Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
DATA MINING por Mind Map: DATA MINING

1. Caro, pero potente para grandes empresas Lenguaje SAS SO: Windows, macOS, Linux Freeware limitado a instituciones públicas, el precio se establece tras solicitud, diferentes modelos disponibles

2. La técnica de minería de datos ayuda a las empresas a obtener información basada en el conocimiento.

3. ETAPAS: Determinación de objetivos Trata de dar información relevante de la base de datos proporcionada por el cliente Procesamiento de datos Después se seleccionan y enriquecen los datos proporcionados por la empresa Determinación del modelo Se realizan unos análisis estadísticos de los datos Análisis de resultados Se lleva a cabo una visualización gráfica de los mismos Verificación de resultados El profesional verificara si los resultados son coherentes y los cotejara con los obtenidos análisis estadísticos y de visualización gráfica

4. CONCEPTO: Es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos de forma automática con el objetivo de encontrar patrones, tendencias y reglas que expliquen los datos en un determinado contexto.

5. objetivo: encontrar patrones tendencias o reglas que expliquen los datos en un determinado contexto

6. DESEVENTAJAS

6.1. Hay posibilidades de que las compañías vendan información útil de sus clientes a otras compañías por dinero. Por ejemplo, American Express ha vendido las compras con tarjeta de crédito de sus clientes a otras compañías.

6.2. Muchos softwares de análisis de minería de datos son difíciles de operar y requieren capacitación avanzada para trabajar.

6.3. APLICACIONES DE MINERIA DE DATOS

6.3.1. Comunicaciones

6.3.2. Seguro

6.3.3. Educación

6.3.4. Fabricación

6.3.5. Bancario

6.3.6. Al por menor

6.3.7. Proveedores de servicio

6.3.8. Comercio electrónico

6.3.9. Investigación criminal

6.3.10. Super mercados

6.3.11. Bioinformática

6.4. Las técnicas de minería de datos no son precisas y, por lo tanto, pueden causar serias consecuencias en ciertas condiciones

7. el concepto surge a partir de la cuarta revolución industrial y su nombre viene de la propia minería y es que ahora los profesionales en vez de buscar metales intentan ofrecer información

8. Utiliza Algoritmos de tecnicas de inteligencia artificial como, Redes Neuronales, Regresion lineal y Arboles de decision

9. CONCLUSIONES Un Sistema Datamining nos permite analizar factores de influencia en determinados procesos, predecir o estimar variables o comportamientos futuros, segmentar o agrupar ítems similares, además de obtener secuencias de eventos que provocan comportamientos específicos. La llegada del Data Mining se considera como la última etapa de la introducción de métodos cuantitativos, científicos en el mundo del comercio, industria y negocios. Desde ahora, todos los no-estadísticos -es decir el 99,5% de nosotros - pueden construir modelos exactos de algunas de sus actividades, para estudiarlas mejor, comprenderlas y mejorarlas.

10. PROCESO DEL DATA MINING

11. Para encontrar las divisiones en la clasificación de datos utiliza métodos de búsqueda y emparejamiento como el algoritmo de clustering

12. Datos + Estadística → Información si los datos están bien recogidos y la estadística bien aplicada entonces tenemos valiosa información.

13. FASES DE DATA MINING 1. DEFINIR PROBLEMA Identificar los objetivos del negocio y el de la minería de datos 2. IDENTIFICAR LOS DATOS NECESARIOS Evaluar los datos necesarios, recolectarlos y comprenderlos 3. PREPARAR Y PRE-PROCESAR Seleccionar algoritmos y limpiar los datos según sea necesario 4. MODELAR LOS DATOS Seleccionar algoritmos y construir modelos predictivos 5. ENTRENAR Y PROBAR Entrena el modelo con muestra, prueba y repetir proceso 6. CONOCIMIENTO Verificar el modelo final y estudiar las conclusiones

14. VENTAJAS

14.1. La minería de datos ayuda a las organizaciones a realizar ajustes rentables en la operación y producción.

14.2. La minería de datos es una solución rentable y eficiente en comparación con otras aplicaciones de datos estadísticos.

14.3. TECNICAS: METODOS DESCRIPTIVOS: Buscan patrones interpretables para describir datos. Son los siguientes: clustering, descubrimiento de reglas de asociación y descubrimiento de patrones secuenciales. MÉTODOS PREDICTIVOS: Usan algunas variables para predecir valores futuros o desconocidos de otras variables. Son los siguientes: clasificación, regresión y detección de la desviación.

14.4. La minería de datos ayuda con el proceso de toma de decisiones.

14.5. Facilita la predicción automática de tendencias y comportamientos, así como el descubrimiento automatizado de patrones ocultos.

14.6. Se puede implementar en sistemas nuevos y en plataformas existentes.

14.7. Es el proceso rápido que facilita a los usuarios analizar una gran cantidad de datos en menos tiempo.

15. HERRMIENTAS

15.1. RapidMiner

15.1.1. Apto para todos los procesos. Destaca en el análisis predictivo Java Windows, macOS, Linux Freeware, diferentes versiones de pago

15.2. WEKA

15.2.1. Muchos métodos de clasificación Java SO: Windows, macOS, Linux Software libre (GPL)

15.3. Orange

15.3.1. Crea una visualización de datos atractiva sin que se requieran muchos conocimientos previos para ello Núcleo del software : C++, ampliación y lenguaje de entrada: Python SO :Windows, macOS, Linux Software libre (GPL)

15.4. KNIME

15.4.1. Software de data mining de código abierto que ha democratizado el acceso a los análisis predictivos Java SO: Windows, macOS, Linux Software libre (GPL) (a partir de la versión 2.1)

15.5. SAS