Mineria De Datos

Introducción
Las bases de datos (BD) surgieron como respuesta a la necesidad de almacenar datos en un sistema de cómputo. Al inicio de la era de las computadoras (década de los 60’s), la dimensión de las bases de datos se limitaba a unos cuantos KBytes, sujeto a las restricciones tecnológicas de la época, por lo que su aplicación a diversos dominios tanto científicos como del mundo real fuelimitado. Sin embargo, con el avance de la tecnología, pasamos de poder almacenar unos cuantos Kbytes a cientos de GigasBytes, lo que ha permitido extender su uso a dominios que antes eran impensables. No obstante, el aumento en la dimensión de las bases de datos ha traído como consecuencia la necesidad de nuevas herramientas de administración y análisis que permitan lidiar con la vasta cantidad dedatos.
El análisis de datos es una tarea que consiste en buscar o encontrar tendencias o variaciones de comportamiento en los datos, de tal manera que esta información resulte de utilidad para los usuarios finales. A estas tendencias o variaciones se le conocen como patrón. Si los patrones son útiles y de relevancia para el dominio, entonces se le llama conocimiento. En un principio, el análisisse realizaba de forma manual, empleando técnicas estadísticas. Sin embargo, actualmente esta forma de análisis resulta inviable por la gran cantidad de datos que puede contener una BD moderna, además de que existen una gran cantidad de formatos para los datos, como tablas (bases de datos relacionales), secuencias, grafos, imágenes, audio, lo cual aumenta la complejidad de un análisis manual. Bajoestas circunstancias es como surge la Minería de Datos (MD), que es un proceso automático ó semiautomático que busca descubrir patrones ocultos en un conjunto de datos y que además, sean potencialmente útiles para los usuarios de la BD). En la MD se contemplan diversas estrategias para identificar diferentes tipos de patrones, como son árboles de clasificación, redes neuronales, redes bayesianas,técnicas de asociación, entre otros. El objetivo en todo proceso de MD es obtener patrones de interés para el usuario final. Para lograrlo, es necesario preparar correctamente a los datos para procesarlos, elegir un método adecuado para extraer los patrones deseados y finalmente, determinar cómo evaluar los patrones encontrados. Estas etapas han sido organizadas en un esquema conocido como elproceso de descubrimiento de conocimiento en base de datos (KDD, por sus siglas en inglés), en el cual se identifican tres grandes bloques: pre-procesamiento, búsqueda / identificación de patrones y evaluación.

Algoritmos de Minería de Datos
Un algoritmo de minería de datos es un conjunto de cálculos y reglas heurísticas que permite crear un modelo de minería de datos a partir de los datos. Paracrear un modelo, el algoritmo analiza primero los datos proporcionados, en busca de tipos específicos de patrones o tendencias. El algoritmo usa los resultados de este análisis para definir los parámetros óptimos para la creación del modelo de minería de datos. A continuación, estos parámetros se aplican en todo el conjunto de datos para extraer patrones procesables y estadísticas detalladas.El modelo de minería de datos que crea un algoritmo a partir de los datos puede tomar diversas formas, incluyendo:

• Un conjunto de clústeres que describe cómo se relacionan los casos de un conjunto de datos.
• Un árbol de decisión que predice un resultado y que describe cómo afectan a este los distintos criterios.
• Un modelo matemático que predice las ventas.
• Un conjunto de reglas quedescriben cómo se agrupan los productos en una transacción, y las probabilidades de que dichos productos se adquieran juntos.

http://msdn.microsoft.com/es-es/library/ms175595.aspx

Métodos de la Minería de Datos
El término descubrimiento de conocimiento en bases de datos (Knowledge Discovery in Databases, KDD) se utiliza frecuentemente como sinónimo de Minería de Datos, aunque existen claras...