Hispanopedia Wiki
Articulo de referencia

Ejemplos de minería de datos

La minería de datos , el proceso de descubrir patrones en grandes conjuntos de datos , se ha utilizado en muchas aplicaciones. Negocio En el ámbito empresarial, la minería de da...

Hispanopedia WikiContenido en espanolLectura gratuita

La minería de datos , el proceso de descubrir patrones en grandes conjuntos de datos , se ha utilizado en muchas aplicaciones.

Negocio

En el ámbito empresarial, la minería de datos es el análisis de las actividades comerciales históricas, almacenadas como datos estáticos en bases de datos de almacenes de datos. El objetivo es revelar patrones y tendencias ocultos. El software de minería de datos utiliza algoritmos avanzados de reconocimiento de patrones para examinar grandes cantidades de datos y ayudar a descubrir información comercial estratégica previamente desconocida. Algunos ejemplos de usos de la minería de datos por parte de las empresas son la realización de análisis de mercado para identificar nuevos paquetes de productos, la búsqueda de la causa raíz de los problemas de fabricación, la prevención de la pérdida de clientes y la adquisición de nuevos clientes, la venta cruzada a clientes existentes y la elaboración de perfiles de clientes con mayor precisión. [1]

  • En el mundo actual, las empresas recopilan datos brutos a un ritmo vertiginoso. Por ejemplo, Walmart procesa más de 20 millones de transacciones en puntos de venta cada día. Esta información se almacena en una base de datos centralizada, pero sería inútil sin algún tipo de software de minería de datos para analizarla. Si Walmart analizara los datos de sus puntos de venta con técnicas de minería de datos, podría determinar las tendencias de ventas, desarrollar campañas de marketing y predecir con mayor precisión la lealtad de los clientes. [2] [3]
  • La categorización de los artículos disponibles en el sitio de comercio electrónico es un problema fundamental. Un sistema de categorización de artículos correcto es esencial para la experiencia del usuario, ya que ayuda a determinar los artículos relevantes para él para la búsqueda y la navegación. La categorización de artículos se puede formular como un problema de clasificación supervisada en la minería de datos donde las categorías son las clases objetivo y las características son las palabras que componen alguna descripción textual de los artículos. Uno de los enfoques es encontrar grupos inicialmente que sean similares y colocarlos juntos en un grupo latente. Ahora, dado un artículo nuevo, primero clasifíquelo en un grupo latente que se llama clasificación de nivel grueso. Luego, haga una segunda ronda de clasificación para encontrar la categoría a la que pertenece el artículo. [4]
  • Cada vez que se utiliza una tarjeta de crédito o una tarjeta de fidelidad de una tienda, o se rellena una tarjeta de garantía, se recopilan datos sobre el comportamiento del usuario. A muchas personas les preocupa la cantidad de información que empresas como Google, Facebook y Amazon almacenan sobre nosotros y les preocupa la privacidad. Aunque existe la posibilidad de que nuestros datos personales se utilicen de forma perjudicial o no deseada, también se utilizan para mejorar nuestras vidas. Por ejemplo, Ford y Audi esperan algún día recopilar información sobre los patrones de conducción de los clientes para poder recomendar rutas más seguras y advertir a los conductores sobre las condiciones peligrosas de la carretera. [5]
  • La minería de datos en aplicaciones de gestión de relaciones con clientes puede contribuir significativamente a los resultados finales. [ cita requerida ] En lugar de contactar aleatoriamente a un cliente potencial o a un cliente a través de un centro de llamadas o enviando un correo electrónico, una empresa puede concentrar sus esfuerzos en los clientes potenciales que se prevé que tengan una alta probabilidad de responder a una oferta. Se pueden utilizar métodos más sofisticados para optimizar los recursos en las campañas de modo que se pueda predecir a qué canal y a qué oferta es más probable que responda un individuo (entre todas las ofertas potenciales). Además, se pueden utilizar aplicaciones sofisticadas para automatizar el envío de correos. Una vez que se determinan los resultados de la minería de datos (cliente potencial/prospecto y canal/oferta), esta "aplicación sofisticada" puede enviar automáticamente un correo electrónico o un correo postal. Finalmente, en los casos en que muchas personas realizarán una acción sin una oferta, se puede utilizar el " modelado de mejora " para determinar qué personas tienen el mayor aumento en la respuesta si se les ofrece una oferta. El modelado de mejora permite así a los vendedores centrar los envíos de correos y las ofertas en personas persuasibles, y no enviar ofertas a personas que comprarán el producto sin una oferta. La agrupación de datos también se puede utilizar para descubrir automáticamente los segmentos o grupos dentro de un conjunto de datos de clientes.
  • Las empresas que emplean la minería de datos pueden obtener un retorno de la inversión, pero también reconocen que la cantidad de modelos predictivos puede volverse muy grande rápidamente. Por ejemplo, en lugar de utilizar un modelo para predecir cuántos clientes se irán , una empresa puede optar por crear un modelo independiente para cada región y tipo de cliente. En situaciones en las que se necesita mantener una gran cantidad de modelos, algunas empresas recurren a metodologías de minería de datos más automatizadas.
