Big Data Microsite

Nombre del estudiante: Cristopher Evedorio Padilla Flores Matricula: 22005665 Nombre del Reto: R3. Data Mining Nombre del Asesor: Tania Lozano Hernández Fecha de elaboración: 11/07/2024

start_

Bibliografía

Análisis de datos_

Universidad virtual del estado de guanajuato

Herramientas para visualizar datos de resultados del Data Mining

¿Cómo son aplicados los métodos científicos en el data mining?

¿Cuáles son las fuentes que pueden ser integradas en el data mining?

¿Cuáles son los orígenes del data mining?

¿Qué es el data mining?

Next

Data Mining

Herramientas para visualizar datos de resultados del Data Mining

¿Cómo son aplicados los métodos científicos en el data mining?

¿Cuáles son las fuentes que pueden ser integradas en el data mining?

¿Cuáles son los orígenes del data mining?

¿Qué es el data mining?

Next

Data Mining

¿Qué es el Data Mining?

Home

El Data Mining, o minería de datos, es el proceso de analizar grandes conjuntos de datos para descubrir patrones, tendencias y relaciones ocultas que pueden proporcionar información valiosa. Utiliza técnicas de estadísticas, aprendizaje automático y bases de datos para transformar datos en información útil para la toma de decisiones.

Data Mining

HOME

¿Cuáles son los orígenes del Data Mining?

Los orígenes del Data Mining se remontan a las décadas de 1960 y 1970, cuando se comenzaron a desarrollar técnicas de análisis de datos y gestión de bases de datos. Durante los años 1980 y 1990, el avance en la tecnología de la información y el incremento en la capacidad de almacenamiento y procesamiento de datos permitió el desarrollo de métodos más avanzados y la formalización del campo del Data Mining.

Data Mining

• Bases de datos relacionales
• Archivos planos y hojas de cálculo
• Data warehouses
• Registros de transacciones
• Datos de redes sociales
• Logs de servidores web Sensores y dispositivos IoT (Internet of Things)
• Datos de comercio electrónico

HOME

¿Cuáles son las fuentes que pueden ser integradas en el Data Mining?

Data Mining

HOME

¿Cómo son aplicados los métodos científicos en el Data Mining?

Los métodos científicos se utilizan en el Data Mining a través de un proceso paso a paso que incluye: formular una pregunta o hipótesis, recopilar datos relevantes, limpiar y preparar los datos, elegir técnicas adecuadas, analizar los datos, evaluar y validar los resultados, interpretar y comunicar los hallazgos.

Data Mining

Herramientas para visualizar datos de resultados del Data Mining

• Tableau: Una herramienta poderosa para la visualización de datos que permite crear gráficos interactivos y dashboards.
• Power BI: Una herramienta de Microsoft que facilita la creación de informes interactivos y visualizaciones de datos.
• QlikView: Una herramienta que ofrece capacidades avanzadas de visualización de datos y análisis asociativo.

Next

Data Mining

Ejemplos hipotéticos solicitando una solución de minería de datos

EJEMPLO 1

Ejemplo 2

Home

Data Mining

Motor de minería de datos

• Algoritmos de regresión para predecir el tiempo hasta el fallo.
• Redes neuronales para análisis de series temporales.
• Algoritmos de clustering para identificar patrones de uso anormales.

Servidor para el depósito de datos

• Se requiere un servidor escalable y confiable para almacenar y gestionar el gran volumen de datos provenientes de las diversas fuentes.
• Servidor en la nube: Ofrece flexibilidad, escalabilidad y costos optimizados. Servidor local: Proporciona mayor control y seguridad sobre los datos.

Fuentes de datos

• Registros de ventas: Incluyen información sobre compras, como artículos comprados, precios, fechas, ubicaciones de las tiendas y datos demográficos de los clientes.
• Programa de fidelización: Contiene información sobre los miembros del programa, como su historial de compras, preferencias e interacciones con la marca.
• Redes sociales: Datos de las interacciones de los clientes en plataformas como Facebook, Instagram y Twitter, como comentarios, reseñas y publicaciones.

Ejemplo 1: Minorista de ropa

Next

Data Mining

Base de conocimiento: Repositorio con reglas de asociación, perfiles de segmentos de clientes, y modelos predictivos validados.

