cuestionariomineriadedatos

8/17/2019 CuestionarioMineriaDeDatos

1/22

CUESTIONARIO DEMINERÍA DE DATOS

Inteligencia Artificial

*Angelo Hernández Valencia 5to A

UNIVERSIDAD LAICA ELOY ALFARO DE MANABFACULTAD DE CIENCIAS INFORMÁTICAS


2/22

1

GUIA DE PRÁCTICAS DE LABORATORIO / TALLERESEN RELACIÓN A LA ASIGNATURA

Carrera: Ingeniería en Sistemas Docente:Ing. Jorge Iván Pincay Ponce Curso (anual):Quinto

Periodo lectivo:2015 - 2016

Asignatura: Inteligencia Artificial Paralelo:“A”

Número de Práctica/talleres: Fecha: 26/01/16

Nombre de la Unidad:Minería de datos y aprendizaje automático.Tema:Técnicas (Algoritmos) de minería de datos, definiciones y aplicaciones

frecuentes.

Número horas:

OBJETIVO DE LA PRÁCTICAInvestigar sobre minería de datos para obtener conocimientos de aprendizaje automático mediantesen internet, libro, revista. INSTRUCCIONESEsta es una tarea individual construida a partir de los tutoriales de minería de datos propuestos en elMSDN de Microsoft oen el aula virtual desde el espacio “[PDF] Minería de Datos con AnalysisServices 2012 (guía para videotutoriales)” , los videotutoriales que para éste entonces ha finalizado yde fuentes cuidadosamente seleccionadas con la orientación del docente, conteste en la siguientesección “ ACTIVIDADES A DESARROLLAR ” de ésta plantilla, a las siguientes interrogantes(copie las preguntas a esa sección y respóndalas allí):

Datamining¿Qué es?, ¿Qué resuelve? ¿Qué no es?, ¿Qué no resuelve?

1.-¿QUE PROBLEMAS SE RESUELVEN CON MINERIA DE DATOS Y QUEPROBLEMAS NO SE RESUELVEN CON MINERIA DE DATOS?Los problemas que resuelve:

Generación de Recomendaciones Detección de Anomalías Análisis de Rotación Gestión de Riesgos Segmentación de Clientes Anuncios Orientados Previsión y predicciones

Escriba una breve definición

Algoritmos de asociaciónEl algoritmo minería de datos y aprendizaje automático, las reglas de asociación se utilizanpara descubrir hechos que ocurren en común dentro de un determinado conjunto de datos.Se han investigado ampliamente diversos métodos para aprendizaje de reglas de asociaciónque han resultado ser muy interesantes para descubrir relaciones entre variables en grandesconjuntos de datos.

https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1ticohttps://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1ticohttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos


3/22

2

https://es.wikipedia.org/wiki/Reglas_de_asociaci%C3%B3n

Algoritmos de clustering

El algoritmo de clústeres de Microsoft es un algoritmo de segmentación suministrado porAnálisis Services.El algoritmo utiliza técnicas iterativas para agrupar los casos de un conjuntode datos dentro de clústeres que contienen características similares.

https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

Algoritmos de árboles de decisión

Son conjuntos de decisiones, que generan reglas para la clasificación de un conjunto dedatos, configurándose para ello en base a estructuras en forma de árbol.

https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

Algoritmos de regresión linealEl algoritmo de regresión lineal de Microsoft es una variación del algoritmo de árboles dedecisión de Microsoft que ayuda a calcular una relación lineal entre una variableindependiente y otra dependiente y, a continuación, utilizar esa relación para la predicción.https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

Algoritmos de regresión logísticaLa regresión logística es una técnica estadística conocida que se usa para modelar losresultados binarios, la regresión logística es que el algoritmo es muy flexible, puede tomar

cualquier tipo de entrada y admite varias tareas analíticas.

Una de las ventajas de diferentes:Usar datos demográficos para realizar predicciones sobre los resultados, como el riesgo decontraer una determinada enfermedad.Explorar y ponderar los factores que contribuyen a un resultado.https://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspx

Algoritmos de Bayes naive

https://es.wikipedia.org/wiki/Reglas_de_asociaci%C3%B3nhttps://es.wikipedia.org/wiki/Reglas_de_asociaci%C3%B3nhttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Miner%C3%ADa_de_datoshttps://es.wikipedia.org/wiki/Reglas_de_asociaci%C3%B3n


4/22


5/22

4

Para cada una de las técnicas (algoritmos) mencionados en el punto 2, escriba diez 10 enunciados de

situaciones o problemas que se puedan resolver de manera principal con algunos de ellos. Comoejemplos basados en la base de datos AdventureWorksDW2012 se propone:Algoritmos deasociación: Que si un cliente compra productos X, el sistemas les sugiera otros productos Y ,Al goritmos de clusteri ng: Agrupar por ejemplos a clientes de un servicio X, por edad, por género,

por geolocalización, para hacerle ofertas personalizadas. Adicionalmente se sugiere que para cadatécnica use el esquema de la tabla de ejemplo:

