Minería de Datos by Ruben Guerrero Barrot https://padlet.com/rguerrerobarrot/mineria_de_datos Introducción a la minería de datos en-us 2019-01-31 00:30:26 UTC 2026-01-29 10:43:31 UTC hello@padlet.com https://padlet-assets.s3.amazonaws.com/icons/Clouds.png IV - Herramientas comerciales de la Minería de Datos rguerrerobarrot https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094419  - Orange es una suite de software para minería de base de datos y aprendizaje automático basado en componentes que cuenta con un fácil y potente, rápido y versátil front-end de programación visual para el análisis exploratorio de datos y visualización, y librerias para Python y secuencias de comando. Contiene un completo juego de componentes para preprocesamiento de datos, característica de puntuación y filtrado, modelado, evaluación del modelo, y técnicas de exploración. Está escrito en C++ y Python, y su interfaz gráfica de usuario se basa en la plataforma cruzada del framework Qt. 

- RapidMiner, antes llamado YALE (Sin embargo, otro ambiente de aprendizaje), es un ambiente de experimentos en aprendizaje automático y minería de datos que se utiliza para tareas de minería de datos tanto en investigación como en el mundo real. Permite a los experimentos componerse de un gran número de operadores anidables arbitrariamente, que se detallan en archivos XML y se hacen con la interfaz gráfica de usuario de RapidMiner. RapidMiner ofrece más de 500 operadores para todos los principales procedimientos de máquina de aprendizaje, y también combina esquemas de aprendizaje y evaluadores de atributos del entorno de aprendizaje Weka. Está disponible como una herramienta stand-alone para el análisis de datos y como motor para minería de datos que puede integrarse en tus propios productos.

-  Weka es una conocida suite de software para máquinas de aprendizaje que soporta varias tareas típicas de minería de datos, especialmente pre procesamiento de datos, agrupamiento, clasificación, regresión, visualización y características de selección. Sus técnicas se basan en la hipótesis de que los datos están disponibles en un único archivo plano o relación, donde cada punto marcado es etiquetado por un número fijo de atributos. WEKA proporciona acceso a bases de datos SQL utilizando conectividad de bases de datos Java y puede procesar el resultado devuelto como una consulta de base de datos. Su interfaz de usuario principal es el Explorer, pero la misma funcionalidad puede ser accedida desde la línea de comandos o a través de la interfaz de flujo de conocimientos basada en componentes.

-  jHepWork es un framework para análisis de datos libre y de código abierto que fue creado como un intento de hacer un entorno de análisis de datos usando paquetes de código abierto con una interfaz de usuario comprensible y para crear una herramienta competitiva a los programas comerciales. Esto se hace especialmente para las ploteos científicos interactivos en 2D y 3D y contiene bibliotecas científicas numéricas implementadas en Java para funciones matemáticas, números aleatorios, y otros algoritmos de minería de datos. jHepWork se basa en Jython un lenguaje de programación de alto nivel, pero codificación en Java también puede ser usada para llamar librerías jHepWork numéricas y gráficas. 

- KNIME (Konstanz Information Miner) es una plataforma de código abierto de fácil uso y comprensible para integración de datos, procesamiento, análisis, y exploración. Ofrece a los usuarios la capacidad de crear de forma visual flujos o tuberías de datos, ejecutar selectivamente algunos o todos los pasos de análisis, y luego estudiar los resultados, modelos y vistas interactivas. KNIME está escrito en Java y está basado en Eclipse y hace uso de sus métodos de extensión para soportar plugins proporcionando así una funcionalidad adicional. A través de plugins, los usuarios pueden añadir módulos de texto, imagen, procesamiento de series de tiempo y la integración de varios proyectos de código abierto, tales como el lenguaje de programación R, WEKA, el kit de desarrollo de Química y LIBSVM. ]]> 2019-01-31 00:34:39 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094419 III - Aplicaciones de la Minería de Datos rguerrerobarrot https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094642 Estos patrones y tendencias obtenidos mediante procesos de minería de datos se pueden recopilar y definir como un modelo. Estos a su vez se pueden aplicar en escenarios como los siguientes:

  • Previsión: calcular las ventas y predecir las cargas de servidor o el tiempo de inactividad del servidor.

