Please enable JavaScript.

Coggle requires JavaScript to display documents.

Minería de Datos, Nombre: Jefferzon Maniay, Blibliografía, Clavijo, A.…

- - - - Década de 1980
        
        Década de 1990
        
        Década de 2000
        
        Década de 2010
        
        Años recientes
        
        Se aplican técnicas de minería de datos en diversas industrias y se exploran nuevas aplicaciones, como la inteligencia artificial en la salud y el análisis de big data.
        
        Se produce una explosión en la cantidad y variedad de datos disponibles, gracias al auge de Internet y las redes sociales. Se enfatiza la importancia de la privacidad y la ética en la minería de datos.
        
        La minería de datos se populariza ampliamente y se convierte en una disciplina de investigación y aplicación ampliamente aceptada. Se desarrollan algoritmos más sofisticados, como las máquinas de vectores de soporte (SVM) y las redes neuronales.
        
        Con la creciente disponibilidad de datos y el avance de la informática, se acuña el término "minería de datos". Se establecen conferencias y revistas dedicadas a la disciplina.
        
        Se formulan métodos para el procesamiento de datos masivos y la extracción de conocimiento. Se desarrollan algoritmos de clasificación y agrupamiento.
      - Se introducen los primeros algoritmos de aprendizaje automático, como el algoritmo ID3 para árboles de decisión, creado por J. Ross Quinlan.
- - - - Minería de datos de asociación: También conocida como reglas de asociación, se utiliza para descubrir relaciones de asociación entre diferentes elementos en grandes conjuntos de datos. Identifica patrones de co-ocurrencia y dependencia, como "A menudo ocurre junto con B". Este tipo de minería de datos es ampliamente utilizado en el análisis de mercado y en la recomendación de productos.
        
        Minería de datos de secuencia: Se enfoca en descubrir patrones y estructuras secuenciales en los datos, especialmente en conjuntos de datos temporales o basados en secuencias. Se utiliza en áreas como el análisis de comportamiento del consumidor, el análisis de clics en la web y la predicción de secuencias futuras.
        
        Minería de datos espacial: Se concentra en descubrir patrones y tendencias espaciales en los datos geográficos. Se utiliza para analizar y visualizar datos geoespaciales, como datos de GPS, imágenes satelitales y mapas, y para obtener información sobre ubicaciones, clusters espaciales y correlaciones.
        
        Minería de datos de texto: Se enfoca en extraer información relevante de datos no estructurados, como documentos de texto, correos electrónicos, publicaciones en redes sociales y comentarios de clientes. Utiliza técnicas de procesamiento del lenguaje natural, análisis de sentimientos y clasificación de texto para comprender y analizar los datos de texto.
- - - - Además, el análisis de los datos de compras puede ayudar a crear perfiles de clientes y segmentos de mercado. Por ejemplo, al identificar a los clientes que compran regularmente productos orgánicos, el supermercado puede personalizar sus promociones y ofertas para satisfacer las necesidades de ese segmento.