LAV-15 ESQUEMA GENERAL

Introducción a la minería de datos y al descubrimiento de conocimiento en grandes bases de datos

Modelos de árboles de decisión y clasificación

MÓDULO

MÓDULO

01

02

Minería de Datos en Marketing

Aplicación de métodos de aproximación con base a una función de cercanía y métodos de agregación

Aplicación de métodos basados en la estimación de funciones de probabilidad

MÓDULO

MÓDULO

03

04

Discusión de los conceptos de dato, información y conocimiento de la información estadística.

Introducción a la minería de datos y al descubrimiento de conocimiento en grandes bases de datos

Origen y propósito de la minería de datos.

MÓDULO

01

Áreas relacionadas con la minería de datos.

Métodos de consulta y métodos de exploración de datos

INICIO

MÓDULO 2

MÓDULO 3

MÓDULO 4

MÓDULO 1

Árboles, clasificación y aproximación de funciones discretas.

El algoritmo ID3.

Modelos de árboles de decisión y clasificación

MÓDULO

02

Función de evaluación: ganancia de información

Construcción y validación del modelo

INICIO

MÓDULO 2

MÓDULO 3

MÓDULO 4

MÓDULO 1

Revisión de la teoría de la probabilidad

Aplicación de métodos basados en la estimación de funciones de probabilidad

Espacio de probabilidad

MÓDULO

03

Fórmula de Bayes

Principios de búsqueda de la hipótesis más probable

INICIO

MÓDULO 2

MÓDULO 3

MÓDULO 4

MÓDULO 1

Aproximación de funciones continuas y discretas con K vecinos cercanos

Aplicación de métodos de aproximación con base a una función de cercanía y métodos de agregación

Regresión local mediante funciones lineales

MÓDULO

04

Métodos de agregación

Administración del conocimiento y mantenimiento de modelos de minería de datos en el tiempo

INICIO

MÓDULO 2

MÓDULO 3

MÓDULO 4

MÓDULO 1

Más subtemas

• Métodos de análisis gráfico.
• Preparación, selección, depuración, enriquecimiento y codificación de los datos.
• Aplicación de la minería de datos a problemas que se presentan en las organizaciones

Marco conceptual de los métodos de la minería de datos

• Los métodos inductivo y deductivo.
• Principios de la formulación de modelos.
• Ejemplos de métodos de la minería de datos
• Experiencia, algoritmo y medida del aprendizaje.
• Aprendizaje de un concepto.
• Representación de hipótesis y búsqueda en el espacio de hipótesis.
• Sesgo inductivo.

Más subtemas

• Hipótesis de máxima verosimilitud.
• Estimación cuadrática media y curva de regresión.
• Principio de descripción mínima

Los problemas de la información no estructurada

• Extracción de conocimiento a partir de documentos HTML y texto.
• Extracción de información semi-estructurada (XML).
• Líneas de investigación abiertas.

Más subtemas

• Curva de aprendizaje.
• Podas y sobreajuste
• Extensiones del algoritmo ID3, C4.5: atributos continuos, otras funciones de evaluación, información faltante, incorporación de costos.

Aplicación de los modelos de redes neuronales

• Redes con conexiones hacia adelante.
• Aproximación de funciones vectoriales.
• Entrenamiento con diseminación inversa y validación del modelo.
• Sobreajuste y otros modelos.

Más subtemas

• Recalibrar modelos
• Evaluación de resultados