Minería de datos basada en sistemas inteligentes

Bibliografía (p. [861]-875) --

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