Ejemplos o casos solubles con Técnicas de DataminingAlgoritmos de asociación

1 La empresa Adventure Works Cycle está rediseñando lafuncionalidad de su sitio web. El objetivo del nuevo diseño esincrementar la venta directa de sus productos. Debido a que laempresa registra cada venta en una base de datos transaccional,se puede utilizar el algoritmo de asociación de Microsoft paraidentificar los conjuntos de productos que suelen adquirirse

juntos. Así, se pueden predecir los elementos adicionales en losque un cliente puede estar interesado basándose en loselementos que ya se encuentran en su cesta de la compra.

…. Fuente:https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx

2 Marcar los clientes de una lista de posibles compradores como clientes conbuenas o malas perspectivas.

…. Fuente: https://msdn.microsoft.com/es-es/library/ms175595(v=sql.120).aspx

3 Calcular la probabilidad de que un servidor genere un error en los próximos6 meses

…. Fuente: http://inacap.serveftp.com/tic2/Presentaciones- N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdf

4 Clasificar la evolución de los pacientes y explorar los factores relacionados …. Fuente: http://inacap.serveftp.com/tic2/Presentaciones- N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdf

5 Que si un cliente compra productos X, el sistemas les sugieraotros productos Y.


https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms175595(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms175595(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms175595(v=sql.120).aspxhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttp://inacap.serveftp.com/tic2/Presentaciones-N2/Algoritmo%20de%20Clasificaci%C3%B3n%202%C2%B0%20Informe.pdfhttps://msdn.microsoft.com/es-es/library/ms175595(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx


6/22

5

6 {cebollas, vegetales}=>{carne} Encontrada en los datos de ventasde un supermercado, indicaría que un consumidor que compracebollas y verdura a la vez, es probable que compre tambiéncarne. Esta información se puede utilizarcomo base para tomar decisiones sobre marketing comoprecios promocionales para ciertos productos o dónde ubicaréstos dentro del supermercado.

…. Fuente: http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7

7 Un caso muy famoso sobre reglas de asociación es el de la "cerveza y lospañales", basado en el comportamiento de los compradores en elsupermercado. Se descubrió que muchos hombres acaban comprandopañales por encargo de sus esposas. En la cadena de supermercadosWal-Mart, donde se descubrió este hecho, se adoptó la medida decolocar la cerveza junto a los pañales. De esta manera consiguióaumentar la venta de cerveza.

Fuente: http://dataminingfime.blogspot.com/2010/12/reglas-se-asociacion.html

8 Detectar cuándo la ocurrencia de un artículo está asociada a la

ocurrencia de otros artículos en la misma transacción. Fuente: http://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdf

9 Los viernes en la tarde, los jóvenes varones estadounidenses quecompran mantillas tienen también una predisposición a comprar cerveza.Nadie nunca predijo dicho resultado, de tal manera que nadie se hubierahecho la pregunta sobre el caso en primer lugar. Esto es un excelenteejemplo de la diferencia entre minería de datos y consulta de datos.

Fuente: http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy

5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWF jafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

Ejemplos o casos solubles con Técnicas de Datamining

Algoritmos de clustering

1 Puede comprender lógicamente que las personasque se desplazan a sus trabajos en bicicleta no

viven, por lo general, a gran distancia de suscentros de trabajo.

https://es.wikipedia.org/wiki/Toma_de_decisioneshttps://es.wikipedia.org/wiki/Marketinghttp://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://dataminingfime.blogspot.com/2010/12/reglas-se-asociacion.htmlhttp://dataminingfime.blogspot.com/2010/12/reglas-se-asociacion.htmlhttp://dataminingfime.blogspot.com/2010/12/reglas-se-asociacion.htmlhttp://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdfhttp://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdfhttp://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdfhttp://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://elvex.ugr.es/decsai/intelligent/slides/dm/D2%20Association.pdfhttp://dataminingfime.blogspot.com/2010/12/reglas-se-asociacion.htmlhttp://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7http://es.slideshare.net/WillieManuelCaminero/algoritmos-de-minera-de-datos?qid=f8518025-96fa-44f3-8dea-716d55d105ad&v=default&b=&from_search=7https://es.wikipedia.org/wiki/Marketinghttps://es.wikipedia.org/wiki/Toma_de_decisiones


7/22

6


2 clúster A representa los datos sobre las personasque suelen conducir hasta el trabajo, en tanto queel clúster B representa los datos sobre las personasque van hasta allí en bicicleta.

…. Fuente:

3 Agrupar por ejemplos a clientes de un servicio X,por edad, por género, por geo localización, parahacerle ofertas personalizadas.

