1

MINERA DE DATOS






SISTEMAS GESTORES DE BASES DE DATOS
ALEXANDER RAMIREZ CAMARGO








ANGLICA MARA DOMNGUEZ RODRGUEZ
FUNDACIN UNIVERSITARIA UNIPANAMERICANA
FACULTAD DE INGENIERA
INGENIERA DE SISTEMAS
BOGOT D.C
2013

2


Contenido

1. Ejemplos de minera de datos.............................................................................................................. 3
2. Prediccin una forma de anlisis de Datos. ........................................................................................ 3
3. Procedimientos o consultas que permitan implementar la minera de datos................................... 4
4. Representacin grfica tipo de aprendizaje llamado supervisado ................................................. 5
4.1 Aprendizaje Supervisado ....................................................................................................................... 5
5. Errores y las heursticas ....................................................................................................................... 5
6. Bibliografa ............................................................................................................................................ 6












3

1. Ejemplos de minera
de datos.
En empresas de
telecomunicaciones:
Se utiliza la minera de datos para la
deteccin de fraudes, descripcin y
segmentos de de clientes, y la
actualizacin de sus clientes ms
frecuentes.
En la industria del
comercio:
La minera de datos se utiliza para
disear y evaluar el marketing,
definir ofertas, recomendaciones de
productos.
En la medicina:
La minera de datos de utiliza
para predecir la efectividad de
procedimientos quirrgicos,
exmenes mdicos y
medicamentos.
En bancos e
instituciones financieras:
Se utiliza la minera de datos para
mejorar el rendimiento econmico.
La empresa
UNI/BASE Ltda.
Tiene tcticas para la recoleccin de
minera de datos como son:
Consultas, reportes, procedimiento
analtico de informacin y mdulos
de administracin para el ambiente
cliente/servidor del internet
2. Prediccin una
forma de anlisis de Datos.
Es utilizar los datos disponibles para
Construir un modelo que escriba una
variable de inters en funcin del resto
de la informacin disponible.
Entre ms sencilla sea la forma del
modelo, ms fcil ser su compresin,
pero tendr menor capacidad para
encontrar.

4

Solamente las predicciones realizadas
pueden ser inspeccionadas y
visualizadas.

3. Procedimientos o
consultas que permitan
implementar la minera de datos.

Tomaremos como ejemplo la pgina de
YouTube, el cual hace un par de
procedimientos para la recopilacin de
minera de datos:
Al querer ingresar
sesin pedir que se registre en la
pgina oficial es cuando pide
informacin personal para
poder acceder a la pgina.
Al tener ms de 1.000
visitas en un video en la pgina,
enva una serie de preguntas el
cual, pregunta si quieres recibir
una bonificacin al tener tantas
visitas en el video es as como
ellos guardan aquella
informacin de tus actividades en
YouTube, pero siguiendo algunas
reglas en el cual no poner msica
de fondo si no solo utilizar la
voz.
En la parte de
seguridad de la pgina de
YouTube pide el nmero de
telfono como verificacin de la
cuenta all llegan notificaciones
de seguridad en donde declaran:
Adelntate a los piratas
informticos con alertas sobre
cambios importantes en tu cuenta
y sobre actividad sospechosa.
(YouTube, s.f.)
Est asociado con
Google+ en donde pide la
informacin actual, como: trabajo
(profesin, habilidades etc.),
estudios, ubicaciones, enlaces,

5

informacin bsica (sexo,
cumpleaos, situacin
sentimental), crculo de amigos
etc.
Es as como recopilan informacin mediante
procedimientos o consultas que permiten
implementar la minera de datos.
4. Representacin
grfica tipo de aprendizaje llamado
supervisado

Ilustracin 1 Diagrama Aprendizaje
Llamado "Supervisado"
4.1 Aprendizaje Supervisado

Aprendizaje supervisado es un proceso de
dos pasos: en el primer paso se construye un
modelo que describa el conjunto preliminar
de clases. Esta construido mediante el
anlisis de los registros, en donde cada
registro pertenece a una clase especifica
conocida.
En el segundo paso: el modelo es usado para
la clasificacin de datos, se estima la
precisin de modelo, es un conjunto dado de
datos, si es aceptable el modelo poder der
usado para clasificar conjuntos de datos.
5. Errores y las heursticas

Conclusiones:
Si luego de un 10% de pocas (en
cualquier instante del
entrenamiento) el error se
incrementa.
Heursticas y un menor error, lo
que permite obtener una mejor
clasificacin; siendo esta heurstica
la ms adecuada.

6

6. Bibliografa

(YouTube, s.f.)

YouTube. (s.f.). Obtenido de http://www.youtube.com