MPGI | Magister en Procesamiento y Gestión de la Información

Minería de Datos

I. DESCRIPCIÓN

El objetivo de este curso es proporcionar al alumno elementos que le permitan entender las principales teorías y prácticas de la emergente área de Minería de Datos. Al final del curso el alumno deberá tener un conocimiento teórico y práctico de las principales técnicas utilizadas actualmente en la creación de programas capaces de extraer conocimiento relevante desde bases de datos y conocer algunas de las principales aplicaciones donde en la actualidad este tipo de técnicas están teniendo una amplia aceptación, comprendiendo sus potencialidades y limitaciones. 

II. OBJETIVOS 

• Aprender técnicas de clustering para procesamiento de información

• Comprender y aplicar algoritmos de clasificación

• Aplicar reglas de asociación

III. CONTENIDOS 

• Introducción El concepto y proceso de Minería de Datos, tipos de problemas en que la Minería de Datos es relevante.
• Data Warehouse y OLAP
  • Arquitecturas
  • implementaciones
  • aplicaciones en Minería de Datos. 

• Preparación de la información 
  • Datos ruidosos, 
  • datos faltantes, 
  • reducción de la dimensionalidad y transformaciones, integración e inconsistencias. 

• Reducción de la Información
  • Análisis de las Componentes principales

• Reglas de asociación
  • Algoritmo Apriori

• Clasificación
  • Árboles de Decisión
  • NaiveBayes
  • Razonamiento en Base a casos. 

• Clustering y medidas de similaridad en distintos tipos de datos. 
  • Clustering particional: K-Means, Mean Shift.
  • Medidas de similaridad para distintos tipos de datos. 
  • Clustering aglomerativo. 

• Selección de Modelos (Hold Out, Cross Validation.). 
• Conceptos Básicos en Minería de Texto. 

IV. METODOLOGÍA

• Clases expositivas
• Actividades en clases
• Trabajos grupales

V. EVALUACIÓN 

• Tareas
• Controles
• Trabajo final

VI. BIBLIOGRAFÍA 

• Data Mining: Practical Machine Learning Tools and Techniques, Ian H. Witten, Eibe Frank 
• Data Mining: Concepts and Techniques, Jiawei Han and Micheline Kamber. 
• Machine Learning, Tom M. Mitchell 
• Kimball, R. ”The data warehouse toolkit : the complete guide to dimensional modeling”, John Wiley and Sons, 2002. 
• Inmon, W.H., ”Building the DataWarehouse”, John Wiley and Sons; 3th edition, 2002. 
• T. Hastie, R. Tibshirani, and J. Friedman, ”The Elements of Statistical Learning: Data Mining, Infe- rence, and Prediction”, Springer, 2001. 
• Berry, M. and Linoff, G., ”Data Mining Techniques for Marketing, Sales and Customer Support”, Wiley, 1997. 
• Berson, A., Thearling, K., and Smith, S. ”Building Data Mining Applications for CRM”, McGraw Hill, 1999. 
• Dyche, J., .e-Data: Turning Data into Information with Data Warehousing”, Addisson Wesley, 2000.