EXTRACCION DE CONOCIMIENTO

Descubrimiento de patrones, relaciones y tendencias mediante análisis de gran cantidad de datos

Ejemplos de aplicaciones


Toma de decisiones
– Cuándo concedo un crédito hipotecario? por cuánto? Qué
tipo de solicitante no devolverá el crédito?
– Un cliente de tarjeta de crédito está realizando una compra,
pagará? se la han robado?


Diagnósticos
– Determinación de enfermedades
– Fallos en procesos industriales


Marketing y ventas
– Hábitos y fidelidad de clientes. Cuál es el perfil de los clientes
que se gastan al mes más dinero?
– Análisis de compras. Qué productos de nuestra empresa es
el que compran los clientes junto al detergente?
– Análisis de perfil más adecuado para publicidad directa.



Análisis de datos en Internet

• Web Mining: análisis de páginas para extraer

automáticamente información

• e-Mining: análisis de las interacciones de los clientes

con mis páginas

• Web para extraer información

• Tipo de información que busco:

– Qué tipo de clientes tengo

– Cómo interacciona cada tipo de cliente con las páginas Web

– Qué banners son los que siguen mis clientes (publicidad)

– Descubrimiento de patrones de compra/navegación.

Almacén de datos (data warehouse)


Técnicas para almacenar y manejar datos provenientes
de varias fuentes de una organización como medio de
soporte a la decisión.

El Proceso de KDD


• Contexto de un aplicación con Análisis de Datos.


– Proceso interactivo e iterativo. Ensayo y error

METODOLOGÍA

1. Formular el problema

2. Determinar la representación (atributos y clases)

– directamente

– hablando con expertos

– a partir de otras técnicas (filtros)

3. Identificar y recolectar datos de entrenamiento (bases de datos,

ficheros, …)

4. Preparar datos para análisis

5. Selección de modelo, construcción y entrenamiento

6. Evaluar lo aprendido

– validación cruzada, expertos

7. Integrar la base de conocimiento a la espera de nuevos datos

tras acciones.

Tipos de técnicas

• Paramétricas, no paramétricas

• Grado de supervisión

– Supervisadas, no supervisadas, por refuerzo

• Tipo de información resultante

– Simbólica, subsimbólica/numérica, mixta

• Número de técnicas empleadas

– Sencillos, meta-clasificadores

• Tipo de clases

– Discretas, continuas, desconocidas

Elementos básicos de entrada

• Concepto: qué se quiere aprender (estructura inteligible y útil para

cada tipo de problema). Salida: descripción del concepto

Clasificación

Predicción/Estimación

Asociación

Agrupamiento

• Atributo: qué características (variables) se van a utilizar para

describir el concepto

– Ej.: salario, crédito solicitado, categoría a la que pertenece, ...

– Tipos: continuos, nominales/categóricos

• Clase: diferentes valores (etiquetas) del concepto aprendido

– Ej.:sí, no, necesita-aval, etc.

• Instancia o ejemplo: cada muestra a partir de la cual se extrae el

concepto

TALLER

Desarrollar el siguiente cuestionario para afianzar los conocimientos adquiridos