Marca: Ra-Ma Editorial, S.A.

Tienda: Agapea.com

Disponibilidad: En almacén, envío inmediato.

DATA MINING. SOLUCIONES CON ENTERPRISE MINER. INCLUYE CD-ROM.. La finalidad de este libro es presentar los temas de minería de datos con un enfoque eminentemente práctico. El contenido de cada capítulo comienza exponiendo los conceptos adecuados, ilustrándolos a continuación con ejemplos prácticos resueltos con Enterprise Miner, lo que constituye un valor añadido esencial de este texto. Tras la presentación del concepto de Data Mining y la descripción del entorno de Enterprise Miner para la resolución de problemas prácticos, se detallan las distintas técnicas de minería de datos. Inicialmente se aborda la selección de datos y muestras, la exploración y análisis interactivo de datos y su depuración y modificación. Todo ello dentro del entorno de la aplicación más completa que hay en el mercado del software. A medida que avanza el contenido del libro se tratan técnicas específicas de Data Mining, como son el clustering, los modelos, los árboles de decisión, las redes neuronales, las técnicas de predicción, de reducción de la dimensión y de clasificación. Cada una de estas técnicas se ilustra con un ejemplo práctico y, al final de cada capítulo, se presentan ejemplos completos resueltos con Enterprise Miner. La interactividad de los ejemplos permite al lector ejecutarlos sobre la marcha basándose en los archivos contenidos en el CD-ROM que acompaña al libro. Introducción Capítulo 1. El concepto de Data Mining Introducción Una definición de Data Mining El proceso de Data Mining Selección de objetivos La preparación de los datos Tipos de problemas de Data Mining y enfoques para su resolución Problemas descriptivos Problemas predictivos Técnicas de Data Mining El éxito de un proyecto de Data Mining: consideraciones finales Capítulo 2. El entorno de Enterprise Miner. La herramienta Enterprise Miner Preparación de los datos Abrir Enterprise Miner Navegador del Proyecto Conjunto de herramientas de análisis de SAS Enterprise Miner Zona de trabajo Barra de Herramientas Menú principal de aplicaciones File Edit View Options Actions Help Comenzar un proyecto nuevo Acerca de los dato y los nodos Capítulo 3. Selección de datos y muestras. Exploración El nodo de datos (Input Data Source Node) Conexión de nodos en un diagrama activo El nodo de muestreo (Sampling Node) El nodo partición de datos (Data Partition Node) Nodo explorador de distribuciones (Distribution Explorer Node) Nodo multigráficos (Multiplot node) Nodo de exploración de patrones (Insight Node) Nodo de asociaciones (Association Node) Node de selección de variables (Variable Selection Node) Nodo de análisis de relaciones (Link Analisis Exp. Node) Visor de resultados Capítulo 4. Exploración y análisis interactivo de datos. El nodo Insight El node de análisis interactivo (Insight) Introducción de datos Edición de datos Presentación de ventanas Trabajo con variables Búsqueda y selección de datos Análisis de datos Análisis univariante y bivariante Análisis de la distribución de una variable Ajustar Modelos (Fit YX) Análisis Multivariante (Multivariate) Capítulo 5. Depuración y modificación de datos Nodo de asignación de atributos (Data Set Attributes Node) Nodo de transformación de variables (Transform Variables Node) Nodo de filtro de datos (Filter Outliers Node) Nodo de reemplazo (Replacement Node) Imputación de la información faltante Resultados Nodo para series temporales (Time Series Node, Exp.) Trabajo con el nodo de series temporales Visor de resultados Capítulo 6. Análisis cluster Métodos descriptivos: Técnicas del análisis de interdependencia Análisis en componentes principales Análisis factorial Análisis de correspondencias Escalamiento multidimensional Análisis de conglomerados (análisis cluster) Nodo de Enterprise Miner para el análisis cluster (Clustering Node) Trabajando con el nodo de Análisis Cluster Visor de resultados Ejemplo de Clustering Capítulo 7. Modelos: regresión múltiple y logística Métodos explicativos: Técnicas del análisis de la dependencia Regresión múltiple Análisis canónico (correlación canónica) Análisis discriminante Modelos de elección discreta Modelo ANOVA (Análisis de la varianza simple) Modelo ANCOVA (Análisis de la covarianza simple) Modelo MANOVA (Análisis de la varianza múltipe) Modelo MANCOVA (Análisis de la covarianza múltiple) Regresión múltiple y modelos de elección discreta con variables ficticias Nodo de regresión de Enterprise Miner Especificación del modelo Resultados de la regresión Model Manager Ejemplo de regresión múltiple Resultados Ejemplo de regresión logística Capítulo 8. árboles de decisión Extracción de reglas mediante árboles de decisión Conceptos previos Metodología de construcción de reglas del algoritmo del nodo Tree de Enterprise Miner CRT (Classification and Regression Trees) C4.5 y C5.0 Nodo de árboles de decisión (Tree Node) Opciones para los árboles de decisión Elementos de los árboles de decisión El visor de resultados del nodo de árboles de decisión Entrenamiento interactivo (Interactive Training) Ejemplo de árbol de decisión Capítulo 9. Redes Neuronales Introducción a las redes neuronales Las Redes Neuronales Biológicas Las Redes Neuronales Artificiales Un poco de historia Características generales de las RNAs Una clasificación de las RNAs El aprendizaje del MLP: el algoritmo Backpropagation Principales ventajas y desventajas de las RNAs Nodo de Redes Neuronales Artifíciales (Neural Network Node) Trabajo con el nodo de redes neuronales Ejecución del nodo de redes neuronales Visor de resultados Ejemplo de red nueronal Capítulo 10. Redes neuronales y componentes principales. Modelos de usuario Nodo de análisis de componentes principales para uso individual o en redes neuronales (PRINCOMP/DMNEURAL Node) Funciones de activación Trabajo con el nodo PRINCOMP/DMNEURAL Ejecución del nodo PRINCOMP/DMNEURAL Resultados del nodo PRINCOMP/DMNEURAL Nodo de modelo creado por el usuario (User Defined Node) Trabajo