Introducción a la minería de datos

La minería de datos se relaciona con las técnicas y las herramientas utilizadas para extraer información útil de grandes volúmenes de datos. Permite además el mejor entendimiento de un negocio y la ejecución de acciones relevantes para guiar a una organización hacia el éxito. Las áreas de negocio más comunes en que se aplica la minería de datos, son la segmentación de clientes, la anticipación a cancelaciones o impago, la detección de fraude, el marketing interactivo, el market basket analysis, etcétera.

El participante aplicará técnicas de minería de datos, a fin de analizar la información de un data warehouse o una estructura de big data, para obtener el conocimiento que le ayude a tomar decisiones estratégicas y operacionales en su organización.

Los conocimientos y habilidades adquiridos permitirán al participante desarrollar alternativas de decisión utilizando patrones de comportamiento identificados, las que podrá analizar y convertir en conocimiento, y poder tomar decisiones estratégicas y operacionales en su organización.

Este curso está dirigido a las personas interesadas en lograr un mayor rendimiento de los datos en su organización, para mejorar el acceso a éstos y su integración, así como optimizar el proceso de toma de decisiones. Se requiere la acreditación o la demostración de conocimientos equivalentes al curso Introducción al diseño de bases de datos relacionales y alguno sobre un sistema manejador de bases de datos relacional.

1.	MINERÍA DE DATOS 1.1. ¿Qué es la Minería de Datos? 1.2. ¿Qué usos tiene la Minería de Datos? 1.3. Descubrimiento de conocimiento 1.4. Campos de investigación precedentes 1.4.1. Aprendizaje inductivo 1.4.2. Estadísticas 1.4.3. Máquinas de aprendizaje 1.4.4. Diferencias entre minería de datos y máquinas de aprendizaje
2.	PROBLEMAS DE LA MINERÍA DE DATOS 2.1. Información limitada 2.2. Valores faltantes y ruido 2.3. Incertidumbre 2.4. Tamaño, actualizaciones y campos irrelevantes
3.	FUNCIONES DE LA MINERÍA DE DATOS 3.1. Clasificación 3.2. Asociaciones 3.3. Patrones secuenciales/temporales 3.4. Agrupación/segmentación
4.	TÉCNICAS DE MINERÍA DE DATOS 4.1. Redes neuronales artificiales 4.2. Árboles de decisión 4.2.1. Representación de un árbol de decisión 4.2.2. Problemas apropiados para los árboles de decisión 4.3. Reglas de inducción 4.4. Redes Bayesanas 4.5. Redes Neuronales 4.6. Algoritmos Genéticos 4.7. Clustering
5.	MINERÍA DE TEXTOS 5.1. Técnicas y Enfoques Actuales para Text Mining 5.2. Etiquetadores 5.3. Parsing Parcial 5.4. Extracción y recuperación de la información
6.	WEB MINING 6.1. Información No Estructurada 6.2. Extracción de Conocimiento a partir de Documentos HTML y texto 6.3. Extracción de Información semi-estructurada (XML)
7.	VISUALIZACIÓN 7.1. Rol de la Visualización 7.2. Visualización previa 7.3. Visualización posterior 7.4. Visualización en 1D, 2D y 3D

30 hrs.