  • La minería de datos puede ser útil para los departamentos de recursos humanos (RR.HH.) a la hora de identificar las características de sus empleados más exitosos. La información obtenida (por ejemplo, las universidades a las que han asistido los empleados más exitosos) puede ayudar a RR.HH. a centrar sus esfuerzos de contratación en consecuencia. Además, las aplicaciones de gestión empresarial estratégica ayudan a una empresa a traducir los objetivos a nivel corporativo, como los objetivos de participación en los beneficios y los márgenes, en decisiones operativas, como los planes de producción y los niveles de personal. [6]
  • La minería de datos puede ser útil para las organizaciones. La minería de datos organizacionales (ODM, por sus siglas en inglés) se define como el aprovechamiento de herramientas y tecnologías de minería de datos (DM, por sus siglas en inglés) para mejorar el proceso de toma de decisiones organizacionales al transformar los datos en conocimiento valioso y procesable para obtener una ventaja competitiva estratégica y comercial. Los datos obtenidos, como las tasas de rotación de personal, pueden ayudar a las organizaciones a enfocar sus esfuerzos de retención en consecuencia. Además, las aplicaciones de minería de datos y análisis de gestión del desempeño organizacional ayudan a las empresas a traducir los objetivos a nivel de la empresa, como los objetivos de ganancias y ventas, en decisiones operativas, como KPI de los trabajadores y niveles de esfuerzo medidos requeridos. [7]
  • El análisis de la cesta de la compra se ha utilizado para identificar los patrones de compra del consumidor alfa . El análisis de los datos recopilados sobre este tipo de usuario ha permitido a las empresas predecir las tendencias de compra futuras y pronosticar la demanda de oferta. [ cita requerida ]
  • La minería de datos es una herramienta muy eficaz en la industria del marketing por catálogo. [ cita requerida ] Los catalogadores tienen una rica base de datos del historial de transacciones de sus clientes correspondiente a millones de clientes que se remontan a varios años. Las herramientas de minería de datos pueden identificar patrones entre los clientes y ayudar a identificar a los clientes con más probabilidades de responder a las próximas campañas de correo.
  • La minería de datos para aplicaciones comerciales se puede integrar en un proceso complejo de modelado y toma de decisiones. [8] LIONsolver utiliza inteligencia empresarial reactiva (RBI) para promover un enfoque "holístico" que integra la minería de datos, el modelado y la visualización interactiva en un proceso de descubrimiento de extremo a extremo y de innovación continua impulsado por el aprendizaje humano y automatizado. [9]
  • En el área de toma de decisiones , el enfoque RBI se ha utilizado para extraer conocimiento que se adquiere progresivamente del tomador de decisiones y luego autoajustar el método de decisión en consecuencia. [10] La relación entre la calidad de un sistema de minería de datos y la cantidad de inversión que el tomador de decisiones está dispuesto a hacer se formalizó al proporcionar una perspectiva económica sobre el valor del "conocimiento extraído" en términos de su recompensa para la organización [8]. Este marco de clasificación teórico de decisiones [8] se aplicó a una línea de fabricación de obleas de semiconductores del mundo real, donde se desarrollaron reglas de decisión para monitorear y controlar eficazmente la línea de fabricación de obleas de semiconductores. [11]
  • En el artículo "Mining IC Test Data to Optimize VLSI Testing" (Extracción de datos de pruebas de circuitos integrados para optimizar las pruebas VLSI) se describe un ejemplo de minería de datos relacionada con una línea de producción de circuitos integrados (CI). [12] En este artículo se describe la aplicación de la minería de datos y el análisis de decisiones al problema de las pruebas funcionales a nivel de matriz. Los experimentos mencionados demuestran la capacidad de aplicar un sistema de extracción de datos históricos de pruebas de matriz para crear un modelo probabilístico de patrones de falla de matriz. Estos patrones se utilizan luego para decidir, en tiempo real, qué matriz probar a continuación y cuándo detener las pruebas. Se ha demostrado que este sistema, basándose en experimentos con datos históricos de pruebas, tiene el potencial de mejorar las ganancias en productos de CI maduros. Otros ejemplos [13] [14] de la aplicación de metodologías de minería de datos en entornos de fabricación de semiconductores sugieren que las metodologías de minería de datos pueden ser particularmente útiles cuando los datos son escasos y los diversos parámetros físicos y químicos que afectan al proceso exhiben interacciones altamente complejas. Otra implicación es que el monitoreo en línea del proceso de fabricación de semiconductores mediante minería de datos puede ser altamente efectivo.

Ciencia e ingeniería

En los últimos años, la minería de datos se ha utilizado ampliamente en áreas de la ciencia y la ingeniería, como la bioinformática , la genética , la medicina , la educación y la ingeniería eléctrica .