…. Fuente:

4 Es una clase especial de dependencia en las que elorden de acontecimientos es considerado. En unanálisis de cesta de compras, las asociacionesdescriben dependencias entre artículos en untiempo dado. El patrón secuencial describe elmodelo que hace compras de un cliente particularo un grupo de clientes relacionando las distintastransacciones efectuadas por el o ellos a lo largodel tiempo.

Fuente: http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f- bd78ab7641bb&v=default&b=&from_search=1

5 Todas las formas de vida están compuestas por células, queestán basadas en una bioquímica común, que es la químicade los seres vivos. Todos los organismos perpetúan suscaracteres hereditarios mediante el material genético, queestá basado en el ácido nucleico ADN, que emplea

un código genético universal…. Fuente: https://es.wikipedia.org/wiki/Biolog%C3%ADa

6 Un atributo de predicción, puede utilizar el modelo para realizarpredicciones sobre los resultados. Sin embargo, el modeloprocesa el atributo de predicción de manera diferentedependiendo de si se establece la columna de predicciónen Predict o en PredictOnly. Si establece el uso de la columnaen Predict, los valores para ese atributo se agregan al modelo deagrupación en clústeres y aparecen como atributos en el modelofinalizado. Sin embargo, si establece el uso de la columnaen PredictOnly, los valores no se utilizan para crear clústeres. En

https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1https://es.wikipedia.org/wiki/Bioqu%C3%ADmicahttps://es.wikipedia.org/wiki/Herencia_gen%C3%A9ticahttps://es.wikipedia.org/wiki/%C3%81cido_nucleicohttps://es.wikipedia.org/wiki/%C3%81cido_desoxirribonucleicohttps://es.wikipedia.org/wiki/%C3%81cido_desoxirribonucleicohttps://es.wikipedia.org/wiki/C%C3%B3digo_gen%C3%A9ticohttps://es.wikipedia.org/wiki/Biolog%C3%ADahttps://es.wikipedia.org/wiki/Biolog%C3%ADahttps://es.wikipedia.org/wiki/Biolog%C3%ADahttps://es.wikipedia.org/wiki/Biolog%C3%ADahttps://es.wikipedia.org/wiki/C%C3%B3digo_gen%C3%A9ticohttps://es.wikipedia.org/wiki/%C3%81cido_desoxirribonucleicohttps://es.wikipedia.org/wiki/%C3%81cido_nucleicohttps://es.wikipedia.org/wiki/Herencia_gen%C3%A9ticahttps://es.wikipedia.org/wiki/Bioqu%C3%ADmicahttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales?qid=ac1431ca-5eb1-4a56-993f-bd78ab7641bb&v=default&b=&from_search=1https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx


8/22

7

su lugar, una vez completado el modelo, el algoritmo de clústerescrea nuevos valores para el atributo PredictOnly basándose en losclústeres a los que pertenece cada caso.

…. Fuente:https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5

7 Si sus patrones de escaneado de iris son robados, sinembargo, y eso permite a otra persona acceder ainformación personal o a cuentas financieras, el dañopodría ser irreversible .

Fuente: https://es.wikipedia.org/wiki/Biometr%C3%ADa

8 Como método abreviado, en lugar de escribir sus propiasconsultas usando DMX, también puede llamar a los

procedimientos almacenados del sistema que Analysis

Services usa para trabajar con clústeres.En el ejemplo

siguiente se muestra cómo usar los procedimientos

almacenados internos para devolver el perfil de un clúster con

el identificador 002. Fuente:https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5

9 El departamento de recursos humanos de unagran empresa, desea categorizar a sus empleados endistintos grupos, con el objetivo de establecer un tratopersonalizado con ellos y definir las políticas sociales de laempresa. La organización dispone en sus bases de datosde información sobre sus empleados.

Fuente: http://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8U


Algoritmos de árboles de decisión

1 El departamento de marketing de la empresaAdventure Works Cycles desea identificar las

https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://es.wikipedia.org/wiki/Biometr%C3%ADahttps://es.wikipedia.org/wiki/Biometr%C3%ADahttps://es.wikipedia.org/wiki/Biometr%C3%ADahttps://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5http://www.monografias.com/trabajos11/empre/empre.shtmlhttp://www.monografias.com/trabajos10/poli/poli.shtmlhttp://www.monografias.com/trabajos11/empre/empre.shtmlhttp://www.monografias.com/trabajos11/empre/empre.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8Uhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8Uhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8Uhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8Uhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml#ixzz3yNiFDb8Uhttp://www.monografias.com/trabajos11/empre/empre.shtmlhttp://www.monografias.com/trabajos11/empre/empre.shtmlhttp://www.monografias.com/trabajos10/poli/poli.shtmlhttp://www.monografias.com/trabajos11/empre/empre.shtmlhttps://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://es.wikipedia.org/wiki/Biometr%C3%ADahttps://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5


