Mineria de Datos

Minería de Datos El arte de sacar conocimiento de grandes volúmenes de datos

Presentado por: Jorge Edwin Cano María Alejandra Pérez Salazar Isabel Cristina Santana Parra

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Tabla de contenido INTRODUCCION.............................................................................................................................. 3 OBJETIVOS .................................................................................................................................... 4 1.

¿QUÉ ES LA MD? .................................................................................................................... 5

2.

¿CÓMO FUNCIONA LA MD? ..................................................................................................... 7

2.1.

FASES DEL PROYECTO DE LA MINERÍA DE DATOS .............................................................. 7

2.1.1.

Filtrado de los datos .......................................................................................................... 8

2.1.2.

Selección de variables ....................................................................................................... 8

2.2.3

Algoritmos de Extracción de Conocimiento................................................................................ 9

2.2.4.

Interpretación y evaluación ................................................................................................. 9

3.

TECNICAS MAS USADA EN LA MINERIA DE DATOS ................................................................ 11

3.1.

REDES NEURONALES ....................................................................................................... 11

3.2.

ÁRBOLES DE DECISIÓN .................................................................................................... 11

3.3.

ALGORITMOS GÉNETICOS ................................................................................................ 12

3.4.

CLUSTERING (Agrupamiento) .............................................................................................. 12

3.5.

APRENDIZAJE AUTOMÁTICO ............................................................................................. 13

4.

VENTAJAS Y DESVENTAJAS .................................................................................................. 14

5.

CASOS DE ÉXITO .................................................................................................................. 15

6.

POSIBLES PROYECTOS ........................................................................................................ 18

CONCLUSIONES ........................................................................................................................... 20 BIBLIOGRAFIA .............................................................................................................................. 21

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

INTRODUCCION

A lo largo de la vida de una empresa se acumulan grandes cantidades de datos que no son almacenados, algunos de ellos no serán usados, otros se acumularan hasta perderse por falta de actualidad o por cambios en las políticas de manejos de datos.

En la actualidad debido al gran avance de los sistemas de cómputo las empresas cuentan con herramientas que les permiten almacenar y accesar, en archivos o bases de datos grandes cantidades de datos históricos sobre las operaciones diarias de su negocio; información la cual es utilizada en su momento para satisfacer las necesidades de la empresa y como soporte de la toma de decisiones. Todos esos archivos contienen normalmente gran cantidad de datos que serían de utilidad si fuera posible aprovecharlos mediante procesos que arrojarían información útil.

“En la actual sociedad de la información, donde cada día a día se multiplica la cantidad de datos almacenados casi de forma exponencial, la minería de datos es una herramienta fundamental para analizarlos y explotarlos de forma eficaz para los objetivos de cualquier organización”. (Daedalus)

Gracias a la labor que han ejercido las áreas de sistemas se han diseñado sistemas de información ejecutiva y de apoyo para la toma de decisiones cuyo objetivo principal es proveer de información necesaria a los ejecutivos de alto nivel para apoyarlos en la toma de decisiones, adicionalmente permitirles un acceso rápido y efectivo a la información repetida y critica del negocio; sin embargo, las demandas de las empresas con respecto a la información, van más allá de simples consultas, tabulaciones cruzadas o reportes consolidados, lo que ha hecho que se creen nuevas formas de análisis de información, con ventajas respecto a las que se conocían porque incorporan hechos sistemáticos que relacionan más de dos variables.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

OBJETIVOS

Conocer acerca de la Minería de Datos, sus componentes y sus funciones

Diferenciar las ventajas y desventajas acerca de la Minería de Datos Plantear casos de éxito dentro del mercado sobre el uso de la minería de datos

Plantear mínimo tres proyectos que se puedan desarrollar con la minería de datos

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

1. ¿QUÉ ES LA MD?

La Minería de Datos consiste en la extracción no trivial de información que reside de manera implícita en los datos, dicha información era precisamente desconocida y podrá resultar útil para algún proceso organizacional, en otras palabras la Minería de Datos prepara, sondea, explora los datos para sacar información oculta en ellos. (Nacional, 2010)

Para un experto o responsable de un sistema no son en sí los datos más relevantes si no la información que se encierra en sus relaciones, fluctuaciones y dependencias.

