Capítulo 1. INTRODUCCIÓN A LA EXPLOTACIÓN DE DATOS INTELIGENTES
1. Introducción
2. Concepto de Data Warehousing
2.1. Análisis de la definición de Bill Inmon
3. Usos y aplicaciones de un Data Warehousing
4. Las bases para el desarrollo de un data warehouse
4.1. Arquitectura del data warehouse
4.2. Diferencias entre OLTP y OLAP
4.3. Construcción de un data warehouse
4.4. Metodología para construir un data warehouse
5. Costos del data warehouse
6. Impactos de implementación del data warehouse
7. El data mining y su relación con el data warehouse
8. El Data Warehouse dota a las organizaciones de memoria, y el data mining de inteligencia
9. Minería de datos
9.1. Descubrimiento de conocimientos
9.2. Tareas realizadas por un sistema de Minería de Datos
10. Aprendizaje Automático
10.1. Ejemplos de sistemas de aprendizaje automático
10.2. Aprendizaje supervisado y no supervisado
Capítulo 2. MINERÍA DE DATOS CLÁSICA
1.1. Introducción
1.2. Evolución conjunta de los requerimientos de los usuarios y de las herramientas utilizadas en
Minería de Datos
1.3. Técnicas Clásicas para el campo de la Minería de Datos
Capítulo 3. PREPROCESAMIENTO DE DATOS
1. Introducción
2. ¿Por qué preprocesar los Datos?
3. Limpieza de Datos
3.1. Valores Faltantes
3.2. Datos con Ruido
3.3. Datos inconsistentes
4. Integración y Transformación de Datos
4.1. Integración de Datos
4.2. Transformación de Datos
5. Reducción de datos
5.1. Agregado a cubo de datos
5.2. Reducción de dimensión
5.3. Compresión de datos
6. Discretización y generación de jerarquías conceptuales
6.1. Discretización y generación de jerarquías conceptuales para datos numéricos
6.2. Generación de jerarquías conceptuales y datos categóricos
7. Metodología de preprocesamiento de datos
7.1. Detalle para el diseño del controlador de tareas
7.2. Características que no se contemplan en el diseño del controlador de tareas
7.3. Detalle de las herramientas que se utilizarán para las transformaciones
7.4. Componentes para el controlador de tareas
7.5. Método de transformación
Capítulo 4. DESCRIPCIÓN CONCEPTUAL
1. Introducción
2. ¿Qué se entiende por Descripción Conceptual?
3. Generalización y sumarización de datos basada en la caracterización
3.1. Inducción Orientada a los Atributos
3.2. Implementación eficiente de la inducción Orientada a los Atributos
3.3. Presentación derivada de la generalización
4. Caracterización Analítica: Análisis de Atributos Relevantes
4.1. ¿Por qué realizar el Análisis de Atributos Relevantes?
4.2. Métodos de Análisis de Relevancia de Atributos
4.3. Caracterización Analítica: Un Ejemplo
5. Resumen
Capítulo 5. REGLAS DE ASOCIACIÓN EN MINERÍA DE GRANDES BASES DE DATOS
1. Introducción
1.1. Reglas de Asociación de Minería
2. Reglas de Asociación de Minería Monodimensionales Booleanas Para Bases De Datos
Transaccionales
2.1. El Algoritmo Apriori: Encontrar Itemsets Frecuentes Usando la Generación de Candidatos
2.2. Generación de Reglas de Asociación para Itemsets Frecuentes
2.3. Mejorando la Eficiencia del Apriori
2.4. Minería de Itemsets Frecuentes Sin Generación de Candidatos
2.5. Consultas Témpano
3. Reglas de asociación de minería multinivel para bases de datos transaccionales
3.1. Reglas de Asociación Multinivel
3.2. Aproximaciones a las reglas de asociación multinivel
3.3. Chequeo de Redundancia de Reglas de Asociación Multinivel
4. Reglas de Asociación de Minería Multidimensional Para Bases de Datos Relacionales y Data
Warehouses
4.1. Reglas de Asociación Multidimensional
4.2. Reglas de la Asociación Multidimensional de Minería Usando Discretización Estática de
