La minería de datos

La minería de datos (la etapa de análisis del "Descubrimiento de Conocimiento en Bases de   Datos"   proceso   o   KDD), [1] un   subcampo   interdisciplinario   de ciencias   de   la computación, [2] [3] [4] es el proceso de cálculo de descubrir patrones en grandesconjuntos de   datos ("Big   Data") que   implica   métodos   en   la   intersección   de la   inteligencia artificial, aprendizaje  automático,estadística y sistemas  de  bases  de  datos. [2] El  objetivo general del proceso de minería de datos consiste en extraer información de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. [2] Además de   la   etapa   de   análisis   en   bruto,   que   implica   base   de   datos   y gestión   de   datos de aspectos, los   datos   pre-procesamiento, el   modelo y la   inferencia consideraciones, métricas   Intereses, complejidad consideraciones,  post-procesamiento  de   las  estructuras descubiertas, la visualización y actualización en línea . [2]

El término es un término equivocado, porque el objetivo es la extracción de patrones y el conocimiento de la gran cantidad de datos, no la extracción de datos en sí. [5] También es una palabra de moda [6] y se aplica con frecuencia a cualquier forma de a gran datos de la escala   o   procesamiento   de   la información (recogida, extracción, almacenamiento, análisis y   estadísticas),   así   como cualquier   aplicación   del sistema   de   apoyo   a   la   decisión   del   ordenador, incluyendo la inteligencia   artificial, el   aprendizaje  automático y la   inteligencia   empresarial. El   popular libro "La minería de datos: herramientas de aprendizaje automático prácticas y técnicas con   Java"[7] (que   abarca   principalmente el   aprendizaje   automático de   materiales)   fue originalmente para ser llamado simplemente "la máquina de aprendizaje práctico", y el término "minería de datos", sólo se ha añadido para razones de marketing. [8] A menudo los términos más generales "(gran escala) el análisis de datos", o "análisis" - o cuando se refiere a los métodos actuales, la inteligencia artificial yaprendizaje automático - son más apropiados.

La tarea de minería de datos real es el análisis automático o semi-automático de grandes cantidades de datos para extraer, patrones interesantes hasta ahora desconocidas, tales como   grupos   de   registros   de   datos (análisis   de   conglomerados), registros inusuales(detección de anomalías) y dependencias (minería de reglas de asociación) . Esto generalmente implica el uso de técnicas de bases de datos como índices espaciales. Estos patrones pueden ser vistos como una especie de resumen de  los datos de entrada,  y pueden   ser   utilizados   en   otros   análisis   o,   por   ejemplo,   en la   máquina   de aprendizaje y análisis   predictivo. Por   ejemplo,   el   paso   de   la  minería   de   datos   puede identificar   varios   grupos   en   los   datos,   que   luego   se   pueden   utilizar   para   obtener resultados  más   precisos   por   predicción   de   un sistema   de   soporte   de   decisión. Ni   la recopilación   de   datos,   preparación   de   datos,   ni   interpretación   de   los   resultados   y presentación   de   informes   son   parte   de   la   etapa   de   extracción   de   datos,   pero   que pertenecen al proceso general KDD como pasos adicionales.

El relacionadas términos dragado de datos, la pesca de datos y espionaje datos se refieren a la utilización de métodos de minería de datos para probar las partes de un conjunto de datos   de   población  mayor   que   (o   puede   ser)   demasiado   pequeño   para   inferencias estadísticas   fiables   que   hacer   acerca   de   la   validez   de   cualquier   patrones descubiertos. Estos métodos pueden, sin embargo, ser utilizados en la creación de nuevas hipótesis para probar en contra de las poblaciones más grandes de datos.

Contenidos

1 Etimología 2 Antecedentes

o 2.1 Investigación y evolución 3 Proceso

o 3.1 Pre-procesamientoo 3.2 La minería de datoso Validación 3.3 Resultados

4 Normas 5 usos notables 6 preocupaciones de privacidad y la ética

o 6.1 Situación en Europao 6.2 Situación en los Estados Unidos

Ley 7 Derechos de Autoro 7.1 Situación en Europao 7.2 Situación en los Estados Unidos

8 Softwareo 8.1 Programas gratis de datos de código abierto y aplicaciones de mineríao 8.2 Comercial software de minería de datos y aplicacioneso 8.3 encuestas de mercado

9 Véase también 10 Referencias 11 Lectura adicional 12 Enlaces externos

Etimología

En la década de 1960, los estadísticos utilizan términos como "Pesca de datos" o "datos de dragado" para referirse a lo que ellos consideraban la mala práctica de análisis de datos sin una hipótesis a priori. El término "minería de datos" apareció alrededor de 1990 en la comunidad  de  base  de  datos. Por  un   corto  tiempo  en   la  década  de  1980,  una   frase "minería de base de datos" ™, se utilizó, pero desde que fue registrado como marca por HNC,  una  empresa  con  sede  en  San  Diego,  para   lanzar   su  base  de  datos  Minería  de estación   de   trabajo; [9] investigadores   consiguiente   recurrieron   a   "minería   de   datos ". Otros términos utilizados incluyen datos Arqueología, Información cosecha, información Descubrimiento,   extracción   de   conocimiento,   etc. Gregory   Piatetsky-Shapiro acuñó   el 

término "Descubrimiento de Conocimiento en Bases de Datos" para el primer taller sobre el  mismo   tema (KDD-1989) y   este   término   se   hizo  más   popular   en   la   IA   y  máquina Comunidad de Aprendizaje. Sin embargo, la minería de datos término se hizo más popular en las comunidades de negocios y de prensa. [10] En la actualidad, la minería de datos y descubrimiento   de   conocimiento   se   utilizan   indistintamente. Desde   aproximadamente 2007, "Análisis Predictivo" y desde 2011, los términos "Ciencia de datos" se utiliza también para describir este campo.

