La tecnología de la Información ha evolucionado en los últimos años, transformando los negocios y la gestión de las mismas. La escasez de datos en las transacciones negociables, ha dado lugar, a una abundancia de informaciones provenientes de estos avances, creando de esta manera, el problema de transformar en conocimiento estas grandes cantidades de datos. Diversas técnicas para el tratamiento de estas informaciones han surgido en los últimos años y la que más se ha adecuado a la solución de esta problemática es la Mineración de Datos. La frase que mejor resume la esencia de éste proceso de descubrimiento de conocimiento es "Mineración de Datos consiste en torturar los datos hasta que estos confiesen".
El presente libro muestra de forma brillante, las especificaciones de esta disciplina, uniendo los conceptos de la lógica computacional con los de un formalismo matemático pragmático. Este diferencial no es encontrado en la literatura contemporánea y es el que convierte esta obra en un punto de inflexión para los que se proponen profundizar este tema. El libro consigue mantener al lector navegando por las diversas tecnicas de DM, presentando en cada caso, los principios estatísticos que los fundamentan. Esta obra sirve para los que no se satisfazen con productos acabados, sino mas bien para los que buscan entender los fundamentos y luego asi construir nuevos conceptos y paradigmas.
Es loable que existan en el Instituto de Matemática de la UFRJ, profesores de esta calidad y capaces de escribir textos con esta profundidad sin alejarse de las aplicaciones a los negócios.
Luiz Adauto da Justa Medeiros
Doctor Honoris Causa da Universidad Nacional Mayor de San Marcos e
professor emérito da UFRJ
SUMÁRIO
Prefacio a la versión en portugués
Prefacio a la presente edición
1. Introducción
2. KDD y Minería de Datos
Definición del problema
Adquisición y evaluación de los datos
Extracción de características y realce
Plan de prototipaje, prototipaje y desarrollo del modelo
Evaluación del retorno sobre la inversión (pós-proyecto)
3. Base de datos para minería de datos – Data Warehouse, Data Mart y Data Webhouse
4. La construcción de modelos en el proceso KDD/DM
Problema
5. Tratamiento de datos para DM
Definición de la población
Muestreo
Manipulación de datos
Transformación de los datos
6. Métodos para Modelaje
Selección del método
Análisis de regresión no lineal
Regresión logística
Árboles de clasificación
Redes neuronales
Análisis discriminante
Análisis de similitud y de conglomerados
Análisis de afinidad
7. Plano de Prototipaje
Desarollo del modelo
8. Validación del Modelo
Validación
9. Implementación
Implementación
10. Retorno sobre la Inversión (RDI)
11. Ejemplos
A partir de una lista de clientes, ¿Para quienes enviar un nuevo catalago?
Penetración en el mercado
Clasificación para clientes de una tarjeta de crédito
Pronóstico de las ventas para una campaña promocional
Modelando el riesgo
12. Bibliografía
Anexo I. Depósitos de datos en la Internet
Anexo II. Programas de Computador para Minería de Datos
Anexo III. Anteproyecto de Minería de Datos
Anexo IV. Estudios de Casos
AIV.1 Clasificación de los donadores potenciales del “paralyzed veterans of america”
AIV.2 Identificación de patrones en el acceso a páginas del site msnbc
AIV.3 Identificación de perfiles en base de datos de accidentes de trabajo
AIV.4 Adquisición de seguros
AIV.5 Proyecto de minería de datos para categorización de clientes de una institución financiera
AIV.6 Clasificación supervisada de crédito en un banco en Alemania
AIV.7 Predicción del interés por la compra de seguros de trailers
AIV.8 Sistema de detección de intrusión
Anexo V. Estadística del Chi-Cuadrado para Algunos Atributos
Anexo VI. Transformaciones matemáticas
Anexo VII. Ejemplos de tasas de acierto y matrices de confusión
Avaliações
Não há comentários ainda.