  • En el estudio de la genética humana, la minería de secuencias ayuda a abordar el importante objetivo de comprender la relación de mapeo entre las variaciones interindividuales en la secuencia de ADN humano y la variabilidad en la susceptibilidad a las enfermedades. En términos simples, tiene como objetivo descubrir cómo los cambios en la secuencia de ADN de un individuo afectan los riesgos de desarrollar enfermedades comunes como el cáncer , lo que es de gran importancia para mejorar los métodos de diagnóstico, prevención y tratamiento de estas enfermedades. Un método de minería de datos que se utiliza para realizar esta tarea se conoce como reducción de dimensionalidad multifactorial . [15]
  • En el área de ingeniería eléctrica, los métodos de minería de datos se han utilizado ampliamente para el monitoreo de condiciones de equipos eléctricos de alta tensión. El propósito del monitoreo de condiciones es obtener información valiosa, por ejemplo, sobre el estado del aislamiento (u otros parámetros importantes relacionados con la seguridad). Las técnicas de agrupamiento de datos , como el mapa autoorganizado (SOM), se han aplicado al monitoreo de vibraciones y al análisis de cambiadores de tomas en carga de transformadores (OLTCS). Mediante el monitoreo de vibraciones, se puede observar que cada operación de cambio de toma genera una señal que contiene información sobre la condición de los contactos del cambiador de tomas y los mecanismos de accionamiento. Obviamente, diferentes posiciones de toma generarán diferentes señales. Sin embargo, hubo una variabilidad considerable entre las señales de condición normal para exactamente la misma posición de toma. El SOM se ha aplicado para detectar condiciones anormales y formular hipótesis sobre la naturaleza de las anomalías. [16]
  • Los métodos de minería de datos se han aplicado al análisis de gases disueltos (DGA) en transformadores de potencia . El DGA, como método de diagnóstico para transformadores de potencia, ha estado disponible durante muchos años. Se han aplicado métodos como SOM para analizar los datos generados y determinar tendencias que no son obvias para los métodos de relación DGA estándar (como el Triángulo de Duval). [16]
  • En la investigación educativa, la minería de datos se ha utilizado para estudiar los factores que llevan a los estudiantes a optar por participar en conductas que reducen su aprendizaje [17] y para comprender los factores que influyen en la retención de estudiantes universitarios [18] . Un ejemplo similar de aplicación social de la minería de datos es su uso en sistemas de búsqueda de expertos , mediante los cuales se extraen, normalizan y clasifican los descriptores de la experiencia humana para facilitar la búsqueda de expertos, en particular en campos científicos y técnicos. De esta manera, la minería de datos puede facilitar la memoria institucional .
  • Métodos de minería de datos de datos biomédicos facilitados por ontologías de dominio , [19] minería de datos de ensayos clínicos, [20] y análisis de tráfico utilizando SOM. [21]
  • En el ámbito de la vigilancia de las reacciones adversas a medicamentos, el Centro de Vigilancia de Uppsala utiliza desde 1998 métodos de extracción de datos para detectar sistemáticamente patrones de notificación que indiquen problemas emergentes de seguridad de los medicamentos en la base de datos mundial de la OMS sobre 4,6 millones de casos sospechosos de reacciones adversas a medicamentos . [22] Recientemente, se ha desarrollado una metodología similar para extraer de grandes colecciones de registros sanitarios electrónicos patrones temporales que asocien las prescripciones de medicamentos a los diagnósticos médicos. [23]
  • La minería de datos se ha aplicado a artefactos de software dentro del ámbito de la ingeniería de software : Minería de repositorios de software .
  • En el campo de la microbiología, se han utilizado métodos de minería de datos para predecir el comportamiento poblacional de bacterias en los alimentos. [24]

Derechos humanos

La minería de datos de registros gubernamentales –en particular registros del sistema de justicia (es decir, tribunales, prisiones)– permite descubrir violaciones sistémicas de los derechos humanos en relación con la generación y publicación de registros legales inválidos o fraudulentos por parte de diversas agencias gubernamentales. [25] [26]

Minería de datos médicos

Algunos algoritmos de aprendizaje automático se pueden aplicar en el campo médico como herramientas de diagnóstico de segunda opinión y como herramientas para la fase de extracción de conocimiento en el proceso de descubrimiento de conocimiento en bases de datos . Uno de estos clasificadores (llamado clasificador de aprendizaje de ejemplos Prototype (PEL-C) [27]) es capaz de descubrir síndromes, así como casos clínicos atípicos.

Un campo médico actual que utiliza el proceso de minería de datos es la metabolómica , que es la investigación y el estudio de las moléculas biológicas y cómo se caracteriza su interacción con los fluidos corporales, las células, los tejidos, etc. [28] La metabolómica es un tema que requiere una gran cantidad de datos y, a menudo, implica examinar cantidades masivas de datos irrelevantes antes de llegar a alguna conclusión. La minería de datos ha permitido que este campo relativamente nuevo de investigación médica crezca considerablemente en la última década y probablemente sea el método mediante el cual se encuentren nuevas investigaciones dentro del tema. [28]

