Aplicaciones de la minería de datos

1 La utilización de árboles de decision en la construcción de modelos de clasificación de diferentes

características del Desarrollo de software.

Aspectos climatológicos: predicción de tormentas, etc.

2

Medicina: encontrar la probabilidad de una respuesta satisfactoria a un tratamiento medico.

3

4 Mercadotecnia: identificar clientes susceptibles de responder a ofertas de productos y servicios por

correo, fidelidad de clientes, afinalidad de productos.

Inversión en clasas de bolsas y banca: análisis de clients, aprobación de préstamos, determinación de

5
montos de crédito, etc.
Detección de fraudes y comportamientos inusuales: teléfonicos, seguros, en tarjetas de crédito,
6
evasion fiscal, electricidad, etc.
 Aplicaciones de la minería de datos
1 Análisis de canastas de mercado para mejorar la organización de tiendas, segmentación de mercado
(Clustering)

Determinación de niveles de audiciencia de programas televisivos.

2

Industria y manufactura: diagnóstico de fallas

3
Sistemas y herramientas de minería de datos
Las herramientas utilizadas para el Data Mining son muchas, pero regularmente una de las más utilizadas
son las redes neuronales artificiales y los algoritmos.

Algunas de las herramientas de aprendizaje del Data Mining son:

Redes neuronales
artificiales.
Inducción de reglas.

Algoritmos genéticos.

Visualización de datos.

Árboles de decisión.
Técnica del vecino
próximo.
Herramientas de Minería de Datos
Las herramientas de minería de datos empleadas en el proceso de extracción
de conocimiento se pueden clasificar en dos grandes grupos:

Técnicas de verificación (en las que

5
el Sistema se limita a comprobar
hipótesis suministrada por el usuario 4

1
Método de descrubrimiento (en los que
0
se han de encontrar patrones potenciales
interesantes de forma automática, Series 1 Series 2 Series 3

incluyendo en este grupo todas las

técnicas de predicción.
 Herramientas de Minería de Datos

Category 4
Existen algunas herramientas diseñadas para
extraer conocimientos desde bases de datos que
Category 3
contienen grandes cantidades de información.
Series 1
Las más populares de estas herramientas son Series 2
Category 2
SPSS Clementine, Oracle Data Miner y Weka.

Category 1

0% 20% 40% 60% 80% 100%

 Clementine SPSS

Clementine se centra en la integración de data mining con otros procesos y sistemas de negocio que
ayuden a entregar inteligencia predictiva en un tiempo eficiente durante las operaciones de negocio diarias.

La funcionalidad abierta de data mining en bases de datos que posee Clementine permite que muchos de
los procesos de data mining se realicen en entornos que mejoran tanto el rendimiento como el despliegue
de los resultados de data mining.

La última versión de Clementine extiende la funcionalidad de data mining al incluir un conjunto de reglas de
scoring y modelos de árboles de decisión y carga de resultados de data mining en la base de datos.
Acceder, preparar e integrar
fácilmente datos numéricos, de
texto, datos provenientes de
páginas web y de encuestas.
Construir y validar modelos
rápidamente, utilizando las técnicas
estadísticas y de aprendizaje
automático disponibles más
avanzadas.
Implantar eficientemente los
modelos predictivos, en el tiempo
real o según una programación
establecida.
Para las personas que toman
decisiones y hacen
recomendaciones y para los
sistemas que los utilizan.
Obtener rápidamente un retorno de
la inversión y mejores tiempos de
respuesta aprovechando las
características de rendimiento y
estabilidad.
Transmitir de forma segura los
datos confidenciales a las
aplicaciones de data mining en los
Utilizando casos donde la seguridad es crítica
Clementine se
podra:
Link de interés

1 https://spss-clementine.software.informer.com/Descargar-gratis/

2 https://www.youtube.com/watch?v=gqfHUM5UAPk

3 https://home.kku.ac.th/wichuda/DMining/ClementineUsersGuide_11.1.pdf
 WEKA
• Es de libre distribución (licencia GPL)
• Destaca la cantidad de algoritmos que presenta
• Algoritmos eficientes en la generación de reglas
• Desarrollada por miembros de la Universidad de Waikato.
• Gran cantidad de herramientas para la realización de tareas propias de minería de
datos y de visualización
• Permite la programación en JAVA de algoritmos más sofisticados para análisis de
datos y modelado predicativo, unidos a una interfaz grafica de usuario para acceder
fácilmente a sus funcionalidades.
• En ella se implementan las técnicas de clasificación, asociación, agrupamiento, y
predicción existentes en la actualidad.
 Su sistema operativo es multiplataforma.
Los puntos fuertes de Weka son:

Está disponible
Contiene una extensa
libremente bajo la
colección de técnicas para
licencia pública general
el reprocesamiento de
de GNU
datos y modelado.

Es muy portable porque

está completamente Es fácil de utilizar por un
implementado en Java principiante gracias a su
y puede correr en casi interfaz gráfica de usuario
cualquier plataforma
 WEKA
• Soporta tareas estándar de minería de datos: reprocesamiento de datos, clustering,
clasificación, regresión, visualización, y selección.
• Todas las técnicas de Weka se fundamentan en la asunción de que los datos están
disponibles en un fichero plano o una relación, en la que cada registro de datos está
descrito por un número fijo de atributos (normalmente numéricos o nominales,
aunque también se soportan otros tipos).
• Proporciona acceso a bases de datos vía SQL gracias a la conexión JDBC (Java
Database Connectivity)
• Puede procesar resultados devueltos por una consulta.
• No puede realizar minería de datos multi-relacional, pero existen aplicaciones que
pueden convertir una colección de tablas relacionadas de una base de datos en una
única tabla que ya puede ser procesada con Weka.
Link de interés

1 https://waikato.github.io/weka-wiki/

https://www.youtube.com/watch?v=gd5HwYYOz2U&list=
2 PLJbE6j2EG1pZnBhOg3_Rb63WLCprtyJag&index=28

3 https://www.youtube.com/watch?v=zN75kXVLfUw
Otras herramientas para minería de datos YALE

RAMSES

SAS Enterprise Miner

PolyAnalyst de Megaputer

XELOPES

1st Qtr 2nd Qtr 3rd Qtr 4th Qtr 5th Qtr