Algoritmos

Algoritmos para el cálculo eficiente de los DWH

• Redes neuronales artificiales: Modelos predecible no-lineales que aprenden a través del entrenamiento y semejan la estructura de una red neuronal biológica.

Se han utilizado básicamente 2 tipos; redes de Kohonen y redes de backpropagation.

Las redes de Kohonen forman un mapa bidimensional de rasgos a partir de los datos de entrada de forma que cada caso queda agrupado en clases de similitud.

Las redes de backpropagation reajustan apartir de un error de salida

Algoritmos genéticos:

Técnicas de optimización que usan procesos tales como combinaciones genéticas, mutaciones y selección natural en un diseño basado en los conceptos de evolución.

• Método del vecino más cercano:

una técnica que clasifica cada registro en un conjunto de datos basado en una combinación de las clases donde k es el registro más similar a él en un conjunto de datos históricos. Algunas veces se llama la técnica del vecino k-más cercano. Se basa en encontrar vecinos secuencialmente que minimicen la longitud total del árbol

• Regla de inducción:

La extracción de reglas if-then de datos basados en significado estadístico.

• Algoritmos de clasificación: que predicen una o más variables discretas, basándose en otros atributos del conjunto de datos.

• Algoritmos de regresión: que predicen una o más variables continuas, como las pérdidas o los beneficios, basándose en otros atributos del conjunto de datos.

• Algoritmos de segmentación: que dividen los datos en grupos, o clústeres, de elementos que tienen propiedades similares.

• Algoritmos de asociación: que buscan correlaciones entre diferentes atributos de un conjunto de datos. La aplicación más común de esta clase de algoritmo es la creación de reglas de asociación, que pueden utilizarse en un análisis de la cesta de compra.

• Algoritmos de análisis de secuencias: que resumen secuencias o episodios frecuentes en los datos, como un flujo de rutas Web.

...