En 2011, el caso de Sorrell v. IMS Health, Inc. , decidido por la Corte Suprema de los Estados Unidos , dictaminó que las farmacias pueden compartir información con empresas externas. Esta práctica fue autorizada bajo la 1.ª Enmienda de la Constitución , que protege la "libertad de expresión". [29] Sin embargo, la aprobación de la Ley de Tecnología de la Información Sanitaria para la Salud Económica y Clínica (HITECH Act) ayudó a iniciar la adopción del registro médico electrónico (EHR) y la tecnología de apoyo en los Estados Unidos. [30] La HITECH Act se convirtió en ley el 17 de febrero de 2009 como parte de la Ley de Recuperación y Reinversión Estadounidense (ARRA) y ayudó a abrir la puerta a la minería de datos médicos. [31] Antes de la firma de esta ley, se estima que solo el 20% de los médicos con sede en los Estados Unidos utilizaban registros electrónicos de pacientes. [30] Søren Brunak señala que "el registro del paciente se vuelve lo más rico en información posible" y, por lo tanto, "maximiza las oportunidades de minería de datos". [30] Por lo tanto, los registros electrónicos de pacientes amplían aún más las posibilidades de extracción de datos médicos, abriendo así la puerta a una vasta fuente de análisis de datos médicos.

Minería de datos espaciales

La minería de datos espaciales es la aplicación de métodos de minería de datos a datos espaciales. El objetivo final de la minería de datos espaciales es encontrar patrones en los datos con respecto a la geografía. Hasta ahora, la minería de datos y los sistemas de información geográfica (SIG) han existido como dos tecnologías separadas, cada una con sus propios métodos, tradiciones y enfoques para la visualización y el análisis de datos. En particular, la mayoría de los SIG contemporáneos solo tienen una funcionalidad de análisis espacial muy básica. La inmensa explosión de datos referenciados geográficamente ocasionada por los avances en TI, la cartografía digital, la teledetección y la difusión global de los SIG enfatiza la importancia de desarrollar enfoques inductivos basados ​​en datos para el análisis y modelado geográfico.

La minería de datos ofrece grandes beneficios potenciales para la toma de decisiones aplicadas basadas en SIG. Recientemente, la tarea de integrar estas dos tecnologías ha adquirido una importancia crucial, especialmente a medida que diversas organizaciones del sector público y privado que poseen enormes bases de datos con datos temáticos y geográficamente referenciados comienzan a darse cuenta del enorme potencial de la información contenida en ellas. Entre esas organizaciones se encuentran:

  • Oficinas que requieran análisis o difusión de datos estadísticos georreferenciados
  • Los servicios de salud pública buscan explicaciones sobre la agrupación de enfermedades
  • Agencias ambientales evalúan el impacto de los cambios en los patrones de uso de la tierra en el cambio climático
  • Empresas de geomarketing que realizan segmentación de clientes en función de la ubicación espacial.

Desafíos en la minería espacial: Los repositorios de datos geoespaciales tienden a ser muy grandes. Además, los conjuntos de datos SIG existentes a menudo se dividen en componentes de características y atributos que se archivan convencionalmente en sistemas de gestión de datos híbridos. Los requisitos algorítmicos difieren sustancialmente para la gestión de datos relacionales (atributos) y para la gestión de datos topológicos (características). [32] Relacionado con esto está la variedad y diversidad de formatos de datos geográficos, que presentan desafíos únicos. La revolución de los datos geográficos digitales está creando nuevos tipos de formatos de datos más allá de los formatos tradicionales "vectoriales" y "ráster". Los repositorios de datos geográficos incluyen cada vez más datos mal estructurados, como imágenes y multimedia georreferenciados. [33]

Existen varios desafíos críticos de investigación en el descubrimiento de conocimiento geográfico y la minería de datos. Miller y Han [34] ofrecen la siguiente lista de temas de investigación emergentes en el campo:

  • Desarrollo y soporte de almacenes de datos geográficos (GDW) : las propiedades espaciales suelen reducirse a simples atributos no espaciales en los almacenes de datos convencionales. La creación de un GDW integrado requiere resolver problemas de interoperabilidad de datos espaciales y temporales, incluidas las diferencias en semántica, sistemas de referencia, geometría, precisión y posición.
  • Mejores representaciones espacio-temporales en el descubrimiento de conocimiento geográfico : los métodos actuales de descubrimiento de conocimiento geográfico (GKD) generalmente utilizan representaciones muy simples de objetos geográficos y relaciones espaciales. Los métodos de minería de datos geográficos deberían reconocer objetos geográficos más complejos (es decir, líneas y polígonos) y relaciones (es decir, distancias no euclidianas, dirección, conectividad e interacción a través del espacio geográfico atribuido, como el terreno). Además, la dimensión temporal debe integrarse más plenamente en estas representaciones y relaciones geográficas.
  • Descubrimiento de conocimiento geográfico utilizando diversos tipos de datos : se deben desarrollar métodos de GKD que puedan manejar diversos tipos de datos más allá de los modelos raster y vectoriales tradicionales, incluidas imágenes y multimedia georreferenciada, así como tipos de datos dinámicos (transmisiones de video, animación).

