Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 101 vistas

    Mineria de Datos PDF

    Cargado por

    Luis Fernando Bravo Arge
    Este documento presenta el programa de un curso de Minería de Datos/Data Mining. El curso tiene 10 créditos y consta de 2 módulos. Los objetivos del curso son diseñar soluciones a problemas reales de minería de datos mediante modelos y conocer y aplicar herramientas de software gratuito. Los contenidos incluyen conceptos de minería de datos, data warehouse, preprocesamiento de datos, reducción de información, reglas de asociación, clasificación, clustering, selección de modelos y métodos avanzados. La met

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Mineria de Datos PDF

    Cargado por

    Luis Fernando Bravo Arge
    101 vistas3 páginas
    Este documento presenta el programa de un curso de Minería de Datos/Data Mining. El curso tiene 10 créditos y consta de 2 módulos. Los objetivos del curso son diseñar soluciones a problemas reales de minería de datos mediante modelos y conocer y aplicar herramientas de software gratuito. Los contenidos incluyen conceptos de minería de datos, data warehouse, preprocesamiento de datos, reducción de información, reglas de asociación, clasificación, clustering, selección de modelos y métodos avanzados. La met

    Título original

    mineria de datos.pdf

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta el programa de un curso de Minería de Datos/Data Mining. El curso tiene 10 créditos y consta de 2 módulos. Los objetivos del curso son diseñar soluciones a problemas reales de minería de datos mediante modelos y conocer y aplicar herramientas de software gratuito. Los contenidos incluyen conceptos de minería de datos, data warehouse, preprocesamiento de datos, reducción de información, reglas de asociación, clasificación, clustering, selección de modelos y métodos avanzados. La met

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    101 vistas3 páginas

    Mineria de Datos PDF

    Cargado por

    Luis Fernando Bravo Arge
    Este documento presenta el programa de un curso de Minería de Datos/Data Mining. El curso tiene 10 créditos y consta de 2 módulos. Los objetivos del curso son diseñar soluciones a problemas reales de minería de datos mediante modelos y conocer y aplicar herramientas de software gratuito. Los contenidos incluyen conceptos de minería de datos, data warehouse, preprocesamiento de datos, reducción de información, reglas de asociación, clasificación, clustering, selección de modelos y métodos avanzados. La met

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 3

    Programa

    PROGRAMA DE CURSO

    CURSO : Minería de Datos / Data Mining


    SIGLA : INP3430
    CRÉDITOS : 10 UC/6 SCT
    CARÁCTER : Optativo
    MÓDULOS : 2
    REQUISITOS : Curriculo 041501 o Alumno posgrado UC
    Autorización profesor.
    DISCIPLINA : Ingeniería

    I. DESCRIPCION

    Este curso busca dar a conocer las principales teorías y prácticas de la Minería de
    Datos comprendiendo sus
    potencialidades y limitaciones. Los conocimientos adquiridos son aplicables a la
    creación de programas
    capaces de extraer conocimiento relevante desde bases de datos y permitirán conocer
    algunas de las
    principales aplicaciones en que estas técnicas han alcanzado una amplia aceptación.

    II. OBJETIVOS

    1. Diseñar soluciones a problemas reales de minería de datos, mediante la


    elaboración de modelos
    capaces de resolver problemas actuales que involucren el análisis de
    información.
    2. Conocer y aplicar herramientas de software gratuito a tareas concretas de
    obtención de información
    desde bases de datos.

    III. CONTENIDOS

    1. El concepto y proceso de Minería de Datos, tipos de problemas en que la Minería


    de Datos es
    relevante.
    2. Data Warehouse y OLAP: Arquitecturas, implementaciones, aplicaciones en Minería
    de Datos.
    3. Prepa
    transformaciones, integración e inconsistencias.
    4. Reducción de la Información (Análisis de las Componentes principales)
    5. Reglas de Asociación (Algoritmo Apriori, Fp-growth)
    6. Clasificación:
    6.1.
    6.2. Naive Bayes.
    6.3. Razonamiento en Base a casos (KNN, Locally Weighted Regression.).
    7. Clustering
    7.1. Clustering particional: K-Means, Mean Shift, EM-GMM, BIRCH y otros.
    7.2. Medidas de similaridad para distintos tipos de datos.
    7.3. Clustering aglomerativo.
    8. Selección de Modelos (Hold Out, Cross Validation, Bootstrapping.).
    9. Métodos de Selección de Variables: Filter, Wrappers, Correlation Based Feature
    Selection,
    10. Relief and ReliefF algorithms. Toward Optimal Feature Selection..
    11. Métodos Avanzados y aplicaciones.
    11.1. Visualización.
    11.2. Minería de texto.
    11.3. Detección de Anomalías.

    PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE


    DPTO. CIENCIA DE LA COMPUTACIÓN, ESCUELA DE INGENIERÍA / Diciembre 2012

    IV. METODOLOGIA

    - Clases expositivas.
    - Actividades prácticas.
    - Lecturas individuales.

    V. EVALUACION

    - 2 Controles 60%
    - Actividades de laboratorio 40%

    VI. BIBLIOGRAFIA

    Berry, M. and Linoff, G., " M T q M S d


    Customer
    S pp " W 2004 (T á )

    Berson, A., Thearling, K., and Smith, S. "B Data Mining Applicat CRM" M G
    H
    2000.

    Dyche, J., " -Data: Turning I W


    "
    Addisson Wesley, 2000.

    Han, J and Kamber M. "Data mining:Concepts T q " M K


    2005.

    Hastie T., Tibshirani R., and Friedman J. "T S L M ,


    Inference,
    P " Sp 200 .
    Inmon, W.H., "B W " J Wiley and
    Sons; 3th edition,
    2005.

    Kimball, R. and Ross, M. "T p


    mode " J W S 2011.

    Mitchell T. M. "Machine Learning", McGraw Hill, 1997 (Texto


    clásico)

    Witten, I H., Eibe,F., and Hall, M. "Practical Machine Learning Tools and Techniques"
    M
    Kauffman, 2011

    PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE


    DPTO. CIENCIA DE LA COMPUTACIÓN, ESCUELA DE INGENIERÍA / Diciembre 2012

    También podría gustarte