Professional Documents
Culture Documents
P g i n a 1 | 13
P g i n a 3 | 13
En el trabajo de Iturbide se presentan los siguientes pasos: 1) los datos que se estn
manejando, espaciales y poblacionales, pertenecen a pacientes con padecimientos
de cncer 2) la propuesta de una metodologa y 3) un software de Preparacin de
Datos [Iturbide, 2013].
Bratu propone una metodologa para la sustitucin de valores perdidos y seleccin
de atributos, los datos utilizados para esta investigacin estn relacionados al
dominio epidemiolgico, especficamente, cncer de prstata. El enfoque es
innovador, ya que propone manejar la limpieza y seleccin de atributos, como dos
fases en la misma actividad, no obstante, no aborda otras fases del proceso de
Preparacin de Datos. Es una metodologa simple y genrica, que puede ser
utilizada para varios dominios de aplicacin. Tambin, resalta la necesidad de semiautomatizar los procesos de preparacin [Bratu, 2009].
Este modelo trabaja simultneamente con cuatro procesos interactivos los cuales
arrojan datos a travs del tiempo, contribuyendo con algn patrn de incidencia
repetitivo para un porcentaje importante de los casos, que se pueda transformar en
conocimiento de alto impacto o bien un nuevo modelo que represente conocimiento
al rea [Hernndez, 2007].
Tal sistema simula los casos de la enfermedad, tanto detectada como oculta, o a
nivel individual, til tambin para responder a preguntas sobre la seleccin y
efectividad de los tratamientos adecuados para cada tipo de paciente de acuerdo a
P g i n a 4 | 13
las similitudes del mismo con respecto a los resultados obtenidos durante la
clasificacin, adems de estimar beneficios para mujeres de edades e historiales
especficos; un Modelo podra calcular el diagnstico del cncer a partir de
imgenes digitalizadas de un aspirado de masa de la mama, para clasificar si el
tumor es Maligno o Benigno [Hernndez, 2007].
Utilizar minera de Datos nos ayudar a la obtencin de patrones y relaciones entre
atributos, que permitan predecir de antemano, un caso especfico de cncer y los
factores que inciden la supervivencia o mortandad de la mujer que la padece; la
deteccin temprana juega un papel importante en la reduccin de mortandad por lo
cual muchos mtodos han sido investigados para mejorar la deteccin de la misma
[Hernndez, 2007]. Diversas instituciones trabajan con el propsito de analizar los
procesos asociados al tratamiento de cncer mamario de los pacientes,
identificando y estableciendo similitudes entre los mismos para que mltiples
usuarios puedan analizar caractersticas propias y saber en contra experiencia el
tratamiento que llevar y los posibles resultados que obtendr en determinado
momento [Hurtado, 2008]; el anlisis, diseo y pruebas de Algoritmos genticos
apoyan a la clasificacin de bancos de clulas cancergenas [Castrilln, 2010];
mientras que WEKA proporciona predicciones dado un conjunto de entrenamiento
para poner en alerta a pacientes potenciales.
Boone realiz una investigacin referente al cncer en Mxico debido a que esta
enfermedad es una de las principales causas de mortandad del pas, identificando
la distribucin del mismo con respecto a las regiones con altas tasas de incidencia
de la enfermedad para contribuir a la disminucin de mortandad en el pas, mediante
el uso e integracin de tcnicas de minera de datos [Boone, 2011].
La visualizacin de los resultados se mostr mediante sistemas de informacin
geogrfica, permitiendo mejorar la calidad de representacin de los municipios
donde prevenir la enfermedad, a nivel social el control de la afeccin se simplifico
ya que las zonas de riesgo se identificaron brindando un control ms especializado
de la misma para la reduccin de mortandad en la poblacin. [Boone, 2011].
P g i n a 5 | 13
P g i n a 6 | 13
REFERENCIAS
1994]
books.google.com.mx/books?isbn=8476845634
Editorial; Pearson.
2000]
https://books.google.com.mx/books?isbn=9684442823
Berry, Michael J.A., & Linoff, Gordon S.; Data Mining Techniques. Wiley,
[Berry, 1997]
1997.
books.google.com.mx/books?id=AyQfVTDJypUC&printsec=frontcover&
dq=Data+Mining+Techniques+berry
Bourcier,
Daniele.
Inteligencia
artificial
derecho.
[Bourcier,
2003.Editorial; UOC.