Minería de datos temporales

Los datos pueden contener atributos generados y registrados en diferentes momentos. En este caso, para encontrar relaciones significativas en los datos puede ser necesario considerar el orden temporal de los atributos. Una relación temporal puede indicar una relación causal o simplemente una asociación. [ cita requerida ]

Minería de datos de sensores

Las redes de sensores inalámbricos se pueden utilizar para facilitar la recopilación de datos para la minería de datos espaciales para una variedad de aplicaciones, como el monitoreo de la contaminación del aire. [35] Una característica de estas redes es que los nodos de sensores cercanos que monitorean una característica ambiental generalmente registran valores similares. Este tipo de redundancia de datos debido a la correlación espacial entre las observaciones de los sensores inspira las técnicas para la agregación y minería de datos dentro de la red. Al medir la correlación espacial entre los datos muestreados por diferentes sensores, se puede desarrollar una amplia clase de algoritmos especializados para desarrollar algoritmos de minería de datos espaciales más eficientes. [36]

Minería de datos visual

En el proceso de transición de lo analógico a lo digital, se han generado, recopilado y almacenado grandes conjuntos de datos, lo que ha permitido descubrir patrones estadísticos, tendencias e información oculta en los datos, con el fin de construir patrones predictivos. Los estudios sugieren que la minería de datos visual es más rápida y mucho más intuitiva que la minería de datos tradicional. [37] [38] [39] Véase también Visión artificial .

Minería de datos musicales

Se han utilizado técnicas de minería de datos, y en particular el análisis de coocurrencia , para descubrir similitudes relevantes entre corpus musicales (listas de radio, bases de datos de CD) con el fin de clasificar la música en géneros de una manera más objetiva. [40]

Vigilancia

El gobierno de los Estados Unidos ha utilizado la minería de datos. Entre los programas que se incluyen se encuentran el programa Total Information Awareness (TIA), Secure Flight (antes conocido como Computer-Assisted Passenger Prescreening System ( CAPPS II )), Analysis, Dissemination, Visualization, Insight, Semantic Enhancement ( ADVISE ), [41] y el Multi-state Anti-Terrorism Information Exchange ( MATRIX ). [42] Estos programas se han descontinuado debido a la controversia sobre si violan la Cuarta Enmienda de la Constitución de los Estados Unidos, aunque muchos programas que se formaron bajo ellos continúan siendo financiados por diferentes organizaciones o bajo diferentes nombres. [43]

En el contexto de la lucha contra el terrorismo, dos métodos de minería de datos especialmente plausibles son la "minería de patrones" y la "minería de datos basada en temas".

Minería de patrones

La "minería de patrones" es un método de minería de datos que implica encontrar patrones existentes en los datos. En este contexto, los patrones a menudo significan reglas de asociación . La motivación original para buscar reglas de asociación surgió del deseo de analizar los datos de transacciones de supermercados, es decir, examinar el comportamiento de los clientes en términos de los productos comprados. Por ejemplo, una regla de asociación "cerveza ⇒ papas fritas (80%)" establece que cuatro de cada cinco clientes que compraron cerveza también compraron papas fritas.

En el contexto de la minería de patrones como herramienta para identificar actividad terrorista, el Consejo Nacional de Investigación proporciona la siguiente definición: "La minería de datos basada en patrones busca patrones (incluidos patrones de datos anómalos) que podrían estar asociados con la actividad terrorista; estos patrones podrían considerarse como pequeñas señales en un gran océano de ruido". [44] [45] [46] La minería de patrones incluye nuevas áreas como la recuperación de información musical (MIR), donde los patrones observados tanto en los dominios temporales como no temporales se importan a los métodos de búsqueda de descubrimiento de conocimiento clásicos.

Minería de datos basada en temas

La "minería de datos basada en sujetos" es un método de minería de datos que implica la búsqueda de asociaciones entre individuos en los datos. En el contexto de la lucha contra el terrorismo, el Consejo Nacional de Investigación proporciona la siguiente definición: "La minería de datos basada en sujetos utiliza un individuo iniciador u otro dato que se considera, en función de otra información, de alto interés, y el objetivo es determinar qué otras personas o transacciones o movimientos financieros, etc., están relacionados con ese dato iniciador". [45]

Red de conocimiento

El descubrimiento de conocimiento "en la red" generalmente se refiere a la realización del descubrimiento de conocimiento en un entorno abierto utilizando conceptos de computación en red , lo que permite a los usuarios integrar datos de varias fuentes de datos en línea, así como hacer uso de recursos remotos, para ejecutar sus tareas de minería de datos. El primer ejemplo fue Discovery Net , [47] [48] desarrollado en el Imperial College de Londres , que ganó el "Premio a la aplicación intensiva en datos más innovadora" en la conferencia y exhibición ACM SC02 (Supercomputing 2002), basado en una demostración de una aplicación de descubrimiento de conocimiento distribuido completamente interactiva para una aplicación de bioinformática. Otros ejemplos incluyen el trabajo realizado por investigadores de la Universidad de Calabria , quienes desarrollaron una arquitectura Knowledge Grid para el descubrimiento de conocimiento distribuido, basado en computación en red . [49] [50]