9/22

8

características de los clientes antiguos que podríanindicar si es probable que realicen alguna compraen el futuro. La base de datosAdventureWorks2012 almacena informacióndemográfica que describe a los clientes antiguos.Mediante el algoritmo de árboles de decisión deMicrosoft que analiza esta información, eldepartamento puede generar un modelo quepredice si un determinado cliente va a comprarproductos, basándose en el estado de lascolumnas conocidas sobre ese cliente, como lademografía o los patrones de compra anteriores


2 La empresa Adventure Works Cycle está rediseñando lafuncionalidad de su sitio web. El objetivo del nuevo diseño esincrementar la venta directa de sus productos. Debido a que laempresa registra cada venta en una base de datostransaccional, se puede utilizar el algoritmo de asociación deMicrosoft para identificar los conjuntos de productos quesuelen adquirirse juntos. Así, se pueden predecir los elementosadicionales en los que un cliente puede estar interesado

basándose en los elementos que ya se encuentran en su cestade la compra.

Fuente: https://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspx

3 este ejemplo se muestra cómo utilizar algunas de lasfunciones de agrupación y ordenación que DMXproporciona de forma predeterminada. La consultadevuelve los 10 mejores conjuntos de elementosordenados según el soporte para cada nodo. Observe queno necesita agrupar explícitamente los resultados, talcomo haría en Transact-SQL; sin embargo, puede utilizarsolo una función de agregado en cada consulta.

…. Fuente:

4 Préstamo de Crédito, se relacionan 10 clientes a los quese evaluara de acuerdo a unos factores establecido si seles puede o no conceder un crédito bancario.

…. Fuente: http://es.slideshare.net/Migu3lB/ejemplificacion-de-arboles-de-de

5 La consulta usa la función de predicción PredictHistogram (DMX), quedevuelve una tabla anidada que contiene información útil sobre lasprobabilidades detectadas por el modelo. La cláusula WHERE final de laconsulta filtra los resultados para devolver solo los clientes de los que se ha

https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspxhttp://es.slideshare.net/Migu3lB/ejemplificacion-de-arboles-de-dehttp://es.slideshare.net/Migu3lB/ejemplificacion-de-arboles-de-dehttp://es.slideshare.net/Migu3lB/ejemplificacion-de-arboles-de-dehttps://msdn.microsoft.com/es-ES/library/ms132060(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms132060(v=sql.120).aspxhttp://es.slideshare.net/Migu3lB/ejemplificacion-de-arboles-de-dehttps://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx


10/22

9

predicho que son posibles compradores de bicicletas con una probabilidadmayor del 0%. ….

Fuente: https://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspx

6 Por ejemplo, si no quedó satisfecho con lasrecomendaciones devueltas por la consulta de ejemploanterior, podría examinar otros conjuntos deelementos que contuviesen el Producto A para teneruna idea más clara de si dicho producto es un accesorioque se compra con todo tipo de productos, o si se tratade un producto estrechamente relacionado con lascompras de determinados productos. La manera más

fácil de explorar estas relaciones es filtrando losconjuntos de elementos en el Visor de asociación deMicrosoft; sin embargo, se puede recuperar la mismainformación con una consulta.

…. Fuente: https://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspx

7 puede agregar un nuevo modelo a esta estructura de mineríade datos y seleccionar árboles de decisión de Microsoft comoalgoritmo.

Fuente: https://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspx

89 Fuente:


Algoritmos de regresión lineal

1 Puede utilizar la regresión lineal para determinaruna relación entre dos columnas continuas. Porejemplo, puede utilizar la regresión lineal paracalcular una línea de tendencias en los datos defabricación o ventas. También podría utilizar laregresión lineal como precursor para el desarrollode modelos de minería de datos más complejos,con el fin de evaluar las relaciones entre lascolumnas de datos.

Aunque hay muchas maneras de calcular la regresión linealque no requieren herramientas de minería de datos, laventaja de utilizar el algoritmo de regresión lineal de

https://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc280429(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/cc645903(v=sql.120).aspx


11/22

10

Microsoft para esta tarea es que se calculan y se pruebanautomáticamente todas las posibles relaciones entre lasvariables.No tiene que seleccionar un método de cálculo, como porejemplo para resolver los mínimos cuadrados.Sin embargo, la regresión lineal podría simplificar en excesolas relaciones en escenarios en los que varios factores afectanal resultado.


2 A consulta devuelve el contenido del nodo que contiene lafórmula de regresión. Cada variable y coeficiente estánalmacenados en una fila independiente de la tablaNODE_DISTRIBUTION anidada. Si desea ver la fórmula deregresión completa, utilice el Visor de árboles deMicrosoft.