Bajo el nombre de Minería de Datos se engloba todo un conjunto de técnicas encaminadas a la extracción de conocimiento procesable, implícito en la base de datos. Está fuertemente ligado con la supervisión de procesos industriales ya que resulta muy útil para aprovechar los datos almacenados de la base de datos. (Nacional, 2010)

Las bases de la minería de datos se encuentran en la inteligencia artificial y en el análisis estadístico mediante los modelos extraídos utilizando técnicas de minería de datos abordan la solución a problemas utilizando la predicción, clasificación y segmentación.

Es una de las principales herramientas que se utilizan dentro de los programas de gestión del conocimiento como soporte a la toma de decisiones

Las herramientas de la Minería de Datos pueden responder a preguntas de negocios empresariales a priori no plantadas o que pueden consumir demasiado tiempo para ser resueltas. (Gloria, 2010)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Las técnicas de la Minería de datos se centran en analizar el gran volumen de datos que en una primera selección pueden ser pertinentes, pero que la aplicación de técnicas de selección ceñida a una determinada demanda reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, por lo tanto …

… La Minería de Datos es una tecnología usada para descubrir información oculta y desconocida pero potencialmente útil a partir de las fuentes de información de la propia empresa.

Es

un

mecanismo

de

explotación, consistente en la búsqueda

de

información

valiosa en grandes volúmenes de datos.

La Minería de datos se centra en la necesidad de descubrir el porqué, para luego predecir y pronosticar las posibles acciones con cierto factor de confianza para la predicción.

Es el análisis de archivos y bitácoras de transacciones, trabaja a nivel de conocimiento con el fin de descubrir patrones, relaciones, reglas, asociaciones, o incluso excepciones útiles para la toma de decisiones.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

2. ¿CÓMO FUNCIONA LA MD?

La minería de datos es un proceso en ciclo debido a que los resultados obtenidos pueden alimentar nuevamente cada fase.

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. (vallejos, 2006)

2.1.

FASES DEL PROYECTO DE LA MINERÍA DE DATOS

El proceso de minería de datos pasa por las siguientes fases:

Filtrado de datos.

Selección de Variables.

Extracción de Conocimiento.

Interpretación y Evaluación.

Figura: Fase de un proyecto de minería de datos

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

2.1.1.

Filtrado de los datos

El formato de los datos contenidos en la fuente de datos (base de datos, DataWarehouse, etc.) nunca es el idóneo, y la mayoría de las veces no es posible ni siquiera utilizar ningún algoritmo de minería sobre los datos en bruto. (vallejos, 2006)

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 reducen el número de valores posibles (mediante redondeo, clustering, etc.). (vallejos, 2006) 2.1.2.

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 proceso de minería. (vallejos, 2006)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Los métodos para la selección de características son básicamente dos:

Aquellos basados en la elección de los mejores atributos del problema Y aquellos que buscan variables independientes mediante test de sensibilidad, algoritmos de distancia o heurísticos.

2.2.3

Algoritmos de Extracción de Conocimiento

Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa 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. (vallejos, 2006) 2.2.4. Interpretación y evaluación

Una vez obtenido el modelo, se debe proceder a su validación, comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias.

En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos. (vallejos, 2006)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

3.

3.1.

TECNICAS MAS USADA EN LA MINERIA DE DATOS

REDES NEURONALES Esta técnica de inteligencia artificial, en los últimos años se ha convertido en uno de los instrumentos de uso frecuente para detectar categorías comunes en los datos, debido a que son capaces de detectar y aprender complejos patrones, y características de los datos.

Una de las principales características de las redes neuronales, es que son capaces de trabajar con datos incompletos e incluso paradójicos, que dependiendo del problema puede resultar una ventaja o un inconveniente. Además esta técnica posee dos formas de aprendizaje: supervisado y no supervisado. (Moreno)

3.2.

ÁRBOLES DE DECISIÓN Está técnica se encuentra dentro de una metodología de aprendizaje supervisado. Su representación es en forma de árbol en donde cada nodo es una decisión, los cuales a su vez generan reglas para la clasificación de un conjunto de datos.

Los árboles de decisión son fáciles de usar, admiten atributos discretos y continuos, tratan bien los atributos no significativos y los valores faltantes. Su principal ventaja es la facilidad de interpretación. (Moreno)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

3.3.

ALGORITMOS GÉNETICOS Los algoritmos genéticos imitan la evolución de las especies mediante la mutación, reproducción y selección, como también proporcionan programas y optimizaciones que pueden ser usadas en la construcción y entrenamiento de otras estructuras como es el caso de las redes neuronales. Además los algoritmos genéticos son inspirados en el principio de la supervivencia de los más aptos. (Moreno)

3.4.

