Producto añadido correctamente a su carrito de la compra

Cantidad

Total

Hay 0 artículos en su carrito. Hay 1 artículo en su cesta.

Total productos: (impuestos inc.)

Total envío: (impuestos inc.) A determinar

Impuestos 0,00 €

Total (impuestos inc.)

Continuar la compra Ir a la caja

Data mining: principios y aplicaciones. IFCD012PO

Referencia 15785

Autor: José Antonio Castillo Romero
Páginas: 368
ISBN: 978-84-9198-589-1
Fecha publicación: 02/05/2019
Edición: 1

Libro color

Más detalles

Imprimir

Más

OBJETIVOS

- Descubrir las bases de datos de soporte a la decisión y toda la problemática asociada tanto a su construcción y desarrollo como a la extracción de conocimiento de las mismas y enfrentarse a un proyecto de Data Mining con los conocimientos suficientes pudiendo abordar cualquiera de sus fases de desarrollo finalidad la descripción precisa del proceso de KDD.
- Entender en qué consiste el Data Mining en términos generales y aprender a aplicar la metodología CRISP-DM en un proyecto de Data Mining.
- Conocer los diferentes métodos de resolución de problemas que se dan en Data Mining para ser capaces de identificar ante qué situaciones se debe utilizar cada uno de ellos.
- Conocer tanto el concepto como el funcionamiento de las técnicas más importantes diseñadas para dar resolución a los problemas descriptivos y predictivos de Data Mining, así como estas deben aplicarse.
- Conocer cada una de las fases de un proyecto de Data Mining, siendo capaz de aplicar los conceptos teóricos y prácticos de las técnicas de análisis de datos en la resolución de los problemas planteados en cada objetivo del proyecto.

CONTENIDOS

El proceso de descubrimiento de conocimiento en bases de datos
Definición del proceso de Data Mining
Análisis de las fases del proceso de acuerdo a CRISP-DM.

El ciclo de Data Mining: fases y tipos de problemas
Tipos de problemas
Descriptivos o asociación o clustering
Predictivos o clasificación
Implicaciones de los datos, dominios, técnicas en las fases del proceso
Casos de uso

Técnicas de Data Mining
Clasificación: árboles de clasificación y Naive Bayes
Clustering: K-means y EM
Reglas de asociación

Consolidación de Data Mining
Presentación de un caso práctico
Aplicación del proceso CRISP-DM
Elaboración de un plan de proyecto