Fuente:https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx

3 La manera más fácil de crear una sola consulta en un modelode regresión es usar el cuadro de diálogo Entrada de consultasingleton. Por ejemplo, puede generar la consulta DMXsiguiente seleccionando el modelo de regresión adecuado,

eligiendo Consulta singleton y escribiendo acontinuación 20 como el valor para Age . Fuente:https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx

4 Puede utilizar muchas de las funciones de predicciónestándar con modelos de regresión lineal. En el ejemplosiguiente se muestra cómo agregar algunas estadísticasdescriptivas a los resultados de las consultas depredicción. A partir de estos resultados, puede que hayuna desviación considerable de la media para este

modelo.…. Fuente:https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx

5 Aunque hay muchas maneras de calcular la regresiónlineal que no requieren herramientas de minería de datos,la ventaja de utilizar el algoritmo de regresión lineal deMicrosoft para esta tarea es que se calculan y se pruebanautomáticamente todas las posibles relaciones entre lasvariables. No tiene que seleccionar un método de cálculo,como por ejemplo para resolver los mínimos cuadrados.Sin embargo, la regresión lineal podría simplificar en exceso

https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174503(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174503(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174503(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174503(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx


12/22

11

las relaciones en escenarios en los que varios factores afectanal resultado.

….

Fuente: https://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspx


Algoritmos de regresión logística

1 Imagine un grupo de personas que comparteninformación demográfica parecida y que adquierenproductos de la empresa Adventure Works. Al modelar losdatos para relacionarlos con un resultado concreto, comola compra de un producto de destino, podrá ver cómocontribuye la información demográfica a la probabilidadde que alguien adquiera dicho producto de destino.


2 clúster A representa los datos sobre las personasque suelen conducir hasta el trabajo, en tanto queel clúster B representa los datos sobre las personasque van hasta allí en bicicleta.


3 Clasificar los documentos, el correo electrónico u otros

objetos que tengan muchos atributos.


4 Al consultar el conjunto de filas de esquema de minería dedatos, se pueden encontrar metadatos sobre el modelo,como cuándo se creó, cuándo se procesó por última vez, elnombre de la estructura de minería de datos en que se basael modelo, y el nombre de la columna que se usa comoatributo de predicción. El ejemplo siguiente devuelve losparámetros que se utilizaron cuando se creó por primera vez

https://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspxhttps://msdn.microsoft.com/es-ES/library/ms174824(v=sql.120).aspx


13/22

12

el modelo, junto con el nombre y el tipo del modelo, y la fechaen que se creó.


5 La consulta siguiente devuelve información básica sobreel modelo de regresión logística.Un modelo de regresiónlogística es similar a un modelo de red neuronal enmuchos sentidos, por ejemplo en la presencia de un nodoestadístico marginal (NODE_TYPE = 24) que describe losvalores que se usan como entradas.En esta consulta deejemplo se utiliza el modelo de distribución de correodirecto y se obtienen los valores de todas las entradasrecuperándolos de la tabla anidada NODE_DISTRIBUTION.


6 Dado que la regresión logística admite el uso de atributoscontinuos para entrada y predicción, resulta fácil crearmodelos que pongan en correlación varios factores delos datos. Puede utilizar las consultas de predicción paraexplorar la relación entre estos factores


7 En el siguiente ejemplo se muestra cómo cambiar la manera enque se agrupa el atributo predecible. Para hacerlo, debe crearuna copia de la estructura de minería de datos y, acontinuación, cambiar el método de discretization de lacolumna de destino para que los valores sean agrupados enlugar de continuos.

Fuente:89 Fuente:

https://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174828(v=sql.120).aspx


14/22

13

Ejemplos o casos solubles con Técnicas de DataminingAlgoritmos de Bayes naive

1 Como parte de su estrategia promocional, eldepartamento de comercialización de la empresaAdventureWorks Cycles ha decidido atraer a posiblesclientes realizando un envío por correo de folletos Parareducir costos, desean enviar los folletos solo a los clientesde los que esperan recibir respuesta. La empresaalmacena información en una base de datos sobre datosdemográficos y respuestas a envíos de correo anteriores.Desean utilizar estos datos para ver el modo en que losdatos demográficos como la edad o la ciudad puedenayudarles a predecir la respuesta a una promoción,comparando los clientes potenciales con los que tienencaracterísticas similares y con los que han adquiridoproductos de la empresa en el pasado. En concreto, lo quedesean es ver las diferencias entre los clientes queadquirieron una bicicleta y los que no lo hicieron.


2

Mediante el algoritmo Bayes naive de Microsoft, eldepartamento de comercialización pude predecirrápidamente un resultado de un perfil de cliente concretoy, por tanto, puede determinar qué clientes responderána los folletos con más probabilidad. Con el Visor Bayesnaive de Microsoft de SQL Server Data Tools (SSDT),también pueden investigar visualmente qué columnas deentrada específicas contribuyen a conseguir respuestaspositivas a los folletos.

