Redes

INGENIERÍA EN TELECOMUNICACIONES UNIVERSIDAD CARLOS III DE MADRID 5º Curso, Año Académico 2004/2005

INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-.

Realizado por: David Paniagua Martín. Juan Carlos Soler Pascual del Pobil.

INDICE:
INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS.
¿Qué es la minería de datos? Fases de un Proyecto de Minería de Datos.Filtrado de datos. Selección de variables. Algoritmos de extracción de conocimiento. Interpretación y evaluación.

DESARROLLO DE LA PRÁCTICA.
Comienza el filtrado de los datos. “Ajuste” del fichero. Selección de variables.

DESCRIPCIÓN DE LOS ALGORITMOS.
Redes Neuronales.

ANÁLISIS DE LOS FICHEROS GENERADOS, MEDIANTE WEKA.
Selección de los algoritmos. Entrenamiento de un perceptrónmulticapa. Problemas.

INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS.
¿Qué es la minería de datos?
Las técnicas de minería de datos se emplean para mejorar el rendimiento de procesos de negocio o industriales en los que se manejan grandes volúmenes de información estructurada y almacenada en bases de datos. Se trata de un proceso analítico diseñado para explorar grandes volúmenes de datos(generalmente datos de negocio y mercado) con el objeto de descubrir patrones y modelos de comportamiento o relaciones entre diferentes variables. Esto permite generar conocimiento que ayuda a mejorar la toma de decisiones en los procesos fundamentales de un negocio. La minería de datos permite obtener valor a partir de la información que registran y manejan las empresas, lo que ayuda a dirigir esfuerzos demejora respaldados en datos históricos de diversa índole. Por ejemplo, se usan con éxito en aplicaciones de control de procesos productivos, como herramienta de ayuda a la planificación y a la decisión en marketing, finanzas, etc. Asimismo, la minería de datos es fundamental en la investigación científica y técnica, como herramienta de análisis y descubrimiento de conocimiento a partir de datos deobservación o de resultados de experimentos.

Fases de un Proyecto de Minería de Datos.
Los pasos a seguir para la realización de un proyecto de minería de datos son siempre los mismos, independientemente de la técnica específica de extracción de conocimiento usada.

Filtrado de datos: El formato de los datos contenidos en la fuente de datos (base de datos, Data Warehouse...) nunca es elidóneo, y la mayoría de las veces no es posible ni siquiera utilizar ningún algoritmo de minería sobre los datos "en bruto".

Mediante el preprocesado, se filtran los datos (de forma que se eliminan valores incorrectos, no válidos, desconocidos... Según las necesidades y el algoritmo a usar), se obtienen muestras de los mismos (en busca de una mayor velocidad de respuesta del proceso), o se reducenel número de valores posibles (mediante redondeo, clustering,...). Selección de variables: Aún después de haber sido preprocesados, en la mayoría de los casos se tiene una cantidad ingente de datos. La selección de características reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del procesode minería. Los métodos para la selección de características son básicamente dos: Aquellos basados en la elección de los mejores atributos del problema. Aquellos que buscan variables independientes mediante tests de sensibilidad, algoritmos de distancia o heurísticos. Algoritmos de Extracción de Conocimiento: Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, querepresenta patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos. Interpretación y evaluación: Una vez obtenido el modelo, se debe proceder a su validación,...