LA MINERÍA DE DATOS Y SU RELACIÓN A OTRAS CIENCIAS DEL CONOCIMIENTO

...

En la medicina, se puede identificar las relaciones que existen entre los suministros de un medicamento sobre otro medicamento, centrándose en lo que podría ocasionar: metabolismo, reacción de un fármaco sobre otro. Empleando el algoritmo de reglas lógicas, almacenando las sentencias de información sintáctica y semántica en una base de datos, para posteriormente, mediante el uso de instrucciones de SQL, encontrar las relaciones de los fármacos [6].

En el campo de la tecnología, es utilizado para dar prioridad en la velocidad de entrenamiento de los datos que han sido recogidos por el gran volumen de datos que invaden las redes móviles, gracias a los algoritmos de la técnica del clasificador integrado esto es posible usarlo partiendo del concepto de la clasificación Bayesiana logra al mismo tiempo clasificar los datos y entrenarlos. A partir de conceptos estadísticos se puede usar el muestreo aleatorio simple, muestreo estratificado, y muestreo poblacional (similar al muestreo estratificado, pero, inicia a sub dividir según la secuencia de los datos) [7].

En las ciencias sociales, se aplica minería de datos como un instrumento eficaz para soportar las mediciones de los patrones socioeconómico que permite evaluar al mismo tiempo muchas preguntas, probar varias hipótesis o poder comparar diferentes puntos de estimación, de políticas gubernamentales, el comportamiento de los indicadores sociales alcanzados en las escuelas, estados o países. Dando un tratamiento adecuado a cada grupo de la población para lograr el desarrollo de la comunidad o de la sociedad. Utilizando el algoritmo de la regresión logística a cada nodo se le da la clase del nodo vecino con lo que se logra caracterizar al nodo, empleando etiquetas independientes y dependientes para determinar la probabilidad de cada clase [8].

En la multimedia, se utiliza para la recuperación de información que se hace por contenidos, a través de la igualdad de objetos, en una función distante, elaborada por la agrupacion de puntos en un espacio vectorial lográndose la caracterización de interés en unos valores numéricos de los objetos. Esto funciona por medio de soluciones algorítmicas que diseñan e implementan nuevas estructuras de datos que incluyen, la creación y recorrido de índices [9].

En el sector agropecuario, aplicamos la minería de datos haciendo reconocimiento de patrones, producto de las tecnologías ya usadas como la red de sensores, los sistemas de ubicaciones geográficas, procesamiento de imágenes híper espectral que producen los archivos de los datos de malezas, plagas, mercadeo y de producción que ayuden asegurar la sostenibilidad alimenticia del mundo, asi también los ingresos monetarios de sus agricultores. Para lo que se necesita estabilizar el acceso a los datos desde una variedad de dispositivos móviles, para que su acceso tenga la accesibilidad en el sitio de cultivo. El uso de algoritmos de inteligencia artificial, permite el reconocimiento de patrones con los que se ha originado al máximo aprovechamiento de la tierra, el manejo sostenible de los recursos del agua y la ejecución de políticas para la explotación de cultivos [10].

En el comercio y sector financiero, con el uso de la minería de datos aplicamos el algoritmo del método de análisis discriminante lineal se puede crear dos grupos de variables. Con lo anterior se evalúa el comportamiento de los clientes en una empresa o sector financiero, determinando según criterios, si son buenos o malos clientes y sus preferencias de compras, de acuerdo a los registros de información de ellos [11].

Con todo lo mencionado anteriormente se puede verificar que la minería de datos ha sido aplicada en distintos campos de la ciencia del conocimiento como la educación, multimedia, comercio y sector financiero, medicina, actividades agropecuarias, ciencias sociales, tecnología y aún más importante en la medicina.

Minería de datos distribuida

Al igual que en el concepto anterior de minería de datos se hacen uso de las mismas técnicas para la identificación de relaciones, patrones, asociaciones, segmentos, clasificaciones y tendencias, a diferencia de lo anterior esto se aplica para entornos distribuidos.

La Minería de datos distribuida es el proceso de descubrimiento de conocimiento en arquitecturas de datos que son totalmente diferentes al enfoque centralizado. Esto comprende las fuentes de datos distribuidas, el cómputo distribuido y las comunicaciones [1].

Existen numerosas áreas donde la minería de datos se puede aplicar, prácticamente en todas las actividades humanas que generen datos [12]:

- Comercio y banca: Segmentación de clientes, previsión de ventas, análisis de riesgo.

- Medicina y Farmacia: Diagnóstico de enfermedades y la efectividad de los tratamientos.

- Seguridad y detección de fraude: Reconocimiento facial, identificaciones biométricas, accesos a redes no permitidos.

- Recuperación de información no numérica: Minería de texto, minería web, búsqueda e identificación de imagen, video, voz y texto de bases de datos multimedia. • Astronomía: identificación de nuevas estrellas y galaxias.

- Geología, minería, agricultura y pesca: identificación de áreas de uso para distintos cultivos o de pesca o de explotación minera en bases de datos de imágenes de satélites.

- Ciencias Ambientales: Identificación de modelos de funcionamiento de ecosistemas naturales y/o artificiales (plantas depuradoras de aguas residuales) para mejorar su observación, gestión y/o control.

- Ciencias Sociales: Estudio de los flujos de la opinión pública. Planificación de ciudades: identificar barrios con conflicto en función de valores sociodemográficos.

Minería de datos aplicadas en estadística

Una de las alternativas en el tratamiento estadístico de este tipo de estudio forma parte de la Minería de Datos Textuales (Text mining), cuya finalidad radica en descubrir conocimientos que no existían de manera implícita en un conjunto de textos, sino que se generan al relacionar el contenido de algunos de ellos [13].

Los autores que han realizado las mayores contribuciones de la estadística aplicada en la minería de datos textuales llaman a esta alternativa de diferentes formas:

- Análisis Estadístico de Datos Textuales [14].[pic 2]

- Lexicometría, Estadística textual [15].

- Análisis estadístico de textos