2003]
https://books.google.com.mx/books?isbn=8483189747
Barcelona,
Camps Par, Rafael., Escofet, Carme Martn & Marc Gibert Ginest,
[Camps,
Dolors Costal Costa, Luis Alberto Casillas Santilln, Oscar Prez Mora.
2005]
2000]
2000.
http://personales.unican.es/gutierjm/papers/BookCGH.pdf
P g i n a 7 | 13
2003]
2012]
books.google.com.mx/books?isbn=8493945021
2004]
UAEM.
2001]
http://ocw.uc3m.es/ingenieria-telematica/inteligencia-en-redes-decomunicaciones/material-de-clase-1/07-mineria-de-datos
[Barcel,
2001]
books.google.com.mx/books?isbn=8484298930
[Benavides,
2012]
[Brookshear,
2012]
P g i n a 8 | 13
[Conessa,
2010]
[Date, 2001]
[EImasri,
2007]
[Frawley,
1991]
[Gmez,
1998]
Gmez Martin, Jos Antonio & Puerta Callejn, Jos Miguel. Sistemas
Experto Probabilsticos. Editorial; Ediciones de la universidad de CatillaLa Mancha, 1998.
books.google.com.mx/books?isbn=8489958351
[Gmez,
1998]
[Garca,
2006]
[Garca,
2007]
[Garca,
2009]
Garca, Gervilla E., Jimnez Lpez, R., Montao Moreno, J. J., Ses
Abad, A., Cajal Blasco, B., & Palmer Pol, A. (2009). La
metodologa del Data Mining. Una aplicacin al consumo de
alcohol en adolescentes. (e. A. Sociedad Cientfica Espaola de
Estudios sobre el Alcohol, Ed.) Adicciones, 21(1), 65-80.
P g i n a 9 | 13
[Garzn,
2000]
[Gelbukh,
2010]
[Gmez,
2008]
[GonzlezBaales,
2012]
[Guil, 2009]
[Harmon,
1998]
[Haugeland,1
988]
Siglo Veintiuno.
books.google.com.mx/books?isbn=9682314119
[Hernndez,
2004]
[Inmon, 1994] Inmon, W. H.; Hackathorn; Richard D. Using the Data Warehouse. New
York: John Wiley & Sons. ISBN: 0-471-05966. 1994.
http://fit.hcmute.edu.vn/Resources/Docs/SubDomain/fit/ThayTuan/Data
WH/Bulding%20the%20Data%20Warehouse%204%20Edition.pdf
[Jiawei, 2006] Jiawei Han & Micheline Kamber: Data Mining: Concepts and Techniques
Morgan Kaufmann, 2006.
books.google.com.mx/books?id=pQws07tdpjoC&pg=PR6&dq=Data+Mi
ning:+Concepts+and+Techniques+Morgan+Kaufmann
[Kimball,
2008]
Kimball, Ralph., Margy, Ross., Thornthwaite, Warren & Mundy, Joy. The
Data Warehouse Lifecycle Toolkit. Indiana, 2008.Editorial; Wiley
Publishing.
P g i n a 10 | 13
books.google.com.mx/books?id=ONQio9do_70C&printsec=frontcover&
dq=The+Data+Warehouse+Lifecycle+Toolkit
[Len, 2007].
[Lpez, 2005]
[Molero,
2008]
[Norton,
2006]
[Pan-Ning,
2006]
[Parra, 1998]
[Prez, 2007]
[Perin,
2012]
[Perversi,
2007]
[Piedra,
2005]
P g i n a 11 | 13
[Pino, 2001]
Pino Diez, Ral., Gmez Gmez, Alberto & de Abajo Martnez, Nicols.
Introduccin a la inteligencia artificial: Sistemas Expertos, Redes
Neuronales Artificiales y Computacin Evolutiva. Editorial; Universidad
de Oliviedo.
books.google.com.mx/books?isbn=8483172496
[Pujari, 2001]
[Reparaz,
2008]
[Riquelme,
2006]
[Rodrguez,
2011]
[Rodriguez;
2010]
[Rojas, 2009]
[Sesmero,
2013]
[Silberschatz,
2002]
P g i n a 12 | 13
[Sperley,
1999]
[Tllez, 2009]
[Torrez,
2012]
[Trujillo,
2000]
[Vieira, 2009]
Vieira Braga, Luis Paulo., Ortiz Valencia, Luis Ivn. & Ramrez Carvajal,
Santiago Segundo. Introduccin a la Minera de Datos. Rio de Janeiro,
2009. Editorial; E-papers.
books.google.com.mx/books?isbn=8576502313
P g i n a 13 | 13