Objetivos:

• Descubrir las bases de datos de soporte a la decisión y toda la problemática asociada tanto a su construcción y desarrollo como a la extracción de conocimiento de las mismas y enfrentarse a un proyecto de Data Mining con los conocimientos suficientes pudiendo abordar cualquiera de sus fases de desarrollo finalidad la descripción precisa del proceso de KDD.
• Entender en qué consiste el Data Mining en términos generales y aprender a aplicar la metodología CRISP-DM en un proyecto de Data Mining.
• Conocer los diferentes métodos de resolución de problemas que se dan en Data Mining para ser capaces de identificar ante qué situaciones se debe utilizar cada uno de ellos.
• Conocer tanto el concepto como el funcionamiento de las técnicas más importantes diseñadas para dar resolución a los problemas descriptivos y predictivos de Data Mining, así como estas deben aplicarse.
• Conocer cada una de las fases de un proyecto de Data Mining, siendo capaz de aplicar los conceptos teóricos y prácticos de las técnicas de análisis de datos en la resolución de los problemas planteados en cada objetivo del proyecto.

Contenidos:

1. El proceso de descubrimiento de conocimiento en bases de datos
   1. Definición del proceso de Data Mining
   2. Análisis de las fases del proceso de acuerdo a CRISP-DM.
2. El ciclo de Data Mining: fases y tipos de problemas
   1. Tipos de problemas
   2. Descriptivos o asociación o clustering
   3. Predictivos o clasificación
   4. Implicaciones de los datos, dominios, técnicas en las fases del proceso
   5. Casos de uso
3. Técnicas de Data Mining
   1. Clasificación: árboles de clasificación y Naive Bayes
   2. Clustering: K-means y EM
   3. Reglas de asociación
4. Consolidación de Data Mining
   1. Presentación de un caso práctico
   2. Aplicación del proceso CRISP-DM
   3. Elaboración de un plan de proyecto