CLUSTERING (Agrupamiento) Agrupan datos dentro de un número de clases preestablecidas o no, partiendo de criterios de distancia o similitud, de manera que las clases sean similares entre sí y distintas con las otras clases. Su utilización ha proporcionado significativos resultados en lo que respecta a los clasificadores o reconocedores de patrones, como en el modelado de sistemas. Este método debido a su naturaleza flexible se puede combinar fácilmente con otro tipo de técnica de minería de datos, dando como resultado un sistema híbrido.

Un problema relacionado con el análisis de cluster es la selección de factores en tareas de clasificación, debido a que no todas las variables tienen la misma importancia a la hora de agrupar los objetos. Otro problema de gran importancia y que actualmente despierta un gran interés es la fusión de conocimiento, ya que existen múltiples fuentes de información sobre un mismo tema, los cuales no utilizan una categorización homogénea de los objetos. Para poder solucionar estos inconvenientes es necesario fusionar la información a la hora de recopilar, comparar o resumir los datos. (Moreno)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

3.5.

APRENDIZAJE AUTOMÁTICO Esta técnica de inteligencia artificial es utilizada para inferir conocimiento del resultado de la aplicación de alguna de las otras técnicas antes mencionadas. (Moreno)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

4.

VENTAJAS Y DESVENTAJAS

La generación de un cubo virtual, el cual se generaría cada vez que se procesa una pregunta.

Con sólo la ventaja de no duplicar la información y almacenar dicho cubo en disco; y las desventajas de buscar optimizar los tiempos necesarios para su cálculo, que dependería de la región de interés a analizar y el algoritmo que definiese el área de almacenamiento temporal.

Esto es un problema que se mantiene vigente y necesario de resolver. Asociado a este desafío existen otros como el de generar en forma automática los algoritmos de los procesos de extracción y carga de datos a la base de datos que se usa para la minería. (Mineria de Datos)

Ventajas

La Minería de Datos es una herramienta eficaz para dar respuestas a preguntas complejas de Inteligencia de Negocios.

Las herramientas disponibles permiten automatizar gran parte de la tarea de encontrar los patrones de comportamiento ocultos en los datos.

Es una buena manera de convertir datos en información, y esta a su vez en conocimiento, para la correcta toma de decisiones.

Desventajas Los productos a comercializar son significativamente costosos.

Se requiera de experiencia para utilizar herramientas de tecnología.

Se puede hallar patrones equívocos triviales o no interesantes.

La Privacidad.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

5.

CASOS DE ÉXITO

El FBI analizará las bases de datos comerciales para detectar terroristas.

A principios del mes de julio de 2002, el director del Federal Bureau of Investigation (FBI), John Aschcroft, anunció que el Departamento de Justicia comenzará a introducirse en la vasta cantidad de datos comerciales referentes a los hábitos y preferencias de compra de los consumidores, con el fin de descubrir potenciales terroristas antes de que ejecuten una acción.

Algunos expertos aseguran que, con esta información, el FBI unirá todas las bases de datos probablemente mediante el número de la Seguridad Social y permitirá saber si una persona fuma, qué talla y tipo de ropa usa, su registro de arrestos, su salario, las revistas a las que está suscrito, su altura y peso, sus contribuciones a la Iglesia, grupos políticos u organizaciones no gubernamentales, sus enfermedades crónicas (como diabetes o asma), los libros que lee, los productos de supermercado que compra, si tomó clases de vuelo o si tiene cuentas de banco abiertas, entre otros. La inversión inicial ronda los setenta millones de dólares estadounidenses para consolidar los almacenes de datos, desarrollar redes de seguridad para compartir información e implementar nuevo software analítico y de visualización. (vallejos, 2006)

Terrorismo

La minería de datos ha sido citada como el método por el cual la unidad Able Danger del Ejército de los EE. UU había identificado al líder de los atentados del 11 de septiembre de 2001, Mohammed Atta, y a otros tres secuestradores del "11-S" como posibles miembros de una célula de Al Qaeda que operan en los EE. UU más de un año antes del ataque. Se ha sugerido que tanto la Agencia Central de Inteligencia y sus homóloga canadiense, Servicio de Inteligencia y Seguridad Canadiense, también han empleado este método. (Wikipedia)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Detección de fraudes en las tarjetas de crédito.