Atributos Cuantitativos
4.3. Generación de Reglas de Asociación Cuantitativa
4.4. Reglas de Asociación Basadas en la Distancia
Capítulo 6. APRENDIZAJE AUTOMÁTICO
1. Introducción
2. Aprendizaje Automático
2.1. Esquema general de un sistema de Aprendizaje Automático
2.2. Aprendizaje de conceptos
2.3. Aprendizaje supervisado y no supervisado
2.4. Tipos de aprendizaje automático
3. Métodos clásicos de aprendizaje
3.1. Aprendizaje AQ
3.2. Aprendizaje divide y reinarás
4. Minería de Datos
4.1. Descubrimiento de conocimientos
4.2. Problemas inherentes al proceso de aprendizaje
4.3. Tareas realizadas por un sistema de Minería de Datos
4.4. Métodos de Minería de Datos
4.5. Componentes de la Minería de Datos
5. Aprendizaje Automático & Minería de Datos
5.1. Aplicaciones
5.2. Inferencia de Reglas Simples
5.3. Construcción de reglas de decisión
6. La Familia TDIDT
6.1. Construcción de los árboles de decisión
6.2. Atributos Desconocidas
6.3. Transformación a Reglas de Decisión
6.4. Resolución de un ejemplo utilizando el ID3
7. Evaluación de los Métodos de Aprendizaje
7.1. Evaluación en la familia TDIDT
7.2. Métodos de evaluación
7.3. Estimación del costo
Capítulo 7. SEDES NEURONALES
1. Fundamentos de las redes neuronales
1.1. El modelo biológico
1.2. Elementos de una red neuronal artificial (RNA)
2. Regla de aprendizaje
2.1. Representación vectorial
2.2. Estructura de una RNA
2.3. Mecanismo de aprendizaje
2.4. Redes neuronales con conexiones hacia adelante
Capítulo 8. ALGORITMOS GENÉTICOS
1. Introducción
1.1. Algoritmo simple
1.2. Sistemas naturales y sistemas artificiales
1.3. Aplicaciones
2. Operadores básicos: variantes
2.1. Métodos de selección
2.2. Selección por ruleta
2.3. Selección con control sobre el número esperado
2.4. Selección elitista
2.5. Selección por ranking
2.6. Métodos de cruza
2.7. Métodos de mutación
3. Algoritmos genéticos en profundidad
3.1. Esquemas
3.2. Teorema Fundamental
3.3. Efecto De la Selección
3.4. Efecto De La Cruza
3.5. Efecto De la Mutación
3.6. Mecanismos De Selección
3.7. Función De Aptitud
3.8. Necesidad De Escalado
3.9. Mecanismos De Cruza
3.10. Mecanismos De Mutación
4. Resolución de problemas con AG
4.1. El Problema De la Representación
4.2. Codificación De Parámetros
4.3. Parámetros Binarios
4.4. Parámetros No Binarios
4.5. Números Enteros
4.6. Codificación Binaria de Parámetros Enteros
4,7. Codificación Gray
4.8. Números Reales
4.9. Distribución De Los Genes Dentro Del Cromosoma
4.10. Elección De La Función De Aptitud
4.11. Metodología De Diseño De AG
4.12. Conclusión
5. Algoritmos evolucionarios
5.1. Programación Evolucionaria
5.2. Estrategia Evolucionaria
5.3. Algoritmos Genéticos Secuenciales
5.4. Algoritmos Genéticos Paralelos
5.5. Global
5.6. Grano Grueso
5.7. Grano Fino
5.8. Conclusión
Capítulo 9. REDES BAYESIANAS
1. Introducción
2. Definición formal de las redes bayesianas
3. Representación del conocimiento
3.1. Independencia condicional
3.2. Inferencia
3.3. Algoritmos de propagación
4. El aprendizaje en las redes bayesianas
4.1. Aprendizaje paramétrico
4.2. Aprendizaje estructural
4.3. Ventajas de las redes bayesianas
Capítulo 10. CASO DE ALGORITMO DE INDUCCIÓN
1. Contexto del Problema
2. Aplicación de los Algoritmos de la Familia TDIDT ala Minería de Datos
3. Solución propuesta
3.1. Interpretación de los resultados
3.2. Descripción de los dominios
3.3. Resultados Obtenidos con el ID3
3.4. Resultados Obtenidos con el C4.5
3.5. Comparación de los resultados obtenidos con el ID3 y con el C4.5
3.6. Análisis general de los resultados obtenidos