…. Fuente:

3 Supongamos que un ingeniero esta buscando agua en unterreno. A priori, se sabe que la probabilidad de que hayaagua en dicha finca es del 60%. No obstante, el ingeniero

quiere asegurarse mejor y decide realizar una prueba quepermite detectar la presencia o no de agua. Dicha pruebatiene una fiabilidad del 90%, es decir, habiendo agua, la

https://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspx


15/22

14

detecta en el 90% de los casos. También, cuandorealmente no hay agua, la prueba predice que no hay aguaen el 90% de los casos.Por tanto, pudiendo hacer uso de dicha prueba ¿qué esmás probable, que haya agua o que no.

…. Fuente: http://naivebayes.blogspot.com/

4 Al consultar el conjunto de filas de esquema de minería dedatos, puede buscar los metadatos del modelo. Esto podríaincluir cuándo se creó, cuándo se procesó en último lugar, elnombre de la estructura de minería de datos en la que se basael modelo y el nombre de las columnas que se usan comoatributos de predicción.


5 Qué pasaría si existieran más pruebas para detectar si hayagua? Supongamos que se aplican nuevas pruebas,identificadas como las pruebas 1, 2, 3 y 4. En este casotendríamos que calcular la probabilidad de que haya aguasabiendo que todas las pruebas han dicho que hay agua

…. Fuente: http://naivebayes.blogspot.com/

6 En un modelo Bayes naive, el nodo de estadísticasmarginal almacena información agregada sobre ladistribución de los valores de los datos de entrenamiento.Este resumen es cómodo y le evita tener que crearconsultas SQL con los datos de entrenamiento paraencontrar la misma información.En el ejemplo siguiente se utiliza una consulta decontenido DMX para recuperar los datos del nodo(NODE_TYPE = 24).Dado que las estadísticas están

almacenadas en una tabla anidada, la palabra claveFLATTENED se utiliza para facilitar la visualización de losresultados.


7 Dado que un modelo Bayes naive a menudo contieneinformación compleja sobre las relaciones entre atributosdiferentes, la manera más fácil de ver estas relaciones es

http://naivebayes.blogspot.com/http://naivebayes.blogspot.com/http://naivebayes.blogspot.com/https://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttp://naivebayes.blogspot.com/http://naivebayes.blogspot.com/http://naivebayes.blogspot.com/https://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttp://naivebayes.blogspot.com/https://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttp://naivebayes.blogspot.com/


16/22

15

utilizar el Visor Bayes naive de Microsoft .Sin embargo,puede crear consultas DMX para devolver los datos.


8 Para explorar los resultados, puede utilizar algunosprocedimientos almacenados de sistema de AnalysisServices además de escribir sus propias consultas decontenido. Para utilizar un procedimiento almacenado desistema, anteponga al nombre del procedimientoalmacenado la palabra clave CALL:


9La consulta siguiente utiliza una consulta singleton para proporcionarun nuevo valor y predecir, según el modelo, si es probable que uncliente con estas características compre una bicicleta.La manera másfácil de crear una consulta singleton en un modelo de regresión esusar el cuadro de diálogo Entrada de consulta singleton.Por ejemplo,puede generar la consulta DMX siguiente seleccionando elmodelo TM_NaiveBayes, eligiendo Consulta singleton yseleccionando los valores en las listas desplegables para [CommuteDistance] y Gender .



Algoritmos de red neuronal

1 Análisis de comercialización y promoción, como

medir el éxito de una promoción por correodirecto o una campaña publicitaria en la radio.


2 Predecir los movimientos de las acciones, lafluctuación de la moneda u otra informaciónfinanciera con gran número de cambios a partir delos datos históricos.

…. Fuente:

3

https://msdn.microsoft.com/es-es/library/ms174534(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174534(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/cc645907(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms174534(v=sql.120).aspx


17/22

16

Analizar los procesos industriales y de producciónMinería de texto.

…. Fuente:

4 Cualquier modelo de predicción que analice relaciones

complejas entre muchas entradas y relativamente pocassalidas.

…. Fuente:

5 Cada día de negocio hay varias referencias de contratos deopciones de compra sobre Telefónica en función de losprecios de ejercicio y el vencimiento del contrato. Por ello, elnúmero de datos es muy elevado. Para mostrar este ejemplo,se han utilizado sólo los datos del mercado de las opcionescall de Telefónica desde 3 de enero de 2000 hasta 30 de juniode 2000, eligiendo, sólo, las referencias diarias qua han tenidomovimiento. De éstas, se ha utilizado el último precio cruzadoen el día, que no coincide siempre con el valor teóricocalculado con la ecuación Black Scholes ya que depende de laoferta y demanda que en ese momento tenga esa referencia

…. Fuente: http://eprints.ucm.es/6767/1/0205.pdf

6 Determinamos que hay 25 ciclos de simulador que van acorresponder a oportunidades en las cuales el agente puededecidir moverse antes de que la pelota esté a menos de 110unidades del punto de contacto.

