Data Mining: Principios y Aplicaciones

El Campus permite que el alumno no se sienta solo y que  esté en permanente contacto con los tutores y compañeros facilitando así su aprendizaje.

Entre otros servicios el Campus Virtual cuenta con apartados como:

Contenidos Interactivos y Multimedia

Con el material necesario y múltiples actividades para sentirse parte activa del proceso de la preparación:

• Guía didáctica
• Actualizaciones
• Temario
• Faq´s
• Biblioteca
• Glosario
• Vídeos
• Evaluaciones

Expediente

Informa gráficamente y mantiene al alumno orientado sobre su avance en el curso.

Ejercicios

Permite comprobar la mejora de la cualificación en base a los criterios de realización (saber hacer), conseguir la autoevaluación del alumno.

Agenda

Planifica y organiza las horas de estudio.

Comunicación

Permite al alumno relacionarse con sus compañeros y los tutores potenciando el aprendizaje colaborativo:

• Videoconferencia
• Foro
• Tablón
• Blog
• Chat                                                      
• Correo
• Noticias

Consulta de noticias, novedades académicas y enlaces de interés

• Descubrir las bases de datos de soporte a la decisión y toda la problemática asociada tanto a su construcción y desarrollo como a la extracción de conocimiento de las mismas y enfrentarse a un proyecto de data mining con los conocimientos suficientes pudiendo abordar cualquiera de sus fases de desarrollo finalidad la descripción precisa del proceso de KDD.

EL PROCESO DE DESCUBRIMIENTO DE CONOCIMIENTO EN BASES DE DATOS.

• 1.1 Definición del proceso de data mining .
• 1.2 Análisis de las fases del proceso de acuerdo a CRISP-DM: o Compresión del problema o Comprensión de los datos o Preparación de los datos o Modelado o Evaluación o Implantación.

EL CICLO DE DATA MINING: FASES Y TIPOS DE PROBLEMAS.

• 2.1 Tipos de problemas.
• 2.1.1. Descriptivos o asociación o clustering.
• 2.1.2. Predictivos o clasificación.
• 2.2 Implicaciones de los datos, dominios, técnicas en las fases del proceso
• 2.3 Casos de uso.

TÉCNICAS DE DATA MINING.

• 3.1 Clasificación o Arboles de decisión o Naive Bayes
• 3.2 Clustering o K-means o EM
• 3.3 Asociacion o A priori UNIDAD 4 CONSOLIDACIÓN DE DATA MINING.
• 3.4 Presentación de un caso practico
• 3.5 Aplicación del proceso CRISP-Dm
• 3.6 Elaboración de un plan de proyecto