Presentación del grupo 7035 - 2010-1.

Introducción.

Bodegas de Datos Data Warehouse (DW)

1. Introducción
2. Un modelo de datos multidimensional
3. Arquitectura de un Data Warehouse
4. Implementación de un Data Warehouse
5. Data Warehouse y Minería de datos

Pre-procesamiento de Datos

1. Introducción

2. El pre-procesamiento de datos.

-Técnicas

1. Resumen descriptivo de datos.

2. Limpieza de datos

3. Integración y transformación de datos.

4. Reducción de datos.

5. Generación de jerarquías.

Computación de Cubos de Datos (Data Cubes) y Generalizaciones de Datos

1. Cálculo eficiente de Data Cubes

2. Exploración y descubrimiento en bases de datos multidimensionales

3. Inducción orientada a atributos

Análisis de agrupamiento (Cluster analysis)

1. Introducción.

2. Tipos de Datos.

3. Categorización de métodos de agrupamiento.

4. “Agrupando” datos de alta dimensionalidad.

5. Análisis de valores atípicos (Outliers) o información ruidosa.

6. Métodos Jerárquicos

7. Métodos basados en densidad

8. Modelos basados en métodos de agrupamiento.

Minado de Patrones Frecuentes, Asociaciones, y Correlaciones

1. Conceptos básicos

2. Minado eficiente y escalable de conjuntos de elementos frecuentes

3. Minando varios tipos de reglas de asociación

4. Del minado de reglas de asociación al análisis de correlaciones

Modelos de clasificación y predicción

1. Aprendizaje supervisado

2. Árboles de decisión

3. Clasificador Bayesiano

4. Clasificación basada en reglas

5. Redes neuronales

6. Otros métodos de clasificación

7. Precisión de un modelo

Biblografía:

• Data Mining, Jiawei-Han and Micheline Kamber, ed. Morgan Kaufman (2006).

• Data Mining: Practical Machine Learning Tools and Techniques,Witten, Ian H., Frank, Eibe, Second Edition Morgan Kaufmann (2005)

• Pattern recognition and machine learning, Christopher M. Bishop, ed. Springer (2006).

Software

• Postgresql 8.3

• Weka 3.6