Data Mining Theories, Algorithms, and Examples

Texto académico y de referencia metodológica escrito por Nong Ye (profesora en la Escuela de Computación, Informática y Sistemas de Decisión de Arizona State University) y publicado por CRC Press en 2013. La obra ofrece una exposición matemática y procedimental de la minería de datos, abordando tanto los algoritmos estándar de la literatura como técnicas avanzadas y especializadas a menudo omitidas en manuales introductorios. Está pensado para estudiantes universitarios avanzados, investigadores, analistas cuantitativos e ingenieros de datos de nivel intermedio que cuenten con conocimientos previos de álgebra lineal, cálculo diferencial y probabilidad estadística, buscando entender los fundamentos matemáticos de cada modelo sin tratarlos como cajas negras.

El contenido se estructura en cinco partes temáticas que cubren algoritmos de clasificación, agrupamiento, minería de patrones y análisis de series temporales. Enseña modelos de regresión lineal y no lineal, Naive Bayes, árboles de decisión y de regresión (CART), redes neuronales artificiales multicapa con retropropagación (backpropagation), máquinas de vectores de soporte (SVM) y k-NN. En técnicas no supervisadas, aborda agrupamiento jerárquico, k-means, clustering basado en densidad y mapas autoorganizados (SOM). En minería de reglas, profundiza en asociaciones (algoritmo Apriori) y redes bayesianas. Además, incluye métodos de reducción dimensional como PCA (análisis de componentes principales) y escalamiento multidimensional (MDS), culminando con un bloque diferencial sobre gráficos de control univariados y multivariados y análisis de autocorrelación en series temporales con ondículas (wavelets). Aunque analiza software analítico de apoyo (como MATLAB y colecciones de datos del repositorio UCI), el texto se centra en la formulación matemática y el procedimiento algorítmico riguroso.

A lo largo de los capítulos no se desarrollan aplicaciones de software guiadas ni proyectos de código en lenguajes concretos; en su lugar, el aprendizaje práctico se apoya en ejemplos con conjuntos de datos reducidos resueltos paso a paso de forma manual y tabular para comprender la mecánica del cálculo, complementados con ejercicios de repaso y análisis al final de cada capítulo. Su gran aportación es el rigor formal y la inclusión de temáticas infrecuentes en libros generalistas, como las técnicas de control de calidad estadístico y el tratamiento de series temporales. Deja fuera la implementación en código moderno (como Python o scikit-learn), la ingeniería de características automatizada y el despliegue en producción. Conviene tener una base matemática firme antes de su lectura para aprovechar plenamente su contenido.