Instituto Tecnológico de Santo Domingo

Asignatura:
Fundamentos de Tecnología de la Información.
Tema:
“Datamining”.
Profesor:
Natanael Gerónimo.
Estudiante:
Juan Rafael Echavarria Amengual
Matrícula:
09-0839
Sección:
04.
Fecha:
Semana 11.
 Datamining

Objetivos Generales
 Usar esta tecnología para fomentar un desarrollo un desarrollo sostenible.
 Exponer sobre los conceptos fundamentales de la minería de datos, para
motivar a los estudiantes a utilizar esta innovadora tecnología.
 Motivar a los usuarios que a través de las técnicas del Datamining (Minería de
Datos), para que hagan un buen uso de ellas.

Objetivos Específicos
 Concientizar al usuario para que use esta tecnología.

 Ver como esta satisface a los usuarios.

 Conocer de que manera nos ayuda a administrar la energía.
 Conocer los beneficios que nos aporta esta tecnología.

Métodos y Técnicas

La miner’ia de datos utiliza algoritmos , más o menos sofisticados que se aplican sobre
un conjunto de datos para obtener unos resultados.

Las técnicas más representativas son:

 Redes neuronales: Son un paradigma de aprendizaje y procesamiento

automático inspirado en la forma en que funciona el sistema nervioso de los animales.
Se trata de un sistema de interconexión de neuronas en una red que colabora para
producir un estímulo de salida.
 Regresión lineal: Es la mas utilizada para formar relaciones entre datos. Rápida y
eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse
más de 2 variables.
 Árboles de decisión: Es un modelo de predicción utilizado en el ámbito de la
inteligencia artificial, dada una base de datos se construyen estos diagramas de
construcciones lógicas, muy similares a los sistemas de predicción basados en reglas,
que sirven para representar y categorizar una serie de condiciones que suceden de
forma sucesiva, para la resolución de un problema.
 Modelos estadísticos: Es una expresión simbólica en forma de igualdad o
ecuación que se emplea en todos los diseños experimentales y en la regresión para
indicar los diferentes factores que modifican la variable de respuesta.
 Agrupamiento o Clustering: Es un procedimiento de agrupación de una serie de
vectores según criterios habitualmente de distancia; se tratará de disponer los vectores
de entrada de forma que estén más cercanos aquellos que tengan características
comunes.

Procedimiento

Datamining (minería de datos), es el conjunto de técnicas y tecnologías que permiten

explorar grandes bases de datos, de manera automática o semiautomática, con el
objetivo de encontrar patrones repetitivos, tendencias o reglas que expliquen el
comportamiento de los datos en un determinado contexto.

Básicamente, el Datamining surge para intentar ayudar a comprender el contenido de

un repositorio de datos. Con este fin, hace uso de prácticas estadísticas y, en algunos
casos, de algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes
neuronales.

De forma general, los datos son la materia prima bruta. En el momento que el usuario
les atribuye algún significado especial pasan a convertirse en información. Cuando los
especialistas elaboran o encuentran un modelo, haciendo que la interpretación que
surge entre la información y ese modelo represente un valor agregado, entonces nos
referimos al conocimiento.

El procedimiento para aplicar este conjunto de técnicas suele componerse de cuatro

etapas principales:

 Determinación de los objetivos.

 Pre-procesamiento de los datos.

 Determinación del modelo.

 Análisis de los resultados

En resumen, el Datamining se presenta como una tecnología emergente, con varias

ventajas: por un lado, resulta un buen punto de encuentro entre los investigadores y las
personas de negocios; por otro, ahorra grandes cantidades de dinero a una empresa y
abre nuevas oportunidades de negocios. Además, no hay duda de que trabajar con
esta tecnología implica cuidar un sinnúmero de detalles debido a que el producto final
involucra "toma de decisiones".
 Hipótesis

La Minería de Datosayudara al desarrollo de varias areas academicas , asi como en la

relacion empresa cliente.

Variables

La Minería de Datos se ha visto en la necesidad de adquirir innovaciones en los últimos

años con respecto a las estrategias de marketing, la extensión de los modelos de
compra en línea, a los cambios tecnológicos, etc. Entre las más importantes que
podríamos mencionar están: la necesidad de integrar los algoritmos y resultados
obtenidos en sistemas operacionales; la importancia que han cobrado los datos no
estructurados, ya sean textos, páginas de Internet, etc.; la exigencia de que los
procesos funcionen prácticamente en línea; los portales de Internet; y los tiempos de
respuesta, es decir, el gran volumen de datos que hay que procesar en muchos casos
para obtener un modelo válido es un inconveniente.

Marco teórico

El Datamining se podría definir como la búsqueda de patrones dentro de grandes

bases de datos, utilizando para ello métodos estadísticos y de aprendizaje basado en
computadora. Élla está empezando a extenderse en nuestro país. Empresas que
trabajan con telecomunicaciones, financiamiento y autoservicio están gestionando el
adquirir alguna solución tecnológica procedente de este campo, razón por la cual brota
una demanda por recursos humanos con conocimientos en minería de datos.

La idea de Datamining no es nueva. Ya desde los años sesenta los estadísticos

manejaban términos como data fishing, Datamining o data archaeology con la idea de
encontrar correlaciones sin una hipótesis previa en bases de datos con ruido. A
principios de los años ochenta, Rakesh Agrawal, Gio Wiederhold, Robert Blum y
Gregory Piatetsky-Shapiro, entre otros, empezaron a consolidar los términos de data
mining y KDD.[3] A finales de los años ochenta sólo existían un par de empresas
dedicadas a esta tecnología; en 2002 existen más de 100 empresas en el mundo que
ofrecen alrededor de 300 soluciones.

Justificación y Alcances

La minería de datos puede contribuir significativamente en las aplicaciones de

administración empresarial basada en la relación con el cliente. En lugar de contactar
con el cliente de forma indiscriminada a través de un centro de llamadas o enviando
cartas, sólo se contactará con aquellos que se perciba que tienen una mayor
probabilidad de responder positivamente a una determinada oferta o promoción.

Por lo general, las empresas que emplean minería de datos ven rápidamente el retorno
de la inversión, pero también reconocen que el número de modelos predictivos
desarrollados puede crecer muy rápidamente.

En lugar de crear modelos para predecir qué clientes pueden cambiar, la empresa
podría construir modelos separados para cada región y/o para cada tipo de cliente.
También puede querer determinar qué clientes van a ser rentables durante una
ventana de tiempo (una quincena, un mes,...) y sólo enviar las ofertas a las personas
que es probable que sean rentables. Para mantener esta cantidad de modelos, es
necesario gestionar las versiones de cada modelo y pasar a una minería de datos lo
más automatizada posible.

Esta puede abarcar amplios campos de aplicación como son hábitos de compra en
supermercados, patrones de fuga, fraudes, recursos humanos, comportamiento en
 Internet, terrorismo, juegos, ciencia e ingeniería, genética, ingeniería eléctrica y
análisis de gases.

Bibliografía

 OICP, Historia de Dataminig, Publicado: 19 Septiembre 2007, Consulta: 20 Enero 2010,

desde <http://oicp.blogspot.es/>.

 Wikipedia: La Enciclopedia Libre, Minería de Datos, Modificado: 18 Enero 2010,

Consulta: 19 Enero 2010, obtenido desde
<http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos#Ejemplos_de_uso_de_la_miner.C3.ADa_de_datos>.

 Sinnexus, Datamining (Minería de Datos), Publicado: 2007, Consulta: 15 Enero 2010,

obtenido desde <http://www.sinnexus.com/business_intelligence/datamining.aspx>.