Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Identifique tres casos de éxito reales de áreas de aplicación y los problemas que
se han resuelto con Minería de Datos. Indique empresa, problema a resolver,
software, modelo o algoritmo, problema, resultados obtenidos, etc. (10 puntos).
Problema planteado: Cómo modificar el portal de compra online que usan los
talleres asociados para aumentar las ventas por este canal.
C) Goldcar
Solución: Por medio del análisis de los datos de las reservan se identifican
perfiles concretos que terminan en casos de reservas canceladas o clientes no
presentados, en función de la la procedencia, la temporada, antelación y otros
factores clave.
2. Explique 5 técnicas de minería de datos y en qué casos prácticos se puede aplicar
cada una de ellas (10 puntos).
A) Perceptron
Es un modelo concebido como un sistema capaz de realizar tareas de
clasificación de forma automática, a partir de un conjunto de ejemplo con
clases diferentes.
B) Perceptrón multicapa
Es una red neuronal artificial (RNA) formada por múltiples capas, de tal
manera que tiene capacidad para resolver problemas que no son
linealmente separables, lo cual es la principal limitación del perceptrón
(también llamado perceptrón simple). El perceptrón multicapa puede estar
totalmente o localmente conectado. En el primer caso cada salida de una
neurona de la capa "i" es entrada de todas las neuronas de la capa "i+1",
mientras que en el segundo cada neurona de la capa "i" es entrada de una
serie de neuronas (región) de la capa "i+1".
C) Mapa autoorganizado
B) Regresión lineal
Es la más utilizada para formar relaciones entre datos. Rápida y eficaz pero
insuficiente en espacios multidimensionales donde puedan relacionarse más
de 2 variables.
C) Árboles de decisión
A) Algoritmo ID3
B) Algoritmo C4.5
D) Modelos estadísticos
E) Agrupamiento o Clustering
A) Algoritmo K-means
K-means (medias) es un método de agrupamiento, que tiene como objetivo
la partición de un conjunto de n observaciones en k grupos en el que cada
observación pertenece al grupo cuyo valor medio es más cercano. Es un
método utilizado en minería de datos.
B) Algoritmo K-medoids
etapas en el proceso:
A) Selección de datos:
Consiste en buscar el objetivo y las herramientas del proceso de minería,
identificando los datos que han ser extraídos, buscando los atributos
apropiados de entrada y la información de salida para representar la tarea.
Esto quiere decir, primero se debe tener en cuenta lo que se saber lo que se
quiere obtener y cuáles son los datos que nos facilitarán esa información para
poder llegar a nuestra meta, antes de comenzar el proceso en tal.
B) Limpieza de datos.
En este paso se limpian los datos sucios, incluyendo los datos incompletos
(donde hay atributos o valores de atributos perdidos), el ruido (valores
incorrectos o inesperados) y datos inconsistentes (conteniendo valores y
atributos con nombres diferentes). Los datos sucios en algunos casos deben
ser eliminados ya que pueden contribuir a un análisis inexacto y resultados
incorrectos.
C) Integración de datos
D) Transformación de datos
E) Reducción de datos.
F) Minería de Datos.
H) Interpretación de resultados
Consiste en entender los resultados del análisis y sus implicaciones y puede llevar
a regresar a algunos de los pasos anteriores.
Crear opciones de pago y garantías buenas para el mercado del pacifico y atraer
clientes con publicidades atractivas
Parte 1 DM.rar
Una vez iniciado el programa se selecciona file > new > Project
Confirmamos y salimos
Ahora hacemos una data source view
Se abre el asistente
Seleccionamos el servidor
Seleccionamos la tabla vTimes
Abrimos el asistente
Mantenemos seleccionado from existing relational database or data warehosuse
Y le damos en finish
Arrastramos amounth hacia columns
Amounth Ignore a Predict
Mean
Le damo start
Se debe compilar
Les damos run
También en si
Esperamos
Resultados completos
b) Analizar e interpretar cada uno los resultados para cada uno dos modelos de minería
de datos (20 ptos).
Lección 2: Crear un escenario de pronóstico (minería de datos intermedia)
Puede leer la primera lección básica en la página 1 (página 40) (usar el Árbol de decisiones)
para aprender
lo básico y usar esta herramienta de datos del Servicio de análisis para crear un nuevo
proyecto de minería
de datos de la siguiente manera.
1. Siga la Lección básica 1 - 3 en la página 1 - 40 en el tutorial (el enlace de arriba) para
aprender el
Modelo de minería y obtener los resultados para ver las predicciones - Opcional (si puede
hacer la
Lección Intermedia 2 en la página 47 - página 66 directamente sin la lección básica 1-3)
2. Complete la Lección 2 en la página 47 - página 66 y obtenga el resultado para la predicción.
–
Requerido
3. Active la salida (Capturas de pantalla) del resultado de su proyecto que creó a partir de la
Lección en
el Tutorial.
Para obtener más información sobre MS Data Mining y Data Mining
Abrir Aquí
Pasos Parte
2-2.docx