En 2001, las instituciones financieras a escala mundial perdieron más de 2.000 millones de dólares estadounidenses en fraudes con tarjetas de crédito y débito. El Falcon Fraud Manager es un sistema inteligente que examina transacciones, propietarios de tarjetas y datos financieros para detectar y mitigar fraudes. En un principio estaba pensado, en instituciones financieras de Norteamérica, para detectar fraudes en tarjetas de crédito. Sin embargo, actualmente se le han incorporado funcionalidades de análisis en las tarjetas comerciales, de combustibles y de débito.

El sistema Falcon ha permitido ahorrar más de seiscientos millones de dólares estadounidenses cada año y protege aproximadamente más de cuatrocientos cincuenta millones de pagos con tarjeta en todo el mundo aproximadamente el sesenta y cinco por ciento de todas las transacciones con tarjeta de crédito. (vallejos, 2006)

Recursos humanos La minería de datos también puede ser útil para los departamentos de recursos humanos en la identificación de las características de sus empleados de mayor éxito. La información obtenida puede ayudar a la contratación de personal, centrándose en los esfuerzos de sus empleados y los resultados obtenidos por éstos. Además, la ayuda ofrecida por las aplicaciones para Dirección estratégica en una empresa se traducen en la obtención de ventajas a nivel corporativo, tales como mejorar el margen de beneficios o compartir objetivos; y en la mejora de las decisiones operativas, tales como desarrollo de planes de producción o gestión de mano de obra. (Wikipedia)

Hábitos de compra en supermercados.

Un estudio muy citado detectó que los viernes había una cantidad inusualmente elevada de clientes que adquirían a la vez pañales y cerveza.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

Se detectó que se debía a que dicho día solían acudir al supermercado padres jóvenes cuya perspectiva para el fin de semana consistía en quedarse en casa cuidando de su hijo y viendo la televisión con una cerveza en la mano. El supermercado pudo incrementar sus ventas de cerveza colocándolas próximas a los pañales para fomentar las ventas compulsivas. (vallejos, 2006)

Conociendo si los recién titulados de una universidad llevan a cabo actividades profesionales relacionadas con sus estudios.

Se hizo un estudio sobre los recién titulados de la carrera de Ingeniería en Sistemas Computacionales del Instituto Tecnológico de Chihuahua II, en Méjico (Rodas, 2001). Se quería observar si sus recién titulados se insertaban en actividades profesionales relacionadas con sus estudios y, en caso negativo, se buscaba saber el perfil que caracterizó a los ex alumnos durante su estancia en la universidad. El objetivo era saber si con los planes de estudio de la universidad y el aprovechamiento del alumno se hacía una buena inserción laboral o si existían otras variables que participaban en el proceso. Dentro de la información considerada estaba el sexo, la edad, la escuela de procedencia, el desempeño académico, la zona económica donde tenía su vivienda y la actividad profesional, entre otras variables. Mediante la aplicación de conjuntos aproximados se descubrió que existían cuatro variables que determinaban la adecuada inserción laboral, que son citadas de acuerdo con su importancia: zona económica donde habitaba el estudiante, colegio de donde provenía, nota al ingresar y promedio final al salir de la carrera. A partir de estos resultados, la universidad tendrá que hacer un estudio socioeconómico sobre grupos de alumnos que pertenecían a las clases económicas bajas para dar posibles soluciones, debido a que tres de las cuatro variables no dependían de la universidad. (vallejos, 2006)

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

6.

POSIBLES PROYECTOS

La minería de datos puede ser utilizada para desarrollar mecanismos para tomar medidas frente a los políticos corruptos que roban el presupuesto de Colombia.

Se podría aplicar minería de datos analizado los momentos donde se encuentra mayores ventas con respecto a las de menores, así tener ofertas y promociones en estos horarios con el fin de aumentar las ganancias de la empresa. También podríamos mirar que productos se venden con mayor regularidad, mirar la tendencia de compra de los clientes en determinados meses del año para maximizar ganancias y mejorar ingresos.

Detección de transacciones de blanqueo de dinero o de fraude en el uso de tarjetas de crédito o de servicios de telefonía móvil e, incluso, en la relación de los contribuyentes con el fisco. Generalmente, estas operaciones fraudulentas o ilegales suelen seguir patrones característicos que permiten, con cierto grado de probabilidad, distinguirlas de las legítimas y desarrollar así mecanismos para tomar medidas rápidas frente a ellas.

