Introducción
1. Conceptos de minería de datos
1.1. Evolución de las tecnologías de la información
1.2. ¿Para qué sirve la minería de datos?
1.3. Descubrimiento de conocimiento en bases de datos (KDD)
1.4. Tareas de minería de datos
1.5. Relación con otras Disciplinas
Resumen
Ejercicios propuestos
2. Procesamiento de datos
Introducción
2.1. Recolección e integración
2.1.1. Modelo de datos multidimensional
2.1.2. Bodegas de datos
2.2. Detección de valores anómalos (outliers)
2.3. Valores faltantes
2.3.1. Métodos bayesianos
2.3.2. Moda y promedio
2.4. Reducción de la dimensionalidad
2.4.1. Selección de atributos
2.4.1.1. Árboles de decisión
2.4.1.2. Selección de atributos a partir de la comparación de la media y la varianza
2.4.2. Transformación de datos
2.5. Discretización de datos
2.5.1. Discretización simple binning
2.5.2. Técnica ChiMerge
2.5.3. Discretización por agrupación, redondeo y promedio
2.6. Numerización
2.7. Normalización
2.8. Herramienta para el pre procesamiento de datos (UD-CLEAR)
2.8.1. Descripción de la arquitectura
2.8.2. Análisis de pruebas y resultados obtenidos de diferentes ejemplos
2.8.2.1. Prueba de relleno de datos faltantes
2.8.2.2. Prueba de selección de atributos
2.8.3. Análisis de resultados
2.8.4. UD-CLEAR V s. WEKA
2.8.5. Conclusiones
Resumen
Ejercicios propuestos
3. Asociación de datos
Introducción
3.1. Reglas de asociación
3.2. El algoritmo de Priori
3.3. Generación de reglas de asociación desde ítemsets frecuentes
3.4. Algunas mejoras
3.5.Algunas extensiones
3.6. Regla de asociación multinivel en bases de datos transaccionales
3.6.1.Reglas de asociación multinivel
3.6.2.Minería de datos con reglas de asociación multinivel
3.6.3. Verificación de reglas de asociación redundantes
3.7. Generación de reglas de asociación multidimensionales de datos relacionales y en bodegas de datos
3.7.1.Reglas de asociación multidimensionales
3.7.2. Reglas de asociación multidimensionales usando ión estática de los atributos cuantitativos
3.7.3. Reglas de asociación cuantitativas
3.8. Herramienta para la asociación (UDAssociate)
3.8.1. ¿Cómo funciona UDAssociate?
3.8.2. Análisis de prueba de resultados
3.8.3. Conclusiones
Resumen
Ejercicios propuestos
4. Clasificación de datos
Introducción
4.1. ¿Qué es clasificación?
4.2. ¿Qué diferencia existe entre clasificación y regresión?
4.3. Selección de un método de clasificación y regresión
4.4. Técnicas de clasificación y regresión
4.4.1. Redes neuronales artificiales
4.4.2. Regresión
4.4.3. Métodos bayesianos
4.4.3.1. Método-TAN (Tree Augmented Naíve Bayes)
4.4.3.2. Importancia del método TAN en la clasificación de datos
4.5. Herramientas para la clasificación de datos
4.5.1. Software para la clasificación 'de datos a partir del método bayesiano TAN
4.5.2. Software para la clasificación a partir de redes neuronales artificiales (DClass)
4.5.2.1. Análisis de pruebas y resultados
4.5.3. Conclusiones
Resumen
Ejercicios propuestos
5. Agrupación de datos
Introducción
5.1. Requerimientos de la agrupación en la minería de datos
5.2. Métodos de agrupación
5.3. Red de resonancia adaptativa ART2
5.4. Mapas auto-organizativos de Kohonen SOM
5.4.1. Arquitectura
5.4.2. Funcionamiento
5.5. Algoritmo DBSCAN
5.6. Software para la agrupación de datos a partir de una red ART2
5.6.1. Conclusiones
Resumen
Ejercicios propuestos
Bibliografía
Anexos
Anexo 1
Herramientas para la minería de datos
1. Microsoft OLE DB para Minería de Datos (OLE DB para MD)
2. 'DBMiner
3. CBA (Asociación Basada en Clasificación)
4. UDMiner
Anexo 2
Metodología usada en la minería de datos