Referencias

  1. ^ O'Brien, JA, y Marakas, GM (2011). Sistemas de información gerencial. Nueva York, NY: McGraw-Hill/Irwin.
  2. ^ Alexander, Doug. "Minería de datos". Universidad de Texas en Austin: Facultad de Artes Liberales.
  3. ^ "Daniele Medri: Big Data & Business: An on-going revolution". Estadísticas Vistas. 21 de octubre de 2013. Archivado desde el original el 17 de junio de 2015 . Consultado el 21 de septiembre de 2015 .
  4. ^ "Categorización de artículos a gran escala" (PDF) . Archivado desde el original (PDF) el 5 de octubre de 2015.
  5. ^ Goss, S. (10 de abril de 2013). La minería de datos y nuestra privacidad personal. Recuperado de The Telegraph: «La minería de datos y nuestra privacidad personal | The Sun News | Macon.com». Archivado desde el original el 5 de julio de 2014. Consultado el 21 de septiembre de 2015 .
  6. ^ Monk, Ellen; Wagner, Bret (2006). Conceptos de planificación de recursos empresariales, segunda edición . Boston, MA: Thomson Course Technology. ISBN 978-0-619-21663-4.OCLC 224465825  .
  7. ^ Chalutz-Ben Gal, H. (2023). Rokach, L.; Maimon, O.; Shmueli, E. (eds.). "Minería de datos organizacionales basada en recursos humanos (HRODM): temas, tendencias, enfoque, futuro" (PDF) . Springer. págs. 833–866.
  8. ^ abc Elovici, Yuval; Braha, Dan (2003). "Un enfoque teórico de decisiones para la minería de datos" (PDF) . IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans . 33 (1): 42–51. doi :10.1109/TSMCA.2003.812596. hdl : 10150/105859 .
  9. ^ Battiti, Roberto; y Brunato, Mauro; Reactive Business Intelligence. De los datos a los modelos y al conocimiento , Reactive Search Srl, Italia, febrero de 2011. ISBN 978-88-905795-0-9 . 
  10. ^ Battiti, Roberto; Passerini, Andrea (2010). "Optimización multiobjetivo evolutiva cerebro-computadora (BC-EMO): un algoritmo genético que se adapta al tomador de decisiones" (PDF) . IEEE Transactions on Evolutionary Computation . 14 (15): 671–687. doi :10.1109/TEVC.2010.2058118. S2CID  2182650.
  11. ^ Braha, Dan; Elovici, Yuval; Last, Mark (2007). "Teoría de la minería de datos procesable con aplicación al control de fabricación de semiconductores" (PDF) . Revista internacional de investigación de producción . 45 (13): 3059–3084. CiteSeerX 10.1.1.127.1472 . doi :10.1080/00207540600654475. S2CID  2299178. 
  12. ^ Fountain, Tony; Dietterich, Thomas; y Sudyka, Bill (2000); Minería de datos de pruebas de circuitos integrados para optimizar las pruebas VLSI, en Actas de la sexta conferencia internacional ACM SIGKDD sobre descubrimiento de conocimiento y minería de datos, ACM Press, págs. 18-25
  13. ^ Braha, Dan; Shmilovici, Armin (2002). "Minería de datos para mejorar un proceso de limpieza en la industria de semiconductores" (PDF) . IEEE Transactions on Semiconductor Manufacturing . 15 (1): 91–101. CiteSeerX 10.1.1.10.7921 . doi :10.1109/66.983448. 
  14. ^ Braha, Dan; Shmilovici, Armin (2003). "Sobre el uso de la inducción de árboles de decisión para el descubrimiento de interacciones en un proceso fotolitográfico" (PDF) . IEEE Transactions on Semiconductor Manufacturing . 16 (4): 644–652. doi :10.1109/TSM.2003.818959.
  15. ^ Zhu, Xingquan; Davidson, Ian (2007). Descubrimiento de conocimiento y minería de datos: desafíos y realidades . Nueva York, NY: Hershey. p. 18. ISBN 978-1-59904-252-7.
  16. ^ ab McGrail, Anthony J.; Gulski, Edward; Allan, David; Birtwhistle, David; Blackburn, Trevor R.; Groot, Edwin RS "Técnicas de minería de datos para evaluar el estado de las plantas eléctricas de alto voltaje". CIGRÉ WG 15.11 del Comité de estudio 15 .
  17. ^ Baker, Ryan SJ d. "¿El juego es el estado o rasgo del sistema? Minería de datos educativos mediante la aplicación multicontextual de un modelo de comportamiento validado". Taller sobre minería de datos para modelado de usuarios 2007 .
  18. ^ Superby Aguirre, Juan Francisco; Vandamme, Jean-Philippe; Meskens, Nadine. "Determinación de factores que influyen en el rendimiento académico de los estudiantes universitarios de primer año utilizando métodos de minería de datos". Taller sobre minería de datos educativos 2006 .
  19. ^ Zhu, Xingquan; Davidson, Ian (2007). Descubrimiento de conocimiento y minería de datos: desafíos y realidades . Nueva York, NY: Hershey. págs. 163–189. ISBN 978-1-59904-252-7.