4. Conclusiones Generales
4.1. Conceptos destacables
4.2. Análisis de los Resultados Obtenidos
4.3. Análisis de la solución propuesta
4.4. Una mirada al futuro
Capítulo 11. CASO DE APLICACIÓN DE REDES NEURONALES
1. Introducción
2. Definición de fraude en telefonía celular
2.1. Clasificación de tipos de fraude
2.2. Detección de fraude en telefonía celular
3. Redes neuronales
4. Descripción del problema
4.1. El problema de la construcción y mantenimiento de "perfiles de usuario"
4.2. El problema de la detección de cambios de comportamiento
4.3. El problema de la performance
4.4. Representación gráfica del problema a resolver
5. Solución propuesta
5.1. Procesamiento previo de la información-Mediación
5.2. Solución a la construcción y mantenimiento de "perfiles de usuario"
5.3. Solución a la detección de cambios de comportamiento
5.4. Solución a las cuestiones de performance
5.5. Restricciones de la solución propuesta
6. Prueba experimental
6.1. Conjunto de datos utilizados
6.2. Variables a observar
6.3. Realización de los experimentos
6.4. Resultados
6.5. Análisis de los resultados
7. Conclusiones
Capítulo 12. CASO DE APLICACIÓN DE ALGORITMOS GENÉTICOS
1. Descripción del problema
1.1. La búsqueda en el espacio de soluciones
1.2. Utilización de algoritmos genéticos
2. Solución propuesta
2.1. Adaptaciones existentes
2.2. Algoritmo propuesto
3. Prueba experimental
3.1. Conjunto de datos utilizado
3.2. Variables a observar
3.3. Realización de los experimentos
4. Resultados
4.1. Experimentos variando la cantidad de grupos
4.2. Experimentos variando la cantidad de documentos
4.3. Análisis de los resultados
5. Conclusiones
5.1. Respuesta a las cuestiones planteadas
Capítulo 13. CASO DE USO DE REDES BAYESIANAS
1. Descripción del problema
2. Solución propuesta
2.1. Datos de entrada
3. Sistema integrador
3.1. Descripción general
3. Prueba experimental
3.1. Descripción de los dominios
3.2. Metodología utilizada
3.3. Análisis estadístico de los resultados
4. El test de Wilcoxon para la comparación de muestras apareadas
4.1. Introducción
5. Resultados
6. Conclusiones
Capítulo 14. HERRAMIENTA DE ALGORITMO DE INDUCCIÓN
1. Introducción
1.1. Hoja ReadMe
1.2. Hoja UserInput
1.3. Hoja Data
1.4. Hoja Tree
1.5. Hoja NodeView
1.6. Hoja Result
1.7. Hoja Rules
Capítulo 15. HERRAMIENTA DE AGRUPAMIENTO A TRAVÉS DE REDES NEURONALES
1. Introducción
1.1. Hoja ReadMe
1.2. Hoja Input
1.3. Hoja Data
1.4. Hoja Weihgts
1.5. Hoja Output
1.6. Hoja Junk y Hoja Plot
1.7. Base de Datos de ejemplo
Capítulo 16. HERRAMIENTA DE PREDICCIÓN A TRAVÉS DE REDES NEURONALES
1. Introducción
1.1. Hoja ReadMe
1.2. Hoja UserInput
1.3. Hoja Data
1.4. Hoja Calc
1.5. Hoja Output
1.6. Hoja Profile
1.7. Hoja LifChart
Capítulo 17. HERRAMIENTA DE ALGORITMOS GENÉTICOS
1. Introducción
1.1. Requisitos Del Sistema
2. Operadores Provistos
3. Menúes
4. Ventanas
5. Escribiendo Funciones de Evaluación
5.1. Pasaje de Información
5.2. Información debe proveer la DII
5.3. Definiciones del FDL
6. Comienzo Rápido
7. Problema del viajante
7.1. Definición del problema
7.2. Espacio de Búsqueda
7.3. Aproximación de la solución
8. Usando el programa Winga
Capítulo 18. HERRAMIENTA DE REDES BAYESIANAS
1. Introducción
1.1. Descripción de los algoritmos de aprendizaje
2. Obtención de redes bayesianas a través de Elvira
2.1. Uso de Elvira
3. Comparación de los resultados obtenidos con cada Clasificador
3.1. Comparación de las redes obtenidas
3.2. Comparación de los tiempos de proceso
3.3. Respuestas de las distintas redes al ingreso de evidencia
4. Conclusión
BIBLIOGRAFÍA