…. Fuente:

https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5

7 Seleccionaremos tantas neuronas en la primera capa comoratios o variables tengamos y una neurona en la capa desalida, que es la que tiene que distinguir a las empresas quedevolvieron el préstamo de las que no.

Fuente: http://ciberconta.unizar.es/leccion/introduc/490.HTM

8 Aprendizaje, en la que la red neuronal no hace magia, sinoque ajusta una función matemática que trata de minimizar loserrores, mediante un proceso de cálculo numérico iterativo.


http://eprints.ucm.es/6767/1/0205.pdfhttp://eprints.ucm.es/6767/1/0205.pdfhttp://eprints.ucm.es/6767/1/0205.pdfhttps://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5http://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttps://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5https://msdn.microsoft.com/es-es/library/cc280440(v=sql.120).aspx#bkmk_Query5http://eprints.ucm.es/6767/1/0205.pdf


18/22

17

9 Un ejemplo real de utilización exitosa de redes neuronales essu uso para detectar fraudes en pagos electrónicos,especialmente en tarjetas de crédito. VISA fue la entidadpionera en utilizar redes neuronales para detectaroperaciones fraudulentas, en combinación con otrasherramientas.



Algoritmos de clustering de secuencia

1 El sitio web de Adventure Works Cycles recopilainformación sobre las páginas que visitan losusuarios y sobre el orden en que las visitan. Debidoa que la empresa ofrece un sistema de pedidos enlínea, los clientes deben registrarse en el sitio. Estopermite que la empresa pueda conseguirinformación de clics por cada perfil de cliente.Mediante el uso del algoritmo de clústeres desecuencia de Microsoft en estos datos, la empresapuede encontrar grupos, o clústeres, de los

clientes que tienen patrones o secuencias de clicssimilares. La empresa puede usar estos clústerespara analizar la forma en que los clientes semueven por el sitio web, identificar qué páginasse relacionan más estrechamente con la venta deun producto en particular y predecir las páginasque tienen mayores probabilidades de servisitadas a continuación.


2 Rutas de clics que se crean cuando los usuariosnavegan o examinan un sitio web.

…. Fuente: http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales

3

http://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttp://ciberconta.unizar.es/leccion/introduc/490.HTMhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttp://ciberconta.unizar.es/leccion/introduc/490.HTM


19/22

18

Registros que enumeran eventos que preceden aun incidente, como un disco duro erróneo ointerbloqueos del servidor.

Fuente: http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales

4

Registros de transacciones que describen el ordenen el que un cliente agrega elementos a una cestade la compra de un comerciante en línea.

…. Fuente:

5 Registros que siguen las interacciones del cliente(o paciente) a lo largo del tiempo, para predecircancelaciones del servicio u otros malosresultados.

…. Fuente: http://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml

6 Personalización del servicio a nuevos usuarios(mediante ofertas cruzadas de productos, enlaces

dinámicos a otras áreas del servidor quepuedan ser de su interés, etc.).

…. Fuente: http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales

7 Registros de transacciones que describen el orden enel que un cliente agrega elementos a una cesta de la

compra de un comerciante en línea.

Fuente: http://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtml

8 Rutas de clics que se crean cuando los usuariosnavegan o examinan un sitio web.

Fuente: http://es.slideshare.net/geoc_hhga/clustering

9 Registros que siguen las interacciones del cliente (opaciente) a lo largo del tiempo, para predecircancelaciones del servicio u otros malos resultados.

http://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://es.slideshare.net/geoc_hhga/clusteringhttp://es.slideshare.net/geoc_hhga/clusteringhttp://es.slideshare.net/geoc_hhga/clusteringhttp://es.slideshare.net/geoc_hhga/clusteringhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://www.monografias.com/trabajos104/data-mining-mineria-datos/data-mining-mineria-datos.shtmlhttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuencialeshttp://es.slideshare.net/marilynsilvana/mineria-de-datos-secuenciales


20/22

19

Fuente: http://es.slideshare.net/geoc_hhga/clustering

Registros que enumeran eventos que preceden a un incidente, como un disco duro erróneoo interbloqueos del servidor.Establecimiento de nuevas tarifas de publicidad en nuestro servidor (las páginas másvisitadas por determinado tipo de clientes pueden tener un precio particularizado).Reorganización de la estructura de nuestras páginas en el servidor.

Correo electrónico y agendas personales, gestión de avisos. Detección de fraude en el comercio electrónico.

https://msdn.microsoft.com/es-es/library/ms175462(v=sql.120).aspx


Algoritmos de serie temporal.