  • Riesgo y probabilidad: elegir los mejores clientes para la distribución de correo directo, determinar el punto de equilibrio probable para los escenarios de riesgo, y asignar probabilidades a diagnósticos u otros resultados.

  • Recomendaciones: determinar los productos que se pueden vender juntos y generar recomendaciones.

  • Buscar secuencias: analizar los artículos que los clientes han introducido en el carrito de compra y predecir los posibles eventos.

  • Agrupación: separar los clientes o los eventos en clústeres de elementos relacionados, y analizar y predecir afinidades.
]]> 2019-01-31 00:35:45 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094642 II - Objetivos de la Minería de Datos rguerrerobarrot https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094655
  • Descripción de clases: provee una clasificación concisa y resumida de un conjunto de datos y los distingue unos de otros. La clasificación de los datos se conoce como caracterización, y la distinción entre ellos como comparación o discriminación.
  • Asociación: es el descubrimiento de relaciones de asociación o correlación en un conjunto de datos. Las asociaciones se expresan como condiciones atributo- valor y deben estar presentes varias veces en los datos.
  • Clasificación: analiza un conjunto de datos de entrenamiento cuya clasificación de clase se conoce y construye un modelo de objetos para cada clase. Dicho modelo puede representarse con árboles de decisión o con reglas de clasificación, que muestran las características de los datos. El modelo puede ser utilizado para la mayor comprensión de los datos existentes y para la clasificación de los datos futuros.
  • Predicción: esta función de la minería predice los valores posibles de datos faltantes o la distribución de valores de ciertos atributos en un conjunto de objetos.
  • Clustering o agrupación: identifica clusters o grupos en el conjunto de datos, donde un cluster es una colección de datos “similares”. La similitud puede medirse mediante funciones de distancia, especificadas por los usuarios o por expertos. La Minería de Datos trata de encontrar clusters de buena calidad que sean escalables a grandes bases de datos y a bodegas de datos multidimensionales.
  • Análisis de series a través del tiempo: analiza un gran conjunto de datos obtenidos con el correr del tiempo para encontrar en él regularidades y características interesantes, incluyendo la búsqueda de patrones secuenciales, periódicos, modas y desviaciones.

    • ]]>     2019-01-31 00:35:49 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094655     I - Panorama General de la Minería de Datos rguerrerobarrot https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094666 Tradicionalmente el objetivo de la minería era la obtención de carbón. No obstante, una nueva generación de mineros ha aparecido en el inicio de esta cuarta revolución industrial. Son los mineros o exploradores de datos, que cuales en lugar de buscar carbón intentan descubrir patrones en enormes volúmenes de datos. Los métodos utilizados de estos nuevos profesionales son la inteligencia artificial, el aprendizaje automático, la estadística y sistemas de base de datos.
     
    La minería de datos es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos con el objetivo de encontrar patrones que nos puedan aportar información valiosa en la toma de futuras decisiones. El proceso de minería de datos tiene normalmente cuatro etapas principales:

    - Determinación de los objetivos 
    - Procesamiento de los datos 
    - Determinación del modelo 
    - Análisis de los resultados



    ]]>     2019-01-31 00:35:51 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326094666     juanhughes18 https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326109968 2019-01-31 01:49:41 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326109968 Come https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326110455 2019-01-31 01:52:26 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326110455 Comentario starlin https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326110467 Muy buen trabajo hermano los conceptos estan muy claros excelente!!!

    ]]>     2019-01-31 01:52:33 UTC https://padlet.com/rguerrerobarrot/mineria_de_datos/wish/326110467