl/conferencia_2006/C2006_019.pdf
http://www.rclibros.es/pdf/capitulo_mineria.pdf
http://exa.unne.edu.ar/informatica/SO/MineriaDatosLezcano.pdf
https://jpgarcia.cl/2008/07/25/metodologia-para-proyectos-de-
mineria-de-datos/
http://www.it.uc3m.es/jvillena/irc/practicas/10-11/15mem.pdf