  20. ^ Zhu, Xingquan; Davidson, Ian (2007). Descubrimiento de conocimiento y minería de datos: desafíos y realidades . Nueva York, NY: Hershey. pp. 31–48. ISBN 978-1-59904-252-7.
  21. ^ Chen, Yudong; Zhang, Yi; Hu, Jianming; Li, Xiang (2006). "Análisis de datos de tráfico mediante PCA de núcleo y mapa autoorganizado". Simposio sobre vehículos inteligentes del IEEE de 2006. págs. 472–477. doi :10.1109/IVS.2006.1689673. ISBN 978-4-901122-86-3.S2CID16645060  .​
  22. ^ Bate, Andrew; Lindquist, Marie; Edwards, I. Ralph; Olsson, Sten; Orre, Roland; Lansner, Anders; de Freitas, Rogelio Melhado (junio de 1998). "Un método de red neuronal bayesiana para la generación de señales de reacciones adversas a medicamentos" (PDF) . Revista Europea de Farmacología Clínica . 54 (4): 315–21. doi :10.1007/s002280050466. PMID  9696956. S2CID  25966839.[ enlace muerto permanente ]
  23. ^ Norén, G. Niklas; Bate, Andrew; Hopstadius, Johan; Star, Kristina; y Edwards, I. Ralph (2008); Descubrimiento de patrones temporales para tendencias y efectos transitorios: su aplicación a registros de pacientes. Actas de la Decimocuarta Conferencia Internacional sobre Descubrimiento de Conocimiento y Minería de Datos (SIGKDD 2008), Las Vegas, NV , págs. 963–971.
  24. ^ Hiura, Satoko; Koseki, Shige; Koyama, Kento (19 de mayo de 2021). "Predicción del comportamiento poblacional de Listeria monocytogenes en alimentos mediante aprendizaje automático y una base de datos de supervivencia y crecimiento microbiano". Scientific Reports . 11 (1): 10613. Bibcode :2021NatSR..1110613H. doi :10.1038/s41598-021-90164-z. ISSN  2045-2322. PMC 8134468 . PMID  34012066. 
  25. ^ Zernik, Joseph; La minería de datos como deber cívico: sistemas de registro de prisioneros públicos en línea, Revista internacional sobre redes sociales: monitoreo, medición y minería , 1: 84–96 (2010)
  26. ^ Zernik, Joseph; Minería de datos de registros judiciales en línea de los tribunales federales de Estados Unidos en red, International Journal on Social Media: Monitoring, Measurement, Mining , 1:69–83 (2010)
  27. ^ Gagliardi, F (2011). "Clasificadores basados ​​en instancias aplicados a bases de datos médicas: diagnóstico y extracción de conocimiento". Inteligencia artificial en medicina . 52 (3): 123–139. doi :10.1016/j.artmed.2011.04.002. PMID  21621400.
  28. ^ ab Martínez-Arranz, Ibon; Mayo, Rebeca; Pérez-Cormenzana, Miriam; Mincholé, Itziar; Salazar, Lorena; Alonso, Cristina; Mato, José M. (2015). "Mejora de la investigación metabolómica mediante la extracción de datos". Revista de proteómica . 127 (Parte B): 275–288. doi :10.1016/j.jprot.2015.01.019. PMID  25668325.
  29. ^ David G. Savage (24 de junio de 2011). "Industria farmacéutica: la Corte Suprema se pone del lado de la industria farmacéutica en dos decisiones". Los Angeles Times . Consultado el 7 de noviembre de 2012 .
  30. ^ abc Goth, Gregory (2012). "Análisis de datos médicos". Comunicaciones de la ACM . 55 (6): 13. doi :10.1145/2184319.2184324.
  31. ^ "¿Qué es la Ley HITECH (Tecnología de la información sanitaria para la salud económica y clínica) de 2009? | Definición de TechTarget".
  32. ^ Healey, Richard G. (1991); Sistemas de gestión de bases de datos , en Maguire, David J.; Goodchild, Michael F.; y Rhind, David W., (eds.), Sistemas de información geográfica: principios y aplicaciones , Londres, GB: Longman
  33. ^ Camara, Antonio S.; y Raper, Jonathan (eds.) (1999); Multimedia espacial y realidad virtual , Londres, GB: Taylor y Francis
  34. ^ Miller, Harvey J.; y Han, Jiawei (eds.) (2001); Minería de datos geográficos y descubrimiento de conocimiento , Londres, GB: Taylor & Francis
  35. ^ Ma, Y.; Richards, M.; Ghanem, M.; Guo, Y.; Hassard, J. (2008). "Monitoreo de la contaminación del aire y minería basados ​​en una red de sensores en Londres". Sensores . 8 (6): 3601–3623. Bibcode :2008Senso...8.3601M. doi : 10.3390/s8063601 . PMC 3714656 . PMID  27879895. 
  36. ^ Ma, Y.; Guo, Y.; Tian, ​​X.; Ghanem, M. (2011). "Algoritmo de agregación basado en agrupamiento distribuido para redes de sensores espaciales correlacionados". IEEE Sensors Journal . 11 (3): 641. Bibcode :2011ISenJ..11..641M. CiteSeerX 10.1.1.724.1158 . doi :10.1109/JSEN.2010.2056916. S2CID  1639100. 
  37. ^ Zhao, Kaidi; y Liu, Bing; Tirpark, Thomas M.; y Weimin, Xiao; Un marco de minería de datos visual para la identificación conveniente de conocimiento útil
