Changing the way you learn

ARQUITECTURA DE UNA BD INTELIGENTE

FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL
1. La IA Busca la explicacion de diversas clases de inteligencia atravez de la represenatacion del conocmimiento
2. El objetivo de la IA es resolver problemas reales utilizando representando y utilizando el conocimiento
3. La computacion requiere: Una representacion de cierta entidad y Un proceso para su manipulacion
4. Trata de producir o emular inteligencia a travez de la computadora
SISTEMAS BASADOS EN CONOCIMIENTOS
1. Son utiles en función de la validez de su conocimiento
2. El conocimiento se obtiene del metodo deductivo
  1. Es fundamental el metodo inductivo para formular la hipotesis, a partir de:
    1. Las observaciones
    2. Conocimientos Previos
    3. Intuicion del Investigador
3. Existe una correlación entre Utilidad y Validez de conocimiento
MINERIA DE DATOS
1. Surgio de los sist. de aprendizaje inductivo en BD
2. Es una herramienta para analizar datos a gran escala. Y se denomina :
  1. KNOWLEDGE DISCOVERY IN DATABASE (DESCUBRIMIENTO DEL CONOCIMIENTO EN ALMACENES DE DATOS) que incluye:
    1. Análisis inteligente de los datos con minería de datos
    2. Filtrado y Preprocesado(regular la complejidad)
    3. Interpretación del conocimiento
    4. Validación del conocimiento extraido
    5. Es un proceso global de búsqueda de nuevo conocimiento a partir de datos de una BD
      1. Incluye minería de datos y diversos pasos previos para regular la complejidad y posteriores para su interpretación
3. KNOWLEDGE DISCOVERY IN DATABASE & MINERIA DE DATOS
  1. Incluyen TECNOLOGIAS como:
    1. Mercaderias
      1. Sistemas de soporte analitico para planificar y administrar categorias, asi como optimizar sus ventas y regular los niveles de inventario.
    2. Capital Humano
      1. Tecnicas para evaluar y cuantificar el desempeño del personal en distintos departamentos del negocio.
    3. Sistemas de Planeacion
      1. Motores para generar escenarios y reglas de negocio en base a datos historicos.
    4. Big Data
      1. Almacenamientos masivo de informacion para soportar sistemas de toma de decisiones.
    5. Forescasting
      1. Metodos para pronosticas el futuro, uilizando datos historicos y algoritmos predicitivos.
    6. Planogramacion
      1. Sistemas y metodos para automatizar el acomodo de categorias en el anaquel.
    7. Datamining
      1. Algoritmos matematicos que se ejecutan automaticamente para predecir comportamientos, localizar patrones ocultos y descubir oportunidades en la informacion.
  2. La Minería de datos (técnicas ) lo usan estadísticos, analistas de datos y la comunidad de sistemas de gestión de información
  3. El KDD se usa en inteligencia artificial y aprendizaje de ordenadores (proceso de búsqueda)
4. PROCESO DE LA MINERIA DE DATOS
  1. Muestreo y Seleccion
  2. Limpieza de Datos
  3. Transformacion de Datos
  4. Reportes y Visualizacion
  5. Modelado
5. TAREAS Y MODELADO BASICO DE LOS DATOS
  1. Clasificacion
    1. Categorizar objetos, examinar sus características y asignarlos a un conjunto de clases
  2. Estimacion
    1. Obtener un valor continuo
  3. Prediccion
    1. Clasificar datos de acuerdo a un comportamiento futuro
  4. Agrupacion por afinidad
  5. Agrupamiento (Clustering)
    1. Segmentar una base heterogénea en varios grupos (clusters) homogéneos, sin que existan clases predefinidas
  6. Descripcion
    1. Explicación de lo que sucede en la B.D
  7. TECNICAS PARA LLEVAR ACABO SUS TAREAS BASICAS
    1. Arbol de deciciones y reglas de induccion
    2. Analisis de enlace
    3. Deteccion de agrupamiento
    4. Analisis de la cesta de compra
    5. Razonamiento basado en memoria
6. CLASIFICACION O ENFOQUE DE LOS ALGORITMOS
  1. Algoritmos
    1. Exploracion
      1. Asociaciones
        Detecta eventos que ocurren de manera simultánea se usan por ejemplo las reglas de asociación
      2. Dependencias
        Una dependencia funcional es un patrón en el que se establece que uno a más atributos determinan el valor de otro.
        Se puede utilizar redes bayesianas, redes causales.
    2. Prediccion
      1. Clasificacion
        La meta es inducir un modelo para predecir una clase , dados los valores de los artributos
        Se usan arboles de decisión, reglas, análisis de discriminantes, etc.
      2. Estimacion o Regresion
        La meta es inducir un modelo para poder predecir el valor de la clase dados los valores de los atributos
        Se usan árboles de regresión lineal, redes neuronales, maquinas de vectores, etc.
    3. Descripcion
      1. Técnica es usada para análisis preliminar de los datos
        Describir un comportamiento en una base de datos compleja para aumentar el conocimiento y entendimiento sobre gente, productos, procesosetc
    4. Segmentacion
      1. Es la Separación de los datos en subgrupos o clases interesantes
        Se usan algoritmos de Clustering: SOM y EM
    5. Técnica es usada para análisis preliminar de los datos
7. Su principal OBJETIVO es permitir al usuario:
  1. Manipular el contenido de su DataWarehousede manera transparente
  2. Interrelacionar información proveniente de diversas fuentes, usando medios diversos
  3. Extraer conocimientos a partir del analisis del contenidod de sus datos.
  4. Facilitar la recuperación y visualización de la información usando conocimientos y haciendo inferencias
YOLANDA SIAS
1. BD ESPECIALIZADA
PROCESAMIENTO DE UN BD EN UNA BDI
1. Una BDI, deberá ser capaz de deducir hechos a partir de la BD aplicando axiomas deductivos o reglas de inferencia a esos hechos

Next up

ARQUITECTURA DE UNA BD INTELIGENTE

Description

Resource summary

Media attachments

Similar

	Created by Yolanda Eloisa S over 9 years ago