Antecedentes

La   extracción   manual   de   los   patrones   de datos se   ha   producido   durante   siglos. Los primeros   métodos   para   identificar   patrones   en   los   datos   incluyen el   teorema   de Bayes (1700) y el análisis de regresión (1800). La proliferación, ubicuidad y el aumento del poder  de   la   tecnología   informática  ha  aumentado  dramáticamente   la   recopilación  de datos,  almacenamiento y  capacidad de manipulación. Comolos conjuntos de datos han crecido en tamaño y complejidad, "hands-on" directos análisis de datos ha cada vez más han aumentado con el procesamiento de datos indirectos, automatizado, con la ayuda de otros   descubrimientos   en   ciencias   de   la   computación,   tales   como las   redes neuronales, análisis   de   conglomerados, los   algoritmos   genéticos (1950)   , árboles   de decisión y reglas de decisión(1960), y las máquinas de vectores soporte (1990). La minería de datos es el proceso de la aplicación de estos métodos con la intención de descubrir patrones  ocultos [11] en  grandes   conjuntos  de  datos. Se   cierra   la  brecha  de  estadística aplicada y la inteligencia artificial (que por lo general proporciona la base matemática) para la gestión de bases de datos mediante la explotación de los datos de manera que se almacena y indexadas en bases de datos para ejecutar los algoritmos de aprendizaje y descubrimiento reales de manera más eficiente,   lo que permite que tales métodos se pueden aplicar a conjuntos de datos cada vez más grandes.

La investigación y la evolución

El   cuerpo  profesional   de   primera   clase   en   el   campo  es   la Association   for   Computing Machinery 's (ACM) Grupo de Interés Especial (SIG) en el Descubrimiento de Conocimiento y  Minería   de   Datos (SIGKDD). [12] [13] Desde   1989   este   ACM   SIG   ha   acogido   una   anual internacional conferencias y publicado sus trabajos, [14] y desde 1999 se ha publicado un bianual revista académica titulada "SIGKDD Exploraciones". [15]

Conferencias ciencias de la computación en la minería de datos incluyen:

Conferencia CIKM - ACM Conferencia de Información y Gestión del Conocimiento DMIN Conferencia - Conferencia Internacional sobre Minería de Datos DMKD Conferencia - Temas de Investigación en Minería de Datos y Descubrimiento 

de Conocimiento ECDM Conferencia - Conferencia Europea sobre Data Mining

ECML-PKDD Conferencia - Conferencia Europea sobre el aprendizaje de la máquina y los Principios y Práctica de Descubrimiento de Conocimiento en Bases de Datos

EDM Conferencia - Conferencia Internacional sobre los Datos Educativos Minería Conferencia INFOCOM - IEEE INFOCOM Conferencia ICDM - IEEE Conferencia Internacional sobre Minería de Datos Conferencia KDD - ACM SIGKDD Conferencia de Descubrimiento de Conocimiento y 

Minería de Datos MLDM   Conferencia -   Aprendizaje   Automático   y   Minería   de   Datos   en 

reconocimiento del patrón Conferencia   PAKDD -   El   informe   anual   de la   Conferencia   Asia-Pacífico   sobre   el 

Descubrimiento de Conocimiento y Minería de Datos PAW Conferencia - Análisis Predictivo Mundial SDM Conferencia - SIAM Conferencia Internacional sobre Minería de Datos (SIAM) SSTD Simposio - Simposio sobre las bases de datos espaciales y temporales Conferencia WSDM - ACM Conferencia sobre búsqueda web y minería de datos

Temas de minería de datos también están presentes en muchas conferencias de gestión de datos / base de datos, como la Conferencia ICDE, Conferencia SIGMOD y Conferencia Internacional sobre Very Large Bases de Datos

Proceso

El descubrimiento de conocimiento en bases de datos de proceso (KDD) se   define comúnmente con las etapas:

(1) Selección(2) Pre-procesamiento(3) Transformación(4) Data Mining(5) Interpretación / Evaluación. [1]

Existe, sin embargo, en muchas variaciones sobre este tema, como el proceso estándar de la Cruz de la Industria de la Minería de Datos (CRISP-DM), que define seis fases:

(1) La comprensión de negocios(2) La comprensión de datos(3) Preparación de datos(4) Modelado(5) Evaluación(6) Implementación

o un proceso simplificado tal como (1) pre-procesamiento, (2) la minería de datos, y (3) los resultados de la validación.

