MINERÍA DE DATOS

1. TÉCNICAS

1.1. Predictivas

1.1.1. Regresión lineal

1.1.1.1. Determinar relación entre variables

1.1.2. Análisis de varianza y covarianza

1.1.2.1. Analizar comportamiento de datos

1.1.3. Series de tiempo

1.1.3.1. Extracción de información representativa

1.1.4. Métodos Bayesianos

1.1.4.1. Observaciones de probabilidad para verificar o descartar hipótesis

1.1.5. Redes neuronales

1.1.5.1. Detectar categorías comunes en los datos

1.1.6. Discriminante

1.1.6.1. Descubrir las diferencias entre grupos de objetos

1.2. Descriptivas

1.2.1. Clustering

1.2.1.1. Agrupar datos en clases

1.2.2. Dependencia

1.2.2.1. Entre variables, afectación de una a otra

1.2.3. Reducción de la dimensión

1.2.3.1. Reducción de variables aleatorias

1.2.4. Análisis exploratorio

1.2.4.1. Tratamiento estadístico

1.2.5. Escalamiento multidireccional

1.3. Auxiliares

1.3.1. Proceso analitico de transacciones OLAP

1.3.1.1. Agilizar consulta de grandes datos

1.3.2. SQL y herramientas de consulta

1.3.2.1. Lenguaje de dominio especifico

1.3.3. Reporting

1.3.3.1. Comunicar un tema de alto nivel

2. By Katherin Domínguez

3. ALGORITMOS

3.1. Algoritmos genéticos

3.1.1. Imitan la evolución de las especies, mutación, reproducción y selección

3.2. Arboles de decisión

3.2.1. Organiza datos en elecciones que compiten formando ramas de influencia después de una decisión inicial

3.3. Algoritmo CART

3.3.1. Análisis de clasificación y árbol regresivo

3.4. Naive Baye

3.4.1. Predice la salida de una identidad basándose en los datos de observaciones conocidas

3.5. Algoritmo K-means

3.5.1. Análisis de grupos divididos por características comunes

3.6. Maquinas de vectores de soporte

3.6.1. Predice la salida de una identidad basándose en los datos de observaciones conocidas

3.7. Algoritmo Apriori

3.7.1. Controla datos de transacciones

3.8. Algoritmo EM

3.8.1. Define parámetros analizando datos y predice la posibilidad de una salida futura o evento aleatorio dentro de los parámetros de datos

3.9. Algoritmo PageRank

3.9.1. Base de motores de búsqueda

3.10. Algoritmo AdaBoost

3.10.1. Funciona dentro de otros algoritmos de aprendizaje que anticipan un comportamiento según datos observados

3.11. Algoritmo del vecino K mas cercano

3.11.1. Reconoce patrones en la ubicación de los datos y los asocia a los datos con una identificación mayor