Grupo de investigación en Bases de Datos y Sistemas de Información Inteligentes

1. Grupo de investigación en Bases de Datos y Sistemas de Información Inteligentes Departamento de Ciencias de la Computación e Inteligencia Artificial ETS Ingeniería Informática - Universidad de Granada

2. Entorno integrado de “minería de datos” desarrollado en Java. JDBC da acceso prácticamente a cualquier base de datos existente en el mercado. TMinerData Mining en Java

3. TMinerInterfaz Windows Los “trabajadores del conocimiento” pueden analizar sus propios datos utilizando un interfaz estándar de tipo WIMP...

4. Como applet... ... y como aplicación web TMinerInterfaz Web

5. TMinerSistema de ayuda en línea TMiner ofrece unainterfaz bilingüe(español e inglés) con un sistema de ayuda en líneaen formato HTML

6. TMinerSelección de los datos

7. TMinerSelección de los datos Mediante el controlador JDBC adecuado se accede a la base de datos…

8. TMinerSelección de los datos Con TMiner podemos analizar cualquiera de los conjuntos de datosde la base de datos

9. TMinerEl conjunto de datos

10. TMinerEl conjunto de datos Una vez seleccionado el conjunto de datos, podemos empezar a trabajar con él

11. TMinerEl conjunto de datos TMinerpermite realizarconsultas SQL

12. TMinerEl conjunto de datos Importar datos desde ficheros…

13. TMinerEl conjunto de datos … o exportar los datos de la base de datos

14. TMinerPreparación de los datos

15. TMinerPreparación de los datos Una vez seleccionado el conjunto de datos, podemos aplicar distintas técnicas de Data Mining

16. TMinerPreparación de los datos En primer lugar, seleccionamos las columnas del conjunto de datos con las que vamos a trabajar

17. TMinerPreparación de los datos A continuación, agrupamos los valores de cada atributo en función de cómo queramos interpretarlos

18. TMinerPreparación de los datos Cuando los atributos son de tipo numérico, podemos utilizar distintas técnicas de discretización

19. TMinerPreparación de los datos Incluso se pueden asignar etiquetas descriptivasa los conjuntos en que agrupamos los valores de los atributos

20. TMinerTécnicas de Data Mining

21. TMinerTécnicas de Data Mining Ya sólo nos quedaelegir qué algoritmos utilizar, indicar valores adecuadospara sus parámetros y esperar a ver los resultados que se obtienen…

22. TMinerTécnicas de Data Mining

23. TMinerÁrboles de decisión AlgoritmosID3, C4.5 …

24. TMinerListas de decisión Metodología STAR: Algoritmos AQ y CN2

25. TMinerReglas de asociación Algoritmos Apriori y TBAR

26. TMinerReglas de asociación Clasificacióncon reglas de asociación

27. TMinerAnálizador Numérico

28. Analizador Numérico Técnicas de clasificación y agrupamiento El Analizador Numérico es la parte de TMiner encargada de trabajar con números

29. Analizador Numérico Técnicas de clasificación y agrupamiento Incluye técnicas de edición y condensado de datos, distintos métodos de construcción de clasificadores y múltiples algoritmos de agrupamiento

30. Analizador Numérico Técnicas de clasificación y agrupamiento Visualización de conjuntos de datos, estadísticas y distribuciones de clases

31. Analizador Numérico Técnicas de clasificación y agrupamiento Estadísticas por clases

32. Analizador Numérico Técnicas de clasificación y agrupamiento

33. Analizador Numérico Técnicas de clasificación y agrupamiento Clasificadores paramétricos (lineales y cuadráticos)

34. Analizador Numérico Técnicas de clasificación y agrupamiento Clasificadores no paramétricos: k-NN

35. Analizador Numérico Técnicas de clasificación y agrupamiento Aprendizaje adaptativo: LVQ y DSM

36. Analizador Numérico Técnicas de clasificación y agrupamiento Métodos de agrupamiento: K-MEANS, GRASP, ISODATA…

37. Más información... Fernando Berzal Galiano fberzal@decsai.ugr.es Juan Carlos Cubero Talavera jc.cubero@decsai.ugr.es