Curso Minería de Datos con SAS e Inteligencia de Negocio

El Curso Minería de Datos con SAS e Inteligencia de Negocio es presencial y se imparte en Madrid.

DIRECTOR:
Dr. D. José Santiago Merino y D. Juan Francisco Dorado Sánchez.
COORDINADORA:
Dª Maribel García de la Oliva.

ESCUELA EN LA QUE SE INSCRIBE EL CURSO: Escuela de Informática y Nuevas Tecnologías.

Son deseables conocimientos previos de estadística básica y software de análisis de datos.

Estudiantes de empresariales, estadística o profesionales y analistas de datos que quieran adentrarse en el ámbito de la Inteligencia de Negocios (Business Intelligence) mediante Minería de Datos (Data Mining). En general, tendrá cabida en este curso toda persona que tenga relación el Marketing, Investigación de Mercados, Business Administration, Data Mining, Data Warehouse, Análisis del Riesgo y del Fraude, Reglas de Asociación, Árboles de Decisión, etc.

-Conocer los objetivos de la Minería de Datos, así como los diferentes tipos de problemas a los cuales se suele aplicar.
-Conocer de qué datos podemos disponer para realizar la minería, de dónde provienen, su formato y calidad. Operaciones típicas del preproceso de datos.
-Conocer las diferentes técnicas generales usadas por el análisis de datos y aplicar las principales sobre ficheros de datos de ejemplo.
-Conocer el desarrollo de algunas de las principales aplicaciones de minería de datos en la gestión empresarial: Se verán diversas metodologías para el desarrollo de aplicaciones de Inteligencia de Negocios (Business Intelligence), diversas técnicas de Estadística, diversos Algoritmos e Inteligencia Artificial empleadas para el diagnóstico, el scoring, el pronóstico (forecast), la clasificación (clustering), la optimización, la evaluación del riesgo y del fraude, la creación de reglas de asociación, el diseño de árboles de decisión.

Introducción a Minería de Datos y Business Intelligence.
Estrategia empresarial y necesidades de información. Minería de Datos y Business Intelligence. Objetivos de la Minería de Datos. Diferentes tipos de problemas a los cuales se puede aplicar la minería de datos. Aplicaciones: propensión/scoring, retención, venta cruzada, pronóstico y diagnóstico médico, aplicaciones industriales. Diferentes técnicas generales usadas por el análisis de los datos: predicción, clasificación, clustering.

Introducción a SAS Enterprise Miner.
Conexión de SAS Enterprise Miner a diferente fuentes de datos (mediante ODBC y SAS datasets). Herramientas de Enterprise Miner para flujo de procesos: La metodología SEMMA (Sample, Exploration, Modification, Model, Assess) de minería de datos. Repetibilidad, modificabilidad y grababilidad de un Proyecto y de un Modelo.
Descripción del interfaz gráfico de SAS Enterprise Miner, descripción de los nodos de SAS Enterprise Miner: algoritmos y tipos de árboles de decisión, redes neuronales, regresión y clustering. Comparación de Modelos con Enterprise Miner. Creación de los códigos de puntuación a partir de los flujos de modelización en SAS Enterprise Miner.

Selección de Fuentes de Datos y Calidad de Datos.
De qué datos podémonos disponer para realizar la minería de datos y dónde provienen. Los diferentes formatos en los cuales se puede encontrar los datos. La calidad de los datos - relevancia y fiabilidad, evaluación, tratamiento de errores, filtros.

Preproceso, Preparación y Transformación de Datos.
Operaciones típicas de preproceso a los datos. Su aplicación a los datos. Problemática y soluciones. Selección de variables. Muestreo y selección de registros. Técnicas de reducción del número de variables: Análisis de correlación, análisis factorial, análisis de componentes principales, variable clustering. Creación de nuevas variables. Agregación de variables. Creación de particiones para la evaluación de un modelo de Data Mining (conjuntos de entrenamiento, Test y Validación).

Técnicas Estadísticas de Análisis aplicadas en la Minería de datos.
Principales técnicas para el análisis de los datos y su aplicación:
Análisis de la Varianza. Comparación de Medias: de Una y Varias Vías. T-test. Análisis de la Regresión Lineal. Análisis Factorial con SAS Enterprise Miner. Análisis de Conglomerados (Análisis de clusters o segmentación). Análisis Discriminante. Ejemplo Práctico con SAS. Regresión Logística. Construcción de Modelos de Regresión Logística. Ejemplo Práctico con SAS. Aplicación con SAS Enterprise Guide.
Árboles de Decisión Concepto de árbol de decisión y regresión. Construcción de Modelos de Árboles de Decisión. Ajuste de Modelos de Árboles de Decisión. Agregación de Modelos de Árboles de Decisión. Árboles de decisión para clasificación: ID3/C4.5. Ejemplo Práctico con SAS. Aplicación con SAS Enterprise Miner.
Sistemas de Aprendizaje de Reglas. Sistemas de aprendizaje de reglas: CN2. Sistemas de aprendizaje de grafos y con extensión de particiones. Ejemplo Práctico con SAS. Aplicación con SAS Enterprise Miner.
Inteligencia Artificial y Redes Neuronales. RN Supervisadas. Construcción de Modelos de Redes Neuronales de Perceptrones de Múltiple Capa (Multilayer perceptrons). Ajuste de Perceptrones de Múltiple Capa. Ejemplo Práctico con SAS Enterprise Miner.

Evaluación de modelos y puesta en producción.
Evaluación e implementación del Modelo de DM. Introducción. - Selección entre modelos. - Uso de varios modelos. - Iteración hasta la solución. Causas de error en Data Mining. Medidas de éxito. Implementación de los modelos. Implementación de los resultados.

Ejemplos prácticos de procesos de Minería de Datos.
-Modelos de Detección de Fraude.
-Modelo de Venta Cruzada.
-Modelos de Propensión al Abandono. Técnicas de retención.
-Modelos de Minería de Datos aplicados a Seguros/Banca.
-Modelos de Tarjeta de puntuación. Minería de datos aplicada al sector bancario y seguros de riesgo de crédito.
-Análisis de segmentación y modelos predictivos aplicados al sector seguros.

ACTIVIDADES PRÁCTICAS:
Salvo el tema primero, en el resto de temas, se desarrolla un ejemplo práctico por el profesor y el alumno realiza una aplicación guiada sobre el PC. Además, el alumno, a lo largo del curso va diseñando y realizando un proyecto de análisis de datos sobre un fichero concreto de análisis.

PROFESORADO:
D. José Santiago Merino, UCM.
D. Javier Portela García Miguel, UCM.
Dª Maria José Narros González, UCM.
D. Pablo Sánchez Ocaña, UCM.
D. Conrado M. Manuel García, UCM.
D. Juan Francisco Dorado, SAS.
D. Jose Vicente Alonso, SAS.
Dª Cristina Pérez Huerta, SAS.
Dª Patricia Gutiérrez, SAS.
Dª Caridad Pavón, SAS.

Fechas y horario: Del 4 al 29 de julio de 2011. De 16:00 a 21:00 horas, de lunes a viernes.

Nº de plazas: 20

Nº de créditos de libre configuración: 8 (sólo alumnos UCM)

Lugar de celebración: Universidad Complutense de Madrid.

Precio de la matrícula: 900 Euros.

Ayudas: Las de carácter general.