No hay comentarios.

CURSO: MINERIA DE DATOS E INTELIGENCIA DE NEGOCIOS
TRADUCCION: DATA MINING AND BUSINESS INTELLIGENCE
SIGLA: EYP2427
CREDITOS: 10
MODULOS: 03 (02 CATEDRA, 01 AYUDANTIA)
CARACTER: OPTATIVO
TIPO: CATEDRA
CALIFICACION: ESTANDAR
DISCIPLINA: ESTADISTICA
PALABRAS CLAVE: MINERIA DE DATOS, INTELIGENCIA DE NEGOCIOS


I. DESCRIPCIÓN DEL CURSO

El curso entrega conocimientos teoricos y practicos de metodos, algoritmos y conceptos fundamentales de data mining para la solucion de problemas de inteligencia de negocios. Se ilustran los diversos metodos en problemas reales de negocio, enfatizando la interpretacion de resultados y la correcta presentacion de los hallazgos a un comite de negocios.


II. OBJETIVOS DE APRENDIZAJE

1. Conocer las distintas metodologias usadas en Inteligencia de Negocios
2. Identificar contextos en los cuales data mining puede ser usado para resolver problemas de Inteligencia.
3. Implementar tecnicas de explotacion de informacion en bases de datos provenientes de aplicaciones reales.
4. Analizar las ventajas y desventajas de los metodos de exploracion, reduccion, clasificacion y prediccion.
5. Interpretar los resultados de un proyecto de Inteligencia de Negocios.
6. Presentar los resultados de forma efectiva.


II. CONTENIDOS

1. Introduccion:
1.1. Definiciones y Conceptos basicos
1.2. Aplicaciones

2. Metodologias para analisis de datos: Exploracion y Pre procesamiento de Datos
2.1. Proceso Knowledge Discovery from Data (KDD)
2.2. Exploracion de Datos
2.3. Tipos de Transformaciones
2.4. Reduccion de Dimensionalidad

3. Algoritmos y Metodos:
3.1. Regresion Logistica: Introduccion y Supuestos; Seleccion y Reduccion de Variables; Estimacion de la Ecuacion; Prediccion, Validacion e Interpretacion; Casos.
3.2. Analisis de Conglomerados: Introduccion y Concepto de Distancia (Objetos y Grupos); Metodos Jerarquicos, Tipos de Enlaces; Metodos no Jerarquicos, K?Medias; Validacion e Interpretacion de la Solucion; Casos.
3.3. Arboles de decision: Introduccion y Algoritmos; Estructura y Construccion del Arbol; Medidas de Ajuste. Entropia y Pureza; Validacion y Seleccion del Arbol optimo.
3.4. Reglas de Asociacion: Introduccion y Medidas de Validacion; Algoritmo A priori; Interpretacion y Significancia de Resultados; Casos.


III. METODOLOGIA PARA EL APRENDIZAJE

- Clases Teoricas
- Laboratorios
- Proyecto de Investigacion


IV. EVALUACION DEL APRENDIZAJE
- Pruebas escritas
- Informes
- Presentacion oral de proyecto


V. BIBLIOGRAFIA

Berry Michael J. A. (2004) Data mining techniques: for marketing, sales, and customer relationship management. 2nd edition. Wiley.

Han Jiawei, Kamber Micheline (2011) Data mining: concepts and techniques. Morgan Kaufmann.

Hastie, T., Tibshirani, R., Friedman, J. H. (2009) The elements of statistical learning. Springer.

Witten, I. H. (1999) Data mining: practical machine learning tools and techniques. Morgan Kaufmann.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE MATEMATICAS / NOVIEMBRE 2017