Índice general. Prefacio...5

Transcripción

1 Índice general Prefacio...5 Capítulo 1 Introducción Introducción Los datos Etapas en los procesos de big data Minería de datos Estructura de un proyecto de análisis de datos Aplicaciones Marketing Compañías de seguros Banca Telecomunicaciones Medicina Industria farmacéutica Biología Minería de textos Minería de datos web Redes sociales Modelos y tareas Tareas descriptivas Agrupamiento Correlaciones y factorizaciones Reglas de asociación Dependencias funcionales Tareas predictivas Clasificación Clasificación suave Categorización Preferencias o priorización Regresión Métodos y técnicas Técnicas algebraicas y estadísticas Técnicas bayesianas Técnicas basadas en conteos de frecuencias y tablas de contingencia

2 1.8.4 Técnicas basadas en árboles de decisión y sistemas de aprendizaje de reglas Técnicas relacionales, declarativas y estructurales Técnicas basadas en redes neuronales artificiales Técnicas basadas en núcleo y máquinas de soporte vectorial Técnicas estocásticas y difusas Técnicas basadas en casos, en densidad o distancia...38 Capítulo 2 Análisis estadístico de datos Introducción Análisis de una variable. Estadística descriptiva e inferencia Estadísticos de variable continua Histograma Estadísticos de variables nominales Contrastes de hipótesis Distribuciones de probabilidad Distribución normal Inferencia Evaluación de hipótesis Análisis de relaciones entre variables. Evaluación de hipótesis Relación entre variables nominales-nominales Relaciones numéricas-nominales Comparación de dos medias Análisis de la varianza Relaciones numéricas-numéricas...61 Capítulo 3 Introducción al lenguaje R. Lectura, procesado y visualización de datos: data wrangling Carga y transformaciones de datos Estructura básica de datos Lectura de fichero

3 3.2 Estadística descriptiva Variables categóricas Correlación Visualización Test de hipótesis Representación de datos Capítulo 4 Predicción y clasificación con técnicas numéricas Técnicas numéricas de predicción Regresión lineal Regresión lineal simple Regresión lineal múltiple Regresión lineal ponderada localmente Atributos nominales Evaluación del modelo de regresión Error de regresión y selección de variables Regresión no lineal Transformaciones sencillas Otras transformaciones Ejemplos de regresión lineal Técnicas numéricas de clasificación Clasificación mediante regresión lineal Clasificación mediante regresión logística Clasificación bayesiana Clasificación bayesiana de atributos numéricos Clasificación bayesiana con atributos nominales Ejemplos de clasificación bayesiana Capítulo 5 Predicción y clasificación con R Regresión Regresión lineal Selección de atributos Regresión no lineal Regresión de atributos no continuos Modelos lineales generalizados

4 5.2 Algoritmos de clasificación Detección de valores atípicos LDA, Linear Discriminant Analysis Clasificadores probabilísticos Naive bayesiano Redes bayesianas Capítulo 6 Técnicas de minería de datos Técnicas de minería de datos Clustering Clustering numérico (k-medias) Clustering conceptual (COBWEB) Clustering probabilístico (EM) Reglas de asociación Predicción numérica Predicción no lineal con árboles de regresión Estimador de núcleos Aplicación a problemas multivariantes Aplicación a problemas de clasificación Clasificación Tabla de decisión Árboles de decisión Reglas de clasificación Clasificación bayesiana Aprendizaje basado en ejemplares Algoritmo de los k-vecinos más próximos Algoritmo k-estrella Probabilidad de transformación para los atributos permitidos Combinación de atributos Selección de los parámetros aleatorios Clasificación de un ejemplo Máquinas de vectores de soporte (SVM) SVM lineal SVM lineal de margen blando (soft margin) SVM no lineal. Funciones kernel Clasificación multiclase Redes de neuronas Estructura de las redes de neuronas Proceso de entrenamiento (retropropagación) Lógica borrosa (fuzzy logic) Técnicas genéticas: algoritmos genéticos (genetic algorithms)

5 Capítulo 7 Técnicas de minería de datos en R Agrupamiento. Clustering Agrupamiento jerárquico Número óptimo de agrupaciones Agrupamiento por particionamiento Agrupamiento basado en modelos Agrupamiento borroso (fuzzy) Otras técnicas de agrupamiento Representación y análisis de las clases Validación de resultados Clasificación Selección de atributos Reducción de la dimensionalidad Árboles de decisión RPART (Recursive Partitioning and Regression Trees) Árboles de inferencia condicional, CTREE C Metaalgoritmos AdaBoost (ADAptative BOOSTing) GBM (Gradient Boosting Machine) Random forest SVM, máquinas de vectores de soporte K vecinos próximos. k-nn (k-nearest Neighbors) Redes de neuronas artificiales Capítulo 8 Internet de las cosas y análisis de series temporales Internet de las cosas Thinger.io IoT Hardware Configuración de la plataforma Software del dispositivo Visualización y exportación de la información Series temporales Predicción con series temporales Predicción lineal (autorregresión) Error de predicción Predicción no lineal Análisis y descomposición de series Tendencia y estacionariedad Modelos ARMA/ARIMA

6 8.4 Análisis de series con R Componentes de la serie temporal Modelos de predicción Detección de anomalías Capítulo 9 Análisis de datos espaciales Introducción Datos de tipo espacial Latitud, longitud La clase de datos Spatial en RStudio Datos Tipos de datos Creación de objetos SpatialPoints Creación de objetos SpatialGrid Visualización de datos espaciales Análisis estadístico (interpolación) Análisis exploratorio de datos Crear grid Ávila-Madrid Interpolación IDW (Inverse Distance Weighted) Presentación de resultados IDW Correlación espacial (variograma) Selección modelo de variograma Presentación de resultados Bibliografía