Metodologías para el descubrimiento de conocimiento en bases de datos

Título:

Metodologías para el descubrimiento de conocimiento en bases de datos: un estudio comparativo

Autor:

Moine, Juan Miguel

Otros autores / Colaboradores:

 Haedo, Ana Silvia; [ Director/a]  Gordillo, Silvia Ethel; [ Codirector/a] 

Temas:

BASES DE DATOS; MINERÍA DE DATOS; METODOLOGÍAS; 

URL:

http://sedici.unlp.edu.ar/handle/10915/29582,

Nota de tesis:

Tesis (Maestría en Ingeniería de Software) - Universidad Nacional de La Plata. Facultad de Informática, 2013.

Extensión:

111 p.  : il.

Resumen:

Para llevar a cabo en forma sistemática el proceso de descubrimiento de conocimiento en bases de datos, conocido como minería de datos, es necesaria la implementación de una metodología. Actualmente las metodologías para minería de datos se encuentran en etapas tempranas de madurez, aunque algunas como CRISP-DM ya están siendo utilizadas exitosamente por los equipos de trabajo para la gestión de sus proyectos. En este trabajo se establece un análisis comparativo entre las metodologías de minería de datos más difundidas en la actualidad. Para lograr dicha tarea, y como aporte de esta tesis, se ha propuesto un marco comparativo que explicita las características que se deberían tener en cuenta al momento de efectuar esta confrontación.

Puede solicitar más fácilmente el ejemplar con: TES 13/34

1. Introducción 
1.1. Objetivo de la tesis 
1.2. Organización de la tesis 
1.3. Publicaciones vinculadas a esta tesis 

2. Metodologías para minería de datos 
2.1. KDD  
2.2. SEMMA  
2.3. CRISP–DM 
2.4. Catalyst  
2.5. Análisis de la estructura de cada enfoque 
2.6. ¿Metodologías o modelos de proceso? 

3. Un Marco Comparativo 
3.1. Aspecto 1: Nivel de detalle en las actividades de cada fase
3.2. Aspecto 2: Escenarios de aplicación
3.3. Aspecto 3: Actividades específicas que componen cada fase
3.4. Aspecto 4: Actividades de dirección del proyecto  
3.5. Consideraciones sobre la utilización del marco comparativo  

4. Un caso de estudio 
4.1. Descripción del caso de estudio 
4.2. Análisis y Comprensión del Negocio 
4.3. Selección y Preparación de los Datos  
4.4. Modelado  
4.5. Evaluación  
4.6. Implementación  

5. Comparación De Las Metodologías Crisp-Dm Y Catalyst 
5.1. Evaluación del nivel de detalle en las actividades de cada fase
5.2. Evaluación de los escenarios de aplicación 
5.3. Evaluación de las actividades específicas en cada fase 
5.4. Evaluación de las actividades para la dirección del proyecto 
5.5. Evaluación final 

6. Conclusiones y trabajos futuros  

Anexo. Técnicas De Minería De Datos 
Arboles de decisión 
Vecino más próximo (Nearest neighbors)
Clasificador Naive Bayes 
Regresión Logística Binaria 

Referencias