PDF de programación - Minería de Datos

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MÉTODOS DE INVESTIGACIÓN
NO CONVENCIONALES
BASADOS EN LA INTELIGENCIA ARTIFICIAL

MINERÍA DE DATOS

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

1

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 La revolución digital ha permitido que la captura

de datos sea fácil, y su almacenamiento tenga un
costo muy reducido.

 Enormes cantidades de datos son recogidas y

almacenadas en bases de datos en la vida diaria.

 Resultado: Para analizar estas enormes

cantidades de datos, las herramientas
tradicionales de gestión de datos y las
herramientas estadísticas no son adecuadas.

MINERÍA DE DATOS

 Los datos por sí solos no producen beneficio
directo. Su verdadero valor consiste en poder
extraer información útil para la toma de
decisiones.

 Tradicionalmente se analizaban datos con la
ayuda de técnicas estadísticas (resumiendo y
generando informes) o validando modelos
sugeridos manualmente por los expertos.

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

2

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Datos: hechos o medidas que describen

características de objetos, eventos o
personas, es la materia prima de la que se
obtendrá la información.

 Información: Datos analizados y

presentados en forma adecuada, de
interés para un observador en un momento
determinado.

 Conocimiento: información procesada

para emitir juicios que llevan a
conclusiones.

 Meta Conocimiento: Reglas que permiten

obtener conocimiento.

MINERÍA DE DATOS

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

3

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Minería de datos es un proceso no trivial

de exploración y análisis de grandes
cantidades de datos con el objeto de
encontrar patrones y reglas significativas
(conocimiento)

Normalmente, estos patrones no se pueden

detectar mediante la exploración tradicional de los
datos porque las relaciones son demasiado
complejas o porque hay demasiado datos.

MINERÍA DE DATOS

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

4

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

MINERÍA DE DATOS

 Aplicaciones o problemas de minería

de datos pueden clasificarse en las
siguientes categorías:
Clasificación
Estimación
Pronóstico
Asociación
Agrupación o segmentación

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

5

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Clasificación:

Examinar las características de un nuevo

objeto y asignarle una clase o categoría
de acuerdo a un conjunto de tales objetos
previamente definido

Ejemplos:

Clasificar aplicaciones a crédito como bajo,
medio y alto riesgo
Detectar reclamos fraudulentos de seguros

MINERÍA DE DATOS

 Estimación:

Relacionado con clasificación

Mientras clasificación asigna un valor
discreto, estimación produce un valor
continuo
Ejemplos:

Estimar el precio de una vivienda
Estimar el ingreso total de una familia

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

6

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Pronóstico:

Predecir un valor futuro con base a

valores pasados

Ejemplos:

Predecir cuánto efectivo requerirá un cajero
automático en un fin de semana

MINERÍA DE DATOS

 Asociación:

Determinar cosas u objetos que van

juntos

Ejemplo:

Determinar que productos se adquieren
conjuntamente en un supermercado

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

7

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Agrupación o segmentación:

Dividir una población en un número de

grupos más homogéneos

No depende de clases pre-definidas a

diferencia de clasificación

Ejemplo:

Dividir la base de clientes de acuerdo con
los hábitos de consumo

MINERÍA DE DATOS

Un proceso típico de minería de datos consta de los

siguientes pasos generales:

1. Selección del conjunto de datos.
2. Análisis de las propiedades de los datos.
3. Transformación del conjunto de datos de

entrada.

4. Seleccionar y aplicar la técnica de minería de
datos, se construye el modelo de predicción, de
clasificación o segmentación.

5. Evaluar los resultados contrastándolos con un
conjunto de datos previamente reservado para
validar la generalidad del modelo.

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

8

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

MINERÍA DE DATOS

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

9

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

Según el objetivo del análisis de los datos, los

algoritmos utilizados se clasifican en
supervisados y no supervisados:

 Algoritmos supervisados (o predictivos): predicen

un dato (o un conjunto de ellos) desconocido a
priori, a partir de otros conocidos.

 Algoritmos no supervisados (o del descubrimiento

del conocimiento): se descubren patrones y
tendencias en los datos.

MINERÍA DE DATOS

 Aprendizaje automático:

Objetivo: desarrollar método computacionales
que implementan varias formas de aprendizaje

Aplicación: problemas que carecen de

solución algorítmica eficiente, son vagamente
definidos o informalmente especificados

Ejemplos: diagnóstico médico, reconocimiento

de patrones y detección de regularidades en
enormes cantidades de datos

Algoritmos: árboles de decisión, redes
neuronales, aprendizaje probabilístico y
bayesiano, máquinas de soporte vectorial …

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

10

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Reconocimiento de patrones:

 Objetivo: estudiar el desarrollo y aplicación de sistemas

complejos basados en técnicas "blandas" (redes
neuronales, lógica borrosa, algoritmos evolutivos, etc.)
para la clasificación adaptable de patrones, en una doble
vertiente de reconocimiento y de focalización
(conocimiento contextual)

 Aplicación: problemas de los que no se dispone de un

modelo matemático, o el modelo es demasiado complejo,
o las propiedades estadísticas de los datos son muy
variables

 Ejemplos: patrones visuales basados en imágenes

aéreas o satelitales, clasificación y diagnóstico,
problemas relacionados en el campo del control, etc

MINERÍA DE DATOS

 Soft computing:

 Técnicas empleadas para solucionar problemas que
manejan información incompleta, con incertidumbre e
inexacta.
Redes neuronales
sistemas difusos
Computación bio-inspirada:

– Algoritmos evolutivos
– Optimización de colonias de hormigas
– Inteligencia de enjambre

Ideas sobre probabilidad:

– Redes bayesianas

Teoría del Caos

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

11

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

MINERÍA DE DATOS

 Métodos estadísticos:

 Técnica tradicional en el tratamiento de grandes

volúmenes de datos.

 Existen varios modelos:

ANOVA (Análisis de Varianza). Contrasta con variables

Chi cuadrado. Contrasta con la independencia de variables.
Componentes principales. Permite reducir el número de

continuas.

variables.

Análisis de clústers. Permite clasificar poblaciones.
Análisis de discrimante. Permite encontrar reglas de

clasificación de elementos en grupos.

Regresión lineal. Se identifica una variable dependiente de las

independientes, con una relación lineal.

Regresión logística. Trabaja con variables discretas, se requiere

que las variables sean lineales.

REDES NEURONALES

Prof. Víctor Yepes Piqueras, Ph.D. [email protected]
Universitat Politècnica de València (España)

12

Métodos de investigación no convencionales
basados en la inteligencia artificial

Pontificia Universidad Católica de Chile
Santiago de Chile, octubre de 2013

REDES NEURONALES

REDES NEURONALES

 El cerebro humano presenta algunas

características muy interesantes:
 Es robusto y tolerante a fallos, diariamente
mueren neuronas sin afectar su rendimiento.
 Es flexible, se ajusta a nuevos ambientes por

medio de un proceso de aprendizaje, no h