Mineria de Datos

Mineria de Datos

• 1.
  Instituto universitario deTecnología y Administración Industrial IUTA Decreto 771 del 15-02-90 Región capital Ampliación Guarenas Especialidad Informática Sección 203 A1 Asignatura: Base de Datos Alumnos: Guajari Vallenilla Carlos Garcés Hector Gonzales Caracas, Enero 2012
• 2.
  Es el conjuntode técnicas y tecnologías que permiten explorar grandes bases de datos, de manera automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos en un determinado contexto. Básicamente, el datamining surge para intentar ayudar a comprender el contenido de un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes neuronales.
• 3.
  La idea deMinería de Datos no es nueva. Ya desde los años sesenta los estadísticos manejaban términos como Data Fishing, Data Mining (DM) o Data Archaeology con la idea de encontrar correlaciones sin una hipótesis previa en bases de datos A principios de los años ochenta, Rakesh Agrawal, GioWiederhold, Robert Blum y Gregory Piatetsky-Shapiro entre otros, empezaron a consolidar los términos de Minería de Datos y KDD. Esta tecnología ha sido un buen punto de encuentro entre personas pertenecientes al ámbito académico y al de los negocios.
• 4.
  La evolución desus herramientas en el transcurso del tiempo puede dividirse en cuatro etapas principales: •Colección de Datos (1960). •Acceso de Datos (1980). • Almacén de Datos y Apoyo a las Decisiones (principios de la década de 1990). • Minería de Datos Inteligente. (finales de la década de 1990).
• 5.
  Las líneas dedesarrollo en el ámbito de minería de datos tienen sus orígenes en tres conceptos importantes: •Estadística clásica. •Inteligencia Artificial. •Aprendizaje humano.
• 6.
  •Determinación de losobjetivos: Trata de la delimitación de los objetivos que el cliente desea bajo la orientación del especialista en data minina. •Pre procesamiento de los datos: Se refiere a la selección, la limpieza, el enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa consume generalmente alrededor del setenta por ciento del tiempo total de un proyecto de data minina. •Determinación del modelo: Se comienza realizando unos análisis estadísticos de los datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia Artificial. Análisis de los resultados: Verifica si los resultados obtenidos son coherentes y los coteja con los obtenidos por los análisis estadísticos y de visualización gráfica.
• 7.
  •Comercio: Conocer elpatrón de compras del cliente para, por ejemplo, diseñar mejores campañas de publicidad y aumentar las ventas. •Empleo: Cuantificar las habilidades de los trabajadores para aprovecharlas al máximo. Localizar trabajadores descontentos. •Elecciones: Cotejar grandes bases de datos sobre hábitos de consumo y encuestas para conocer con detalle las inquietudes y los intereses del votante y así perfilar mejores campañas. • Medicina: Reunir grandes bases de datos biológicos para emplearlas en la detección a tiempo de tumores, demencias o alzhéimer. •Lucha contra el terrorismo: Localización de relaciones, transacciones económicas y movimientos de sospechosos.
• 8.
  •Explorar los datosque se encuentran en las profundidades de las bases de datos, como los almacenes de datos, que algunas veces contienen información almacenada durante varios años. • En algunos casos, los datos se consolidan en un almacén de datos y en mercados de datos; en otros, se mantienen en servidores de Internet e Intranet. • El entorno de la minería de datos suele tener una arquitectura cliente -servidor. • Las herramientas de la minería de datos ayudan a extraer el mineral de la información enterrado en archivos corporativos o en registros públicos, archivados. • Hurgar y sacudir a menudo implica el descubrimiento de resultados valiosos e inesperados.
• 9.
  • El mineroes, muchas veces un usuario final con poca o ninguna habilidad de programación, facultado por barrenadoras de datos y otras poderosas herramientas indagatorias para efectuar preguntas adhoc y obtener rápidamente respuestas. • Las herramientas de la minería de datos se combinan fácilmente y pueden analizarse y procesarse rápidamente. • Debido a la gran cantidad de datos, algunas veces resulta necesario usar procesamiento en paralelo para la minería de datos. • La minería de datos produce cinco tipos de información: — Asociaciones. — Secuencias. — Clasificaciones. — Agrupamientos. — Pronósticos. • Los mineros de datos usan varias herramientas y técnicas. La minería de datos es un proceso que invierte la dinámica del método científico.
• 10.
  El nombre deData Mining deriva de las similitudes entre buscar valiosa información de negocios en grandes bases de datos, las técnicas pueden redituar los beneficios de automatización en las plataformas de hardware y software existentes y puede ser implementadas en sistemas nuevos a medida que las plataformas existentes se actualicen y nuevos productos sean desarrollados. Cuando las herramientas de data Mining son empleadas en sistemas de procesamiento paralelo de alta performance, pueden analizar bases de datos masivas en minutos. Procesamientos mas rápidos significan que los usuarios pueden automáticamente experimentar con mas modelos para entender datos complejos.
• 11.
  Para aplicar mejortécnicas avanzadas, estas deben estar totalmente integradas con la data warehouse así como herramientas flexibles e interactivas para el análisis de negocios. Varias herramientas de data Mining actualmente operan fuera del warehouse, requiriendo pasos extra para extraer, importar y analizar los datos. Además, cuando nuevos conceptos requieren implementación operacional la integración con el warehouse simplifica la aplicación de los resultados desde data Mining.
• 12.
  El Data warehouseanalítico resultante puede ser aplicado para mejorar procesos de negocios en toda la organización, en áreas tales como manejo de campañas promocionales, detección de fraudes, lanzamientos de nuevos productos, etc. El punto de inicio ideal es un data warehouse que contenga una combinación de datos de seguimiento e todos los clientes juntos con datos externos de mercado acerca de la actividad de los competidores. Información histórica sobre potenciales clientes también provee una excelente base. Este warehouse puede ser implementado en una variedad de sistemas bases relacionales y debe ser optimizado para un acceso a los datos flexibles y rápido.