Minería de

datos
Teobal Montero Jose Carlos
Sanchez Aburto Pamela
Segovia Hernandez Dario Alejandro
DEFINICIÓN
Es el proceso de explorar grandes conjuntos de datos para descubrir
patrones, relaciones y tendencias que puedan ser útiles para tomar
decisiones o generar conocimientos.

Es el proceso de hallar anomalías, patrones y correlaciones en

grandes conjuntos de datos para predecir resultados.

MINERÍA DE DATOS
IMPORTANCIA DE LA VENTAJAS
MINERÍA DE DATOS
Información Datos robustos o Mayor retención de
• Permite a las empresas recopilar datos confiables
y tomar decisiones informadas. completa simples clientes
• Detecta riesgos de crédito y fraude.

• Genera una ventaja competitiva y contribuye al

desarrollo de nuevos productos.

• Filtra el ruido caótico y repetitivo en los datos y

entiende qué es relevante.

• Comprende de una manera más contextualizada y

precisa los comportamientos de los consumidores
y los movimientos del mercado.
Ahorro a futuro
ACTIVIDAD

6 7 8 9 10

1 2 3 4

16 17 15 5

11 12 13 14
ACTIVIDAD Es una sucesión de elementos que se construye
CONCEPTOS BÁSICOS siguiendo una regla de repetición o recurrencia

DATOS

Es la representación de una variable que puede ser

cuantitativa o cualitativa que indica un valor que se le
MODELOS asigna a las cosas y se representa a través de una
secuencia de símbolos, números o letras.

PATRONES
Es un ejemplar o forma que el individuo se propone
seguir en la ejecución de algo. Son una
representación simplificada de un objeto, sistema,
proceso o idea que se utiliza para comprender cómo
funciona.
 PROCESO DE LA
MINERÍA DE DATOS
Extracción de Datos

Preprocesamiento de Datos

Análisis de datos

Evaluación de Modelos

Aplicación de Resultados
Tareas predictivas Tareas descriptivas
Técnicas de minería de datos

Análisis de
Aprendizaje
Regresión Clustering Asociación series
profundo
temporales

Permite Se entrena una

Busca descubrir
Predice el valor de caracterizar arquitectura de
relaciones o
datos Dividir la satisfactoriamente para clasificar los
patrones de
desconocidos información en series periódicas, datos en distintas
asociación entre
mediante el uso de grupos diferentes no periódicas, categorías
elementos en un
otro valor de datos complejas y
conjunto de datos
caóticas.
Recomendaciones de productos
Asociación
en línea

Seguimiento de la evolución de
Análisis de series temporales
enfermedades

Clasificación de correos
electrónicos como spam o no Aprendizaje profundo
spam

Pronóstico del clima Regresión

Segmentación de clientes Clustering

Regresión, clustering, asociación, análisis de series temporales y aprendizaje profundo

Aplicaciones
Empresas Medicina Ciencias sociales

 Segmentación  Diagnóstico  Análisis de

de clientes médico sentimientos
 Detección de  Descubrimiento  Predicción de
fraudes de fármacos comportamiento
 Optimización de
procesos
 De un ejemplo de aplicación de De un ejemplo de aplicación de
minería de datos en una empresa minería de datos en el sector salud

De un ejemplo de aplicación de ¿En que otra área puede aplicarse

análisis de emociones minería de datos?
Retos y ética

Transparencia y
Volumen de datos Privacidad de datos
responsabilidad
Reflexión

¿Cómo podemos equilibrar la necesidad de utilizar datos para tomar

decisiones informadas con la protección de la privacidad de las
personas?

¿Qué pasos deben dar las organizaciones y los profesionales de

datos para mejorar la transparencia y la aplicabilidad de los modelos
de minería de datos?
https://drive.google.com/file/d/
1e_IoJk2tmLWBdZAeOATSbs_KBaB9dBfO/view?
usp=share_link