1 El equipo de administración de Adventure Works Cycles desea predecir lasventas mensuales de bicicletas para el próximo año. La compañía estáespecialmente interesada en saber si las ventas de un determinado modelode bicicleta se pueden utilizar para predecir las ventas de otro modelo. Alutilizar el algoritmo de serie temporal de Microsoft en los datos históricos delos últimos tres años, la empresa puede crear un modelo de minería de datosque prevea la venta futura de bicicletas. Además, la organización puedellevar a cabo predicciones cruzadas para ver si las tendencias de venta demodelos individuales de bicicleta están relacionadas.


2 Cada trimestre, la compañía tiene previsto actualizar el modelo con datosrecientes de ventas y actualizar sus predicciones a las tendencias recientesdel modelo. Para suplir los datos de los almacenes que no actualizan losdatos de ventas de forma precisa o regular, crearán un modelo de prediccióngeneral que utilizarán para crear predicciones para todas las regiones.

…. Fuente: https://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdf

3

http://es.slideshare.net/geoc_hhga/clusteringhttp://es.slideshare.net/geoc_hhga/clusteringhttp://es.slideshare.net/geoc_hhga/clusteringhttps://msdn.microsoft.com/es-es/library/ms175462(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms175462(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://msdn.microsoft.com/eses/library/ms174916(v=sql.120).aspxhttps://msdn.microsoft.com/es-es/library/ms175462(v=sql.120).aspxhttp://es.slideshare.net/geoc_hhga/clustering


21/22

20

Analizar los procesos industriales y de producciónMinería de texto.

…. Fuente: https://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdf 4

Cualquier modelo de predicción que analice relaciones complejas entremuchas entradas y relativamente pocas salidas.

…. Fuente: https://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdf

5 Un cliente que compra una computadora personal Pentium nueve mesesantes probablemente comprará un chip de CPU nuevo en un mes

…. Fuente:http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

6 Tratamientos médicos, desastres naturales (e.g., terremotos),procesos de la ingeniería y las ciencias, mercados y valores, etc.

…. Fuente: http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

7 Primero compra computador, luego CD-ROM y por último unacámara digital, en 3 meses.

Fuente:http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

8 Patrones de llamadas telefónicas, flujos de navegación en el Web Fuente: http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWF jafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

9 Una regla tal como los empleados que han sido despedidos de unaempresa no pueden ser recontratados por esa empresa en el futuro.

Fuente: http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWF jafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352

https://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttp://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352http://bsolano.com/ecci/claroline/backends/download.php/UHJlc2VudGFjaW9uZXMvNy5fVGFyZWFzX2RlX2xhX21pbmVy7WFfZGVfZGF0b3MsX3JlZ2xhc19kZV9hc29jaWFjafNuLnBkZg%3D%3D?cidReset=true&cidReq=CI2352https://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdfhttps://ccc.inaoep.mx/~emorales/Cursos/NvoAprend/apriori.pdf


22/22

A continuación, se hace un recuento de Adventure Works Cycles:

Adventure Works Cycles, la empresa ficticia en la que se basan las bases de datos de ejemplo AdventureWorks, es

una gran empresa de fabricación multinacional. La empresa fabrica y vende bicicletas de metal y de metal

compuesto en los mercados de Norteamérica, Europa y Asia. Si bien su sede central de operaciones se encuentra

en Bothell, Washington, con 290 empleados, en toda su base de mercado tiene distribuidos varios equipos

regionales de ventas.

En el año 2000, Adventure Works Cycles compró una pequeña planta de fabricación, Importadores Neptuno,

situada en México. Importadores Neptuno fabrica varios subcomponentes muy importantes para la línea de

productos de Adventure Works Cycles. Estos subcomponentes se envían a la sede de Bothell para el ensamblado

final del producto. En el año 2001, Importadores Neptuno pasó a ser el único fabricante y distribuidor del grupo

de productos de bicicletas de paseo.

Tras un año fiscal con muy buenos resultados, Adventure Works Cycles está intentando ampliar su cuota de

mercado dirigiendo sus ventas a sus mejores clientes, ampliando la disponibilidad de sus productos en un sitio

web externo, y reduciendo los costos de venta a través de costos de producción más bajos.

ACTIVIDADES A DESARROLLARDesarrolle progresivamente esta guía en función de las instrucciones dadas (copie aquí las preguntas,y aquí respóndalas

RESULTADOS OBTENIDOSAprendizaje de los algoritmo que toman decisión que se utiliza la minería de datos, tener en cuenta endonde se aplica las minería de datos.CONCLUSIONESQue la minería de datos nos ayuda a emprendernos más aplicando Algoritmo, además son técnica ytecnología que nos permite explorar resultado mediante en datos.

RECOMENDACIONESPoner en claro que la minería de datos en los que se refiere los algoritmo para así tomar decisionesen cualquier problemas dados.

Firman:

Presidente Curso Docente Coordinador Académico

cuestionariomineriadedatos

Documents