Recursos humanos en la identificación de las características de sus empleados de mayor éxito. La información obtenida puede ayudar a la contratación de personal, centrándose en los esfuerzos de sus empleados y los resultados obtenidos por éstos. Además, la ayuda ofrecida por las aplicaciones para dirección estratégica en una empresa se traducen en la obtención de ventajas a nivel corporativo, tales como mejorar el margen de beneficios o compartir objetivos; y en la mejora de las decisiones operativas, tales como desarrollo de planes de producción o gestión de mano de obra. (Wikipedia)

Proyecto: Planeación estratégica para la selección de profesionales de Ingeniería de Sistemas y Computación para la Universidad del Quindío La minería de datos puede contribuir significativamente en las aplicaciones de administración empresarial basada en la relación con el cliente. En lugar de contactar con el cliente de forma indiscriminada a través

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A. de un centro de llamadas o enviando cartas, sólo se contactará con aquellos que se perciba que tienen una mayor probabilidad de responder positivamente a una determinada oferta o promoción.

Por lo general, las empresas que emplean minería de datos ven rápidamente el retorno de la inversión, pero también reconocen que el número de modelos predictivos desarrollados puede crecer muy rápidamente.

En lugar de crear modelos para predecir qué clientes pueden cambiar, la empresa podría construir modelos separados para cada región y/o para cada tipo de cliente. También puede querer determinar qué clientes van a ser rentables durante una ventana de tiempo (una quincena, un mes, ...) y sólo enviar las ofertas a las personas que es probable que sean rentables. Para mantener esta cantidad de modelos, es necesario gestionar las versiones de cada modelo y pasar a una minería de datos lo más automatizada posible. (Wikipedia)

Proyecto: Creación de un centro de investigaciones que optimicen los procesos de regulación y control del área de cómputo de la Universidad del Quindío.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

CONCLUSIONES La Minería de Datos:

Es un proceso inductivo.

Usa los datos para descubrir patrones hipotéticos.

Es una técnica que proporciona información útil para redefinir los objetivos globales de un negocio.

Tiene como objetivo analizar datos para extraer conocimientos. Este conocimiento puede ser en forma de relaciones, patrones o reglas inferidos de datos desconocidos, o bien en forma de una descripción más concreta.

Ahorra grandes cantidades de dinero a una empresa y abre nuevas oportunidades de negocio.

Contribuye a la toma de decisiones táctica y estratégica.

Proporciona poder de decisión a los usuarios de negocio y es capaz de medir las acciones y resultados de una mejor forma.

Genera modelos descriptivos: permite a empresas explorar y comprender los datos e identificar patrones, relaciones y dependencias que impactan en los resultados finales.

Genera modelos predictivos: permite que relaciones no descubiertas a través de la Minería de Datos sean expresadas como reglas de negocio.

Universidad del Quindío Facultad de Ingeniería Programa Ingeniería de Sistemas y Computación Actividad Académica: Base de Datos Profesor: Jorge Iván Triviño A.

BIBLIOGRAFIA Daedalus. (s.f.). Recuperado el 22 de 05 de 2011, de http://www.daedalus.es/que-tecnologiasnos-diferencian/inteligencia-de-negocio/mineria-de-datos.html Gloria. (25 de 06 de 2010). youTube. Recuperado el 22 de 05 de 2011, de http://www.youtube.com/watch?v=S0i6R94Piys Maria isabel Angeles Larrieta, A. m. (s.f.). Mineria de datos: Concepto, Características, estructura y aplicaciones.

Recuperado el 21 de Mayo de 2011, de http://www.ejournal.unam.mx/rca/190/RCA19007.pdf Mineria de Datos. (s.f.). Recuperado el 22 http://www.fortunecity.es/imaginapoder/apunte/434/mineria.htm

de

05

de

2011,

de

Moreno, G. (s.f.). Gimena Moreno. Recuperado el 22 de 05 de 2011, de REDES NEURONALES Nacional, E. P. (25 de 06 de 2010). YouTube. Recuperado el 22 de 05 de 2011, de http://www.youtube.com/watch?v=LgJmiVAw1DM&feature=related vallejos, S. J. (2006). Mineria de Datos. Recuperado el 21 de Mayo de 2011, de http://exa.unne.edu.ar/depar/areas/informatica/SistemasOperativos/Mineria_Datos_Vallejos.pdf Wikipedia. (s.f.). Wikipedia. Recuperado el http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

22

de

05

de

2010,

de