  38. ^ Keim, Daniel A.; Visualización de información y minería de datos visuales
  39. ^ Burch, Michael; Diehl, Stephan; Weißgerber, Peter; Minería visual de datos en archivos de software
  40. ^ Pachet, François; Westermann, Gert; y Laigre, Damien; Minería de datos musicales para distribución de música electrónica Archivado el 27 de marzo de 2014 en Wayback Machine , Actas de la 1.ª Conferencia WedelMusic, Florencia, Italia, 2001, págs. 101-106.
  41. ^ Oficina de Responsabilidad Gubernamental, Minería de datos: la atención temprana a la privacidad en el desarrollo de un programa clave del DHS podría reducir los riesgos , GAO-07-293 (febrero de 2007), Washington, DC
  42. ^ Informe del Programa de Vuelo Seguro, NBC News
  43. ^ "Total/Terrorism Information Awareness (TIA): Is It Truely Dead?" [Conocimiento de información total/terrorista (TIA): ¿está realmente muerta?"]. Electronic Frontier Foundation (sitio web oficial) . 2003. Archivado desde el original el 25 de marzo de 2009. Consultado el 15 de marzo de 2009 .
  44. ^ Agrawal, Rakesh; Mannila, Heikki; Srikant, Ramakrishnan; Toivonen, Hannu; y Verkamo, A. Inkeri; Descubrimiento rápido de reglas de asociación , en Avances en el descubrimiento de conocimiento y minería de datos , MIT Press, 1996, págs. 307–328
  45. ^ ab Consejo Nacional de Investigación, La protección de la privacidad individual en la lucha contra los terroristas: un marco para la evaluación de programas , Washington, DC: National Academies Press, 2008
  46. ^ Haag, Stephen; Cummings, Maeve; Phillips, Amy (2006). Sistemas de información gerencial para la era de la información. Toronto: McGraw-Hill Ryerson. pág. 28. ISBN 978-0-07-095569-1.OCLC 63194770  .
  47. ^ Ghanem, Moustafa; Guo, Yike; Rowe, Anthony; Wendel, Patrick (2002). "Servicios de descubrimiento de conocimiento basados ​​en cuadrículas para informática de alto rendimiento". Actas del 11.º Simposio Internacional IEEE sobre Computación Distribuida de Alto Rendimiento . p. 416. doi :10.1109/HPDC.2002.1029946. ISBN . 978-0-7695-1686-8. Número de identificación del sujeto  28782519.
  48. ^ Ghanem, Moustafa; Curcin, Vasa; Wendel, Patrick; Guo, Yike (2009). "Creación y uso de flujos de trabajo analíticos en Discovery Net". Técnicas de minería de datos en entornos de computación en red . p. 119. doi :10.1002/9780470699904.ch8. ISBN 9780470699904.
  49. ^ Cannataro, Mario; Talia, Domenico (enero de 2003). "The Knowledge Grid: An Architecture for Distributed Knowledge Discovery" (PDF) . Comunicaciones de la ACM . 46 (1): 89–93. doi :10.1145/602421.602425. S2CID  8709194. Archivado desde el original (PDF) el 2011-11-10 . Consultado el 17 de octubre de 2011 .
  50. ^ Talia, Domenico; Trunfio, Paolo (julio de 2010). "Cómo las tareas de minería de datos distribuidas pueden prosperar como servicios de conocimiento" (PDF) . Comunicaciones de la ACM . 53 (7): 132–137. CiteSeerX 10.1.1.378.2206 . doi :10.1145/1785414.1785451. S2CID  14713292. Archivado desde el original (PDF) el 27 de octubre de 2011 . Consultado el 17 de octubre de 2011 . 
  • Wikipedia:Minería de datos Wikipedia
Obtenido de "https://es.wikipedia.org/w/index.php?title=Ejemplos_de_minería_de_datos&oldid=1240375779"
Lecturas relacionadas
6 articulos
Minería de datosMinería de datosLa minería de datos es el proceso de extracción y descubrimiento de patrones en grandes conjuntos de datos que involucra métodos en la intersección...Data setData setA data set (or dataset) is a collection of data. In the case of tabular data, a data set corresponds to one or more database tables, where every co...Reconocimiento de patronesReconocimiento de patronesEl reconocimiento de patrones es la tarea de asignar una clase a una observación en función de patrones extraídos de los datos. Si bien son similar...Venta cruzadaLa venta cruzada es una técnica de ventas que consiste en ofrecer un producto o servicio adicional a un cliente existente. En la práctica, las empr...Gestión de la relación con el clienteLa gestión de las relaciones con los clientes ( CRM ) es un proceso en el que una empresa u otra organización administra sus interacciones con los ...Análisis de conglomeradosAnálisis de conglomeradosEl análisis de conglomerados o clustering es la tarea de agrupar un conjunto de objetos de tal manera que los objetos del mismo grupo (llamado clus...