Encuestas realizadas en 2002, 2004, 2007 y 2014 muestran que la metodología CRISP-DM es la metodología que conduce utilizado por los mineros de datos. [16] La única otra norma de minería de datos denominado en estas encuestas fue SEMMA. Sin embargo, 3-4 veces más   personas   reportaron   el   uso   de   CRISP-DM. Varios   equipos   de   investigadores   han publicado opiniones de los modelos de procesos de minería de datos, [17] [18] y Azevedo y Santos realizó una comparación de CRISP-DM y SEMMA en 2008. [19]

Pre-procesamiento

Antes de algoritmos de minería de datos pueden ser utilizados, un conjunto de datos de destino  debe   ser  montado. Como   la  minería  de  datos   sólo  puede  descubrir  patrones realmente   presentes   en   los   datos,   el   conjunto   de   datos   de   destino   debe   ser   lo suficientemente   grande   como   para   contener   estos   patrones   sin   dejar   de   ser   lo suficientemente concisa para ser explotado dentro de un límite de tiempo aceptable. Una fuente común de datos es un mercado de datos o Data Warehouse. Pre-procesamiento es esencial analizar las variables múltiples conjuntos de datos antes de la minería de datos. El conjunto blanco se limpia. Limpieza de datos elimina las observaciones que contienen el ruido y los que tienen los datos que faltan.

La minería de datos

La minería de datos consiste en seis clases comunes de las tareas: [1]

La   detección   de   anomalías (Outlier   /   cambiar   /   detección   de   desviación)   -   La identificación   de   los   registros   de   datos   inusuales,   que   podría   haber   errores interesantes o datos que requieren mayor investigación.

Regla   Asociación   aprendizaje (modelado   de   Dependencia)   -   La   búsqueda   de relaciones entre variables. Por ejemplo, un supermercado podría recopilar datos sobre   los  hábitos  de compra de  los  clientes. El  uso de reglas  de  asociación,  el supermercado puede determinar qué productos se compran con frecuencia juntos y utilizar esta información para fines de marketing. Esto se refiere a veces como análisis de la cesta de mercado.

Clustering - es la tarea de descubrir grupos y estructuras en los datos que son de alguna manera u otra "similar", sin necesidad de utilizar las estructuras conocidas en los datos.

Clasificación - es la tarea de generalizar estructura conocida de aplicar a los nuevos datos. Por ejemplo, un programa de correo electrónico podría intentar clasificar un correo electrónico como "legítimo" o como "spam".

Regresión -   intenta encontrar  una función que  los modelos de  los datos con el menor error.

Recapitulación - proporcionar una representación más compacta del conjunto de datos, incluyendo la visualización y la generación de informes.

Validación Resultados

La  minería   de   datos   sin   querer   puede   ser  mal   utilizada,   y   puede   entonces   producir resultados   que   parecen   ser   importantes; pero   que   en   realidad   no   predecir   el comportamiento futuro y no pueden ser reproducidas en una nueva muestra de datos y dar poco uso. A menudo, esto es resultado de la investigación de demasiadas hipótesis y no realizar correctamente la prueba de hipótesis estadística. Una versión simple de este problema   en el   aprendizaje   automático se   conoce   como sobreajuste, pero   el   mismo problema puede surgir en diferentes fases del proceso y por lo tanto una división de tren / prueba - en su caso en absoluto -. Puede no ser suficiente para evitar que esto suceda [ cita

requerida]

En esta sección se encuentra información acerca de las tareas no-clasificación en la minería de datos. Sólo cubre aprendizaje automático. Por   favor,  expanda  la sección para incluir esta información. Pueden existir Más detalles en la página de discusión. (Septiembre de 2011)

El paso final  de descubrimiento de conocimiento a partir de datos es verificar que los patrones producidos por los algoritmos de minería de datos se producen en el conjunto de datos más amplio. No todos los patrones encontrados por los algoritmos de minería de datos son necesariamente válidas. Es común que los algoritmos de minería de datos para encontrar   patrones   en   el   conjunto   de   entrenamiento   que   no   están   presentes   en   el conjunto   de   datos   general. Esto   se   llama overfitting. Para   superar   esto,   la   evaluación utiliza una prueba de conjunto de datos en los que no se entrenó el algoritmo de minería de  datos. Los   patrones   aprendidos   se   aplican   a   este   conjunto   de  prueba,   y   la   salida resultante se compara con la salida deseada. Por ejemplo, un algoritmo de minería de datos tratando de distinguir el "spam" de correos electrónicos "legítimos" sería entrenado en   un conjunto   de   entrenamiento de   la   muestra   e-mails. Una   vez   capacitados,   los patrones aprendidos se aplicarían a la prueba de conjunto de correos electrónicos en los que no había sido entrenado. La precisión de los modelos se puede medir a partir de la cantidad de e-mails que se clasifican correctamente. Un número de métodos estadísticos se puede usar para evaluar el algoritmo, tales comocurvas ROC.

Si los patrones aprendidos no cumplen con los estándares deseados, posteriormente, es necesario volver a evaluar y modificar los pasos mineras pre-procesamiento y datos. Si los patrones aprendidos hacer cumplir los estándares deseados, el último paso es interpretar los patrones aprendidos y convertirlos en conocimiento.

Normas

Ha habido algunos esfuerzos para definir las normas para el proceso de minería de datos, por ejemplo, el 1999 Europeo Proceso Cruz estándar de la industria para la minería de datos(1,0 CRISP-DM) y la 2004 de datos de Java Minería estándar (JDM 1,0). Desarrollo de sucesores de estos procesos (2.0 y 2.0 JDM CRISP-DM) estuvo activo en 2006, pero se ha estancado desde entonces. JDM 2.0 fue retirada sin llegar a un proyecto final.

