1. COMPONENTES según necesidades
1.1. Resumen
1.1.1. Esta técnica proporciona una representación compacta de un conjunto de datos, incluida la visualización y generación de informes.
1.2. Regresión
1.2.1. Se utiliza para predecir un rango de valores numéricos, como ventas, valores de vivienda, temperaturas o precios cuando se les da un conjunto de datos en particular.
1.3. Clasificación
1.3.1. Las herramientas que realizan la clasificación generalizan las estructuras conocidas para aplicarlas a nuevos puntos de datos, como cuando una aplicación de correo electrónico intenta clasificar un mensaje como correo legítimo o correo no deseado.
1.4. Agrupación
1.4.1. Estas herramientas buscan relaciones entre las variables en un conjunto de datos, como determinar qué productos en una tienda a menudo se compran juntos.
1.4.2. Esta característica de la minería de datos se utiliza para descubrir grupos y estructuras en conjuntos de datos que son de alguna manera similares entre sí, sin usar estructuras conocidas en los datos.
1.5. Aprendizaje de reglas de asociación: (o análisis de cesta de la compra)
1.6. Limpieza y preparación de datos
1.6.1. El conjunto de datos objetivo debe “limpiarse” y prepararse de otra manera, para eliminar el “ruido”, corregir los valores perdidos, filtrar los puntos de datos periféricos (para la detección de anomalías) para eliminar errores o realizar más exploraciones, crear reglas de segmentación y realizar otras funciones relacionadas con la preparación de datos .
1.7. Preproceso
1.7.1. Antes de que pueda aplicar algoritmos de minería de datos, necesita crear un conjunto de datos objetivo. Una fuente común de datos es un centro comercial o almacén de datos. Necesita realizar un preprocesamiento para poder analizar los conjuntos de datos.
2. En términos generales según la industria en la que se aplique, el proceso para su aplicación se compone de cuatro etapas principales: 1. Determinación de los objetivos. 2. Pre procesamiento de los datos. 3. Determinación del modelo. 4. Análisis de los resultados.
3. CARACTERISTICAS
3.1. produce cinco tipos de información
3.1.1. Asociaciones
3.1.2. Secuencias
3.1.3. Clasificaciones
3.1.4. Agrupamientos
3.1.5. Pronósticos
3.2. Explorar los datos se encuentran en las profundidades de las bases de datos inclusoalmacenadas durante varios años.
3.3. Tiene un estructura Cliente / Servidor
3.4. Las herramientas de minería de datos de combinan fácilmente y pueden analizarse y procesarse rápidamente
3.5. Debido a la gran cantidad de datos, algunas veces resulta necesario usar procesamiento en paralelo para la mineria de datos
4. APLICACIONES según la industria trae beneficios
4.1. Los bancos y otros proveedores de servicios financieros
4.1.1. pueden extraer datos relacionados con las cuentas, transacciones y preferencias de sus clientes para satisfacer mejor sus necesidades.
4.2. Los minoristas
4.2.1. pueden identificar mejor qué productos es probable que adquieran las personas en función de sus hábitos de compra anteriores
4.3. Las instituciones educativas
4.3.1. pueden beneficiarse para predecir los comportamientos de aprendizaje futuros y el desempeño de los estudiantes, para mejorar los métodos de enseñanza o los planes de estudio.
4.4. Las empresas manufactureras
4.4.1. pueden buscar patrones en el proceso de producción, de modo que puedan identificar con precisión los cuellos de botella y los métodos defectuosos y encontrar formas de aumentar la eficiencia.
4.5. Los proveedores de atención médica
4.5.1. pueden extraer y analizar datos para determinar mejores formas de brindar atención a los pacientes y reducir costos, o predecir cuántos pacientes necesitarán para cuidar y qué tipo de servicios necesitarán los pacientes.