Interfaz gráfica de usuario:permite visualizar segmentos de clientes, patrones de compra, y efectividad de campañas de marketing.

Menu ejemplos

Módulo de evaluación de patronesHerramienta de análisis para identificar segmentos de clientes y patrones de compra.Validación de modelos predictivos para evaluar la efectividad de las campañas de marketing.

Este módulo permite identificar patrones que indiquen un mayor riesgo de fraude, como:

• Reclamaciones inusualmente altas o frecuentes.
• Incoherencias en los datos proporcionados por los clientes.
• Patrones de comportamiento asociados con fraudes conocidos.

Ejemplo 1: Minorista de ropa

Data Mining

Motor de minería de datos: Algoritmos de regresión para predecir el tiempo hasta el fallo. Redes neuronales para análisis de series temporales. Algoritmos de clustering para identificar patrones de uso anormales.

Servidor para el depósito de datos: Se requiere un servidor seguro y confiable para almacenar y proteger los datos confidenciales de los clientes. Data lake en la nube (ej. Azure Data Lake, AWS S3).

Fuentes de datos:Módulo de evaluación de patrones

• Sistema de alerta temprana: Genera notificaciones cuando se detectan anomalías en los datos que indican un posible fallo.
• Validación continua de modelos: Evalúa el rendimiento de los modelos de predicción y los actualiza periódicamente con nuevos datos.

Ejemplo 2: Predicción de Mantenimiento Preventivo en una Planta de Manufactura

Next

Data Mining

Base de conocimiento: Historial de mantenimiento y patrones de fallos: Almacena información sobre fallos históricos y patrones de comportamiento de las máquinas. Reglas de mantenimiento predictivo: Define las acciones de mantenimiento a tomar en función de las predicciones del modelo.

Interfaz gráfica de usuario: Dashboard de Power BI: Proporciona una vista visualizada de los datos, incluyendo indicadores de rendimiento clave (KPIs), tendencias y predicciones de fallas.

Módulo de evaluación de patrones:Sistema de alerta temprana basado en análisis predictivo para detectar y notificar posibles fallos antes de que ocurran.Validación continua de modelos predictivos con datos en tiempo real.

Ejemplo 2: Predicción de Mantenimiento Preventivo en una Planta de Manufactura

Next

Data Mining

En este reto aprendi que la minería de datos es una herramienta poderosa que permite a las organizaciones extraer información valiosa de grandes volúmenes de datos para tomar decisiones informadas el desarollar los ejemplos ma ayudo acomprender cómo diferentes sectores pueden beneficiarse de la implementación de soluciones de minería de datos, desde la optimización de estrategias de marketing hasta la predicción de mantenimientos preventivos, creo que la clave para el éxito radica en una arquitectura bien diseñada que incluye fuentes de datos robustas, un servidor eficiente para el depósito de datos, un motor de minería de datos potente, un módulo de evaluación de patrones preciso, una interfaz gráfica de usuario intuitiva y una base de conocimiento completa.

INICIO

Conclusión Personal

Data Mining

HOME

Bibliografía

• 1.7.1 Evolución Historia de la Minería de Datos. (s/f). Dataprix.com. Recuperado el 17 de julio de 2024, de https://www.dataprix.com/es/mineria-datos-aplicada-encuesta-permanente-hogares/171-evolucion-historia-mineria-datos
• Greyrat, R. (s/f). Tipos de fuentes de datos en minería de datos – Part 1. Barcelonageeks.com. Recuperado el 17 de julio de 2024, de https://barcelonageeks.com/tipos-de-fuentes-de-datos-en-la-mineria-de-datos/
• Khan, F. (2024, mayo 7). Las mejores herramientas de minería de datos en 2024. Astera. https://www.astera.com/es/type/blog/data-mining-tools/
• ¿Qué es la minería de datos? (2023, noviembre 7). Ibm.com. https://www.ibm.com/mx-es/topics/data-mining
• Universidad virtual del estado de guanajuato. (s/f). Lección 7. Data Mining. Google Docs. Recuperado el 17 de julio de 2024, de https://drive.google.com/file/d/12_0Gza2KdvL1f-A-v_A1TqA59khJMsoe/view