Para el  intercambio de los modelos extraídos - en particular, para su uso en el análisis predictivo - la norma fundamental es la Predictive Model Markup Language (PMML), que es   unXML lenguaje   basado   desarrollado   por   el   Grupo   de  Minería   de  Datos   (DMG)   y apoyado   como   formato   de   intercambio   por   muchos   aplicaciones   de   minería   de datos. Como su nombre  lo  indica,  sólo cubre  los modelos de predicción,  una tarea de minería de datos en particular de gran importancia para las aplicaciones de negocio. Sin embargo,   las   extensiones   para   cubrir   (por   ejemplo) la   agrupación   subespacio se   han propuesto independientemente de la DMG. [20]

Usos notables

Artículo principal: Ejemplos de minería de datosVer también: Categoría: Se aplica la minería de datos.

La  minería   de   datos   se   utiliza   siempre   que   haya   datos   digitales   disponibles   hoy   en día. Notables ejemplos   de  minería   de   datos se   pueden   encontrar   en   los   negocios,   la medicina, la ciencia y la vigilancia.

Preocupaciones sobre la privacidad y la ética

Mientras que la "minería de datos" plazo en sí no tiene implicaciones éticas, a menudo asociados con  la  extracción de  información en relación con el  comportamiento de  los pueblos (ética y de otro tipo). [21]

Las   formas   en   que   la  minería   de   datos   se   puede   utilizar   puede   en   algunos   casos   y contextos   plantean   cuestiones   relativas   a   la   privacidad,   la   legalidad   y   la   ética. [22] En particular, el gobierno de minería de datos o conjuntos de datos comerciales para fines de seguridad   o   policiales   nacionales,   como   en   el total   Information   Awareness Program o ADVISE, ha planteado preocupaciones sobre la privacidad. [23] [24]

La minería de datos requiere la preparación de datos que puede descubrir información o patrones   que   pueden   poner   en   peligro   las   obligaciones   de   confidencialidad   y privacidad. Una   forma   común   para   que   esto   ocurra   es   a   través   de la   agregación   de datos. La agregación de datos implica la combinación de datos en conjunto (posiblemente de varias fuentes) de una manera que facilite el análisis (pero que también puede hacer que   la   identificación   de   los   datos   privados   a   nivel   individual   deducible   o   no aparente). [25] Esto no es la minería de datosen sí, sino resultado de la preparación de los datos antes - y para los fines de - el análisis. La amenaza a la privacidad de un individuo 

entra en juego cuando los datos, una vez recopilados, hacen que el minero de datos, o cualquier persona que tenga acceso al conjunto de datos recién compilado, para poder identificar a los individuos específicos, sobre todo cuando los datos fueron originalmente anónima. [ 26] [27] [28]

Se   recomienda   que   un   individuo   se   hace   consciente   de   lo   siguiente antes de que se recolectó la información: [25]

la finalidad de la recogida de datos y cualquier (conocidas) proyectos de minería de datos;

cómo se utilizarán los datos; que será capaz de extraer los datos y el uso de los datos y sus derivados; el estado de seguridad que rodea el acceso a los datos; cómo se pueden actualizar los datos recogidos.

Los datos también pueden ser modificados a fin de convertirse en el anonimato, por lo que   los   individuos  no  pueden   ser   fácilmente   identificados. [25] conjuntos   Sin   embargo, incluso   "de   identificados"   /   "anónimos"   de   datos   potencialmente   pueden   contener suficiente   información   para  permitir   la   identificación  de   los   individuos,   como  ocurrió cuando los periodistas pudieron encontrar varios individuos sobre la base de un conjunto de historias de búsqueda que se publicaron de forma inadvertida por AOL. [29]

Situación en Europa

Europa  tiene   leyes  de  privacidad  más   fuertes,   y   los  esfuerzos  están  en  marcha  para fortalecer   aún  más   los   derechos   de   los   consumidores. Sin   embargo,   los Principios   de Puerto Seguro entre Estados Unidos y la UE actualmente exponga efectivamente usuarios europeos a la explotación privacidad por empresas estadounidenses. Como consecuencia de Edward Snowden 's divulgación de vigilancia global, ha habido una mayor discusión de revocar   este   acuerdo,   ya  que,   en  particular,   los  datos   serán   totalmente  expuestos   a la Agencia de Seguridad Nacional, y los intentos de llegar a un acuerdo han fracasado. [Cita

requerida]

Situación en los Estados Unidos

En Estados Unidos, las preocupaciones de privacidad han sido abordados por el Congreso de Estados Unidos a través de la aprobación de controles reglamentarios, como el Seguro de Salud de Portabilidad y Responsabilidad (HIPAA). La HIPAA requiere que los individuos a dar su "consentimiento informado" con respecto a la información que proporcionan y sus  usos  actuales  y   futuros  previstos. De acuerdo  con un artículo  en Biotech Business Week ', "' [e] n la práctica, HIPAA no puede ofrecer cualquier mayor protección que las regulaciones de larga data en el campo de la investigación, dice el AAHC. Más importante aún, el objetivo de la norma de protección a través de consentimiento informado está socavado por la complejidad de los formularios de consentimiento que se requieren de los

pacientes y de los participantes, que se acercan a un nivel de incomprensibilidad a personas promedio. "[30]Esto pone de relieve la necesidad de mantener el anonimato de datos en las prácticas de agregación de datos y minería.

EEUU   legislación   privacidad   de   la   información,   tales   como   HIPAA   y   los Derechos Educativos de la Familia y la Ley de Privacidad (FERPA) se aplica sólo a las áreas específicas que  cada  uno  de   tales  direcciones  de  abogados. El  uso  de   la  minería  de  datos  de   la mayoría de los negocios en los EE.UU. no está controlada por ninguna legislación.

Ley de Propiedad Intelectual

Situación en Europa

Debido a la falta de flexibilidad en los derechos de autor Europea y la ley de bases de datos, la  minería   de   obras   con   derechos   de   autor,   tales   como la  minería  web sin   el permiso del propietario del copyright no es legal. Cuando una base de datos son datos puros en Europa no es probable que sea ningún derecho de autor,  pero puede existir derechos de base de datos por   lo  que  la  minería  de datos se convierte en objeto de regulaciones   por   parte   de   la Directiva   de   base   de   datos. Por   recomendación del Hargreaves   revisar esto   llevó   al   gobierno   del   Reino  Unido   a  modificar   su   ley   de derechos   de   autor   en   el   año   2014 [31] para   permitir   la   minería   contenido   como una limitación y excepción. Sólo el segundo país del mundo en hacerlo después de Japón, que introdujo una excepción en 2009 para la minería de datos. Sin embargo, debido a la restricción de la Directiva derechos de autor, a excepción del Reino Unido sólo permite la minería contenido para fines no comerciales. La ley de derechos de autor del Reino Unido también no permite que esta disposición a ser anulado por los términos y condiciones contractuales. La Comisión  Europea facilitó   la  discusión  de  las  partes   interesadas  en  el texto  y   los  datos  de   la  minería  en  2013,  bajo  el  título  de   licencias  para  Europa. [32]El enfoque en la solución a este problema legal siendo licencias y no a  las limitaciones y excepciones llevó a representantes de universidades, investigadores, bibliotecas , grupos de la sociedad civil y de acceso abierto a los editores dejan el diálogo de los interesados en mayo de 2013. [33]

Situación en los Estados Unidos

A diferencia de Europa, la naturaleza flexible de la ley de copyright de Estados Unidos, y en particular el uso justo significa que la minería contenido en Estados Unidos, así como otros  países  de  uso   justo   como  Israel,   Taiwán  y  Corea  del   Sur  es   visto   como  siendo legal. Como  la minería  contenido es transformadora,  es decir  que no suplanta  la  obra original,   que   es   visto   como   legítimo   bajo   el   uso   justo. Por   ejemplo,   como   parte del acuerdo   de   Google   libro el   presidente   del   tribunal   en   el   caso   dictaminó   que   el proyecto de digitalización de Google de libros con derechos de autor fue legal, en parte debido a la transformación utiliza que el proyecto de digitalización muestra -. Un texto bienestar y la minería de datos [ 34]

Software

Ver también: Categoría: La minería de datos y el software de aprendizaje automático.

El software libre de código abierto minería de datos y aplicaciones

Carrot2: Texto y resultados marco agrupación. Chemicalize.org: Un minero estructura química y motor de búsqueda web. Elki: Un   proyecto   de   investigación   universitaria   con   un   avanzado análisis   de 

conglomerados y la detección de valores atípicos métodos escritos en Java idioma. GATE: un procesamiento   de   lenguaje   natural de   la   herramienta   y   la   ingeniería 

lingüística. KNIME: El Konstanz Información Minero, un marco fácil de usar y de análisis de 

datos completos. Análisis Online Masivo (MOA): un tiempo real minera flujo de datos grande con la 

herramienta concepto de deriva en el Java lenguaje de programación. ML-Flex: Un  paquete  de   software  que  permite   a   los   usuarios   integrar   con   los 

paquetes de aprendizaje automático de terceros escritos en cualquier lenguaje de programación,   ejecución   clasificación  analiza  en  paralelo  a   través  de  múltiples nodos de computación, y producir informes HTML de resultados de la clasificación.

Biblioteca MLPACK: una colección de algoritmos de aprendizaje automático listos para su uso escritas en el C ++ lenguaje.

NLTK (Kit   de   herramientas   de   lenguaje   natural): Un   conjunto   de   bibliotecas   y programas para el procesamiento del lenguaje natural simbólico y estadística (PNL) para el Pythonlenguaje.

OpenNN: Open redes neuronales biblioteca. Naranja: Una   minería   de   datos   basado   en   componentes   y aprendizaje 

automático suite de software escrito en Python lenguaje. R: Un lenguaje de programación medio ambiente y el software para estadística de 

computación, minería de datos y gráficos. Es parte del Proyecto GNU. SCaViS: Java multiplataforma marco   de   análisis   de   datos   desarrollado   en 

el Laboratorio Nacional de Argonne. API SenticNet: Un recurso semántico y afectiva para la minería de opinión y análisis 

de los sentimientos. Tanagra: Un software de minería de datos de visualización orientada, también para 

la enseñanza. Antorcha: Un código abierto aprendizaje profundo biblioteca para el Lua lenguaje 

de   programación   y computación   científica marco   con   un   amplio   apoyo para aprendizaje automático algoritmos.

UIMA: El UIMA (no estructurados Arquitectura Gestión de la Información) es un marco de componentes para el análisis de contenido no estructurado como texto, audio y video - originalmente desarrollado por IBM.

Weka: Una suite de aplicaciones de software de aprendizaje automático escritas en el Java lenguaje de programación.

El software comercial de minería de datos y aplicaciones

Angoss   KnowledgeSTUDIO: herramienta   de   minería   de   datos   proporcionada por Angoss.

Clarabridge: solución de análisis de texto de clase empresarial. Grafema: minería de datos y software de visualización proporcionada por iChrome. HP Vertica Analytics Platform: software de minería de datos proporcionada por HP. IBM SPSS Modeler: software de minería de datos proporcionado por IBM. KXEN Modeler: herramienta de minería de datos proporcionada por KXEN. LIONsolver: una   aplicación   de   software   integrado   para   la   minería   de   datos, 

inteligencia   de   negocios,   y   el  modelado   que   implementa   el   aprendizaje   y   el enfoque de optimización inteligente (LEÓN).

Microsoft   Analysis   Services: software   de   minería   de   datos   proporcionada por Microsoft.

Netowl: conjunto   de   texto   y   análisis   de   entidades   productos  multilingües   que permiten la extracción de datos.

OpenText   ™   Big   Data   Analytics: Datos   Visuales   Minería   y   Análisis   Predictivo por Open Text

Oracle Data Mining: software de minería de datos Oracle. PSeven: plataforma para la automatización de simulación de ingeniería y análisis, 

optimización   multidisciplinar   y   la   minería   de   datos   proporcionada por DATADVANCE.

Qlucore ómicas   Explorer:   software   de   minería   de   datos   proporcionada por Qlucore.

RapidMiner: Un   entorno   de aprendizaje   automático y   minería   de   datos experimentos.

SAS Enterprise Miner: software de minería de datos proporcionada por el Instituto SAS.

STATISTICA Data Miner: software de minería de datos proporcionada por Statsoft.

Encuestas de mercado

Varios investigadores y organizaciones han llevado a cabo exámenes de herramientas de minería de datos y encuestas de la minería de datos. Estos se identifican algunas de las fortalezas y debilidades de los paquetes de software. También proporcionan una visión general   de   los   comportamientos,   preferencias   y   opiniones   de   los   mineros   de datos. Algunos de estos informes son:

2011 Wiley Interdisciplinary Comentarios: minería de datos y descubrimiento de conocimiento [35]

Encuestas Rexer Analytics Data Miner (2007-2013) [36]

Forrester   Research 2010   Predictive   Analytics   y   Minería   de   Datos   Soluciones informe [37]

Gartner 2008 informe "Cuadrante Mágico" [38]

2006   Tres   Series   de   Robert   A.   Nisbet   Parte   de   los   artículos   "Data   Mining Herramientas:? Cuál es el mejor para CRM" [39]

Haughton et al.  2003 Paquetes de Revisión de la minería de datos de software en El Estadístico de América [40]

Goebel y Gruenwald 1999 "Una encuesta de minería de datos a Descubrimiento de Conocimiento Software Herramientas" en SIGKDD Exploraciones [41]

Véase también

Métodos

/ Valor atípico / detección de cambios Anomalía Asociación aprendizaje de reglas Clasificación Análisis de conglomerados Árbol de decisión Análisis factorial Algoritmos genéticos Minería Intención Multilineal aprendizaje subespacio Redes neuronales Análisis de regresión Secuencia de la minería Análisis de datos estructurado Máquinas de vectores soporte Extracción de textos

Los dominios de aplicación

Analytics Bioinformática Inteligencia de Negocio Análisis de los datos Almacén de datos Sistema de soporte de decisiones El descubrimiento de fármacos Análisis exploratorio de datos El análisis predictivo La minería Web

Ejemplos de aplicaciónVer también: Categoría: Se aplica la minería de datos.

Análisis de clientes

La minería de datos en la agricultura La minería de datos en meteorología Minería de datos para la Educación Agencia de Seguridad Nacional Policía reforzado ANPR en el Reino Unido Relación cuantitativa estructura-actividad Vigilancia / vigilancia masiva (por ejemplo, Stellar viento)

Temas relacionados

La  minería   de   datos   es sobre el   análisis   de   datos; para   obtener   información   sobre   la extracción de información de datos, consulte:

La integración de datos Transformación de datos Descubrimiento electrónico Extracción de información Integración de la información Reconocimiento entidad nombrada Profiling (ciencia de la información) Raspado Web

Referencias

1. ^ Un  b  c Fayyad,   Usama; Piatetsky-Shapiro,   Gregorio; Smyth,   Padhraic   (1996). "A partir  de  minería  de  datos  para  Descubrimiento  de  Conocimiento  en  Bases  de Datos"(PDF). Consultado el 17 de diciembre 2008.

2. ^ Un  b  c  d "Currículo   de   minería   de   datos". ACM SIGKDD. 2006-04-30. Consultado el 01/27/2014.

3. ^ Clifton,   Christopher   (2010). "Enciclopedia   Británica:   Definición   de   Minería deDatos". Consultado el 2010-12-09.

4. ^ Hastie,  Trevor; Tibshirani,  Robert; Friedman,   Jerome (2009). "Los  elementos  de aprendizaje   estadístico:  Minería   de   Datos,   Inferencia   y predicción". Consultado el2012-08-07.

5. ^ Han,   Jiawei; Dormitorio,   Micheline   (2001) Data Mining:. Conceptos y técnicas.Morgan Kaufmann. p. 5. ISBN 9781558604896. Por lo tanto, la minería de datos se debería haber llamado más apropiadamente "la minería del conocimiento a partir de datos", que es por desgracia un tanto larga

6. ^ Véase   por   ejemplo la   Conferencia   de   Otoño   OKAIRP   2005,   Arizona   State University About.com: Datamining

7. ^ Witten, Ian H.; Frank, Eibe; Hall, Mark A. (30 enero 2011) Data Mining:. Prácticos Herramientas de Aprendizaje Automático y Técnicas (3  ed.). Elsevier.ISBN 978-0-12-374856-0.

8. ^ Bouckaert, Remco R .; Frank, Eibe; Hall, Mark A .; Holmes, Geoffrey;Pfahringer, Bernhard; Reutemann,  Pedro, Witten,   Ian  H. (2010). "Experiencias  WEKA con  un proyecto   de   código   abierto   de   Java" Journal of Machine Learning Investigación 11:.. 2533   a   2541 el   título   original,   "la   máquina   de   aprendizaje práctico", fue cambiado ... La "minería de datos" plazo se [nuestro] principalmente para razones de marketing.

9. ^ Mena, Jesús (2011). Máquinas Forense de Aprendizaje de Aplicación de la Ley, de Seguridad y de Inteligencia. Boca   Raton,   FL:   CRC   Press   (Taylor   &   Francis Group). ISBN 978-1-4398-6069-4.

10. ^ Piatetsky-Shapiro,  Gregorio; Parker,  Gary   (2011). "Lección:  Minería  de  Datos  y Descubrimiento de Conocimiento: Una introducción" Introducción a la Minería de Datos.. KD Nuggets. Consultado el 30 de agosto 2012.

11. ^ Kantardzic,   Mehmed   (2003) Data Mining:. Conceptos, modelos, métodos y algoritmos. John Wiley & Sons. ISBN 0-471-22852-4. OCLC 50055336.

12. ^ "Microsoft Academic Search: Top Conferencias en la minería de datos".Microsoft Academic Search.

13. ^ "Google  Académico:  Top  publicaciones   -  Minería  de  datos  y  análisis". Google Académico.

14. ^ Proceedings, Conferencias   Internacionales   sobre   el   Descubrimiento   de Conocimiento y Minería de Datos, ACM, Nueva York.

15. ^ SIGKDD Exploraciones, ACM, Nueva York.16. ^ Gregory   Piatetsky-Shapiro   (2002) KDnuggets Metodología Encuesta, Gregory 

Piatetsky-Shapiro   (2004) KDnuggets Metodología Encuesta, Gregory   Piatetsky-Shapiro   (2007) KDnuggets Metodología Encuesta, Gregory   Piatetsky-Shapiro (2014) KDnuggets Metodología Encuesta

17. ^ Óscar Marbán, Gonzalo Mariscal y Javier Segovia (2009); Un Minería de Datos y Descubrimiento de Conocimiento Modelo de proceso. En   la  minería  de  datos  y descubrimiento de conocimiento en las solicitudes de la vida real,  libro editado por: Julio Ponce y Adem Karahoca, ISBN 978-3-902613-53-0., Pp 438-453, febrero de 2009, I-Tech, Viena, Austria.

18. ^ Lukasz  Kurgan  y  Petr  Musilek   (2006); Un estudio de modelos de procesos de descubrimiento de conocimiento y minería de datos. La Revista de Ingeniería del Conocimiento. Volumen   21   Número   1,   marzo   de   2006,   pp   1-24,   Cambridge University Press, Nueva York, NY, EE.UU. doi: 10.1017 / S0269888906000737

19. ^ Azevedo, A. y Santos, MF KDD, SEMMA y CRISP-DM: una visión paralela. En Actas de la Conferencia Europea IADIS en Data Mining 2008, pp 182-185.

20. ^ Günnemann, Stephan; Kremer, Hardy; Seidl, Thomas (2011). "Una extensión del estándar  PMML al   subespacio  modelos  de   clustering" Actas del taller de 2011 sobre el marcado predictivo Modeling Language -. PMML '11. p. 48. doi: 10.1145 / 2023598.2023605. ISBN 9781450308373.

21. ^. Seltzer,  William "La  Promesa   y   Trampas  de   la  Minería  de  Datos:  Cuestiones éticas" (PDF).

22. ^ Pitts, Chip (15 de marzo de 2007). "El fin de la ilegal doméstica Espionaje? No contar con ella". Washington Espectador.

23. ^ Taipale,   Kim   A.   (15   de   diciembre   de   2003). "Minería   de   Datos   y   Seguridad Nacional: Conectando los Puntos de dar sentido a los datos" Columbia Ciencia y Tecnología de la Ley 5 (2).. OCLC 45263753. SSRN 546.782.

24. ^ Resig, John; y Teredesai, Ankur (2004). "Un Marco para la Minería Servicios de mensajería instantánea". Actas de la Conferencia DM SIAM 2004.

25. ^ Un  b  c Piense antes de cavar: Implicaciones de Privacidad de Data Mining y agregación, Breve NASCIO Investigación, septiembre de 2004

26. ^ Ohm,   Paul. "No   Construir   una   base   de   datos   de   la   ruina". Harvard   Business Review.

27. ^ Darwin   Bond-Graham, Hierro   Cagebook   -   El   final   lógico   de   Patentes   de Facebook, Counterpunch.org, 03/12/2013

28. ^ Darwin   Bond-Graham, Dentro   Conferencia   de   inicio   de   la   industria   de   la tecnología, Counterpunch.org, 09/11/2013

29. ^ De datos de búsqueda de AOL individuos identificados, SecurityFocus, agosto de 2006

30. ^ Editores Biotech Business Week (30 de junio de 2008); BIOMEDICINA; Regla de Privacidad HIPAA Impide Investigación Biomédica, Biotech   Business   Week, recuperado 17 de noviembre 2009 de LexisNexis Academic

31. ^ Los investigadores del Reino Unido Dada Data Mining justo debajo de Nueva UK Leyes de Copyright. Out-Law.com. Consultado el 14 de noviembre 2014

32. ^ "Las   licencias   para   Europa   -   Diálogo   Estructurado   Stakeholder   2013" de la Comisión Europea.. Consultado el 14 de noviembre 2014.

33. ^ "Texto   y   Minería   de   Datos:   Su   importancia   y   la   necesidad   de   cambio   en Europa"Asociación de Bibliotecas de Investigación Europeas.. Consultado el 14 de noviembre 2014.

34. ^ "Juez   otorga   sentencia   sumaria   a   favor   de  Google   Libros   -   una   victoria   uso justo"Lexology.com.. Antonelli Ley Ltd. Obtenido 14 de noviembre 2014.

35. ^ Mikut,  Ralf; .  Reischl,  Markus   (septiembre-octubre  de 2011) "Herramientas  de minería   de   datos". Wiley Interdisciplinary Comentarios: Minería de Datos y Descubrimiento de Conocimiento 1 (5):.  Desde   431   hasta   445 doi: 10.1002 /widm.24. Consultado el 21 de octubre 2011.

36. ^ Karl   Rexer,   Heather   Allen,   &   Paul   Gearan   (2011); Comprender Mineros de datos,Analytics  Magazine,  mayo   /   junio   de   2011   (INFORMA:   Instituto   para   la Investigación de Operaciones y las Ciencias de la Administración).

37. ^ Kobielus, James; The Forrester Wave: análisis predictivo y soluciones de minería de datos, Q1 2010, Forrester Research, 01 de julio 2008

38. ^ Herschel,   Gareth; Cuadrante Mágico para aplicaciones cliente Data-Mining,Gartner Inc., 01 de julio 2008

39. ^ Nisbet, Robert A. (2006); Herramientas de minería de datos: cuál es el mejor para CRM? Parte 1, Información Informes Especiales de Gestión, enero de 2006

40. ^ Haughton, Dominique; Deichmann, Joel; Eshghi, Abdolreza; Sayek, Selin;Teebagy, Nicolás; y Topi, Heikki (2003); Una revisión de los paquetes de software de minería de datos, El Estadístico de América, vol. 57, No. 4, pp. 290-309

41. ^ Goebel,  Michael; Gruenwald,   Le   (1999); una encuesta de Minería de Datos y Descubrimiento de Conocimiento Software Herramientas, SIGKDD Exploraciones, vol. 1, No. 1, pp. 20-33

Lecturas adicionales

Cabeña, Peter; Hadjnian, Pablo; Stadler,  Rolf; Verhees, Jaap; y Zanasi,  Alessandro (1997); Descubriendo Minería de datos: del concepto a la implementación, Prentice Hall,ISBN 0-13-743980-6

MS Chen, J. Han, PS Yu (1996) "La minería de datos: una visión general desde la perspectiva  de   la   base  de  datos". El conocimiento y datos de ingeniería, IEEE Transactions on8 (6), desde 866 hasta 883

Feldman, Ronen; y Sanger, James; El texto Manual Minería, Cambridge University Press, ISBN 978-0-521-83657-9

Guo, Yike; y Grossman, Robert (editores) (1999); High Performance Data Mining: Scaling Algoritmos, aplicaciones y sistemas, Kluwer Academic Publishers

Han,   Jiawei, Micheline   Dormitorio   y   Jian   Pei Data Mining:. Conceptos y técnicas. Morgan Kaufmann, 2006.

Hastie,   Trevor, Tibshirani,   Robert y Friedman,   Jerome (2001); Los elementos de aprendizaje estadístico: Minería de Datos, Inferencia y predicción, Springer, ISBN 0-387-95284-5

Liu, Bing (2007); Web Minería de Datos: Exploración de hipervínculos, contenido y uso de datos, Springer, ISBN 3-540-37881-2

Murphy,   Chris   (16   de  mayo   de   2011). "¿Es   la  Minería   de   Datos   del   discurso libre?". InformationWeek (UMB): 12.

Nisbet, Robert; Elder, John; Miner, Gary (2009); Manual de Análisis Estadístico de Datos y Aplicaciones de minería, Academic Press / Elsevier, ISBN 978-0-12-374765-5

Poncelet,  Pascal; Masseglia,  Florent; y  Teisseire,  Maguelonne (editores)   (octubre de   2007); "Modelos   de   minería   de   datos:   Nuevos   Métodos   y Aplicaciones", Ciencias de la Información de Referencia, ISBN 978-1-59904-162-9

Tan,   Pang-Ning; Steinbach,   Michael; y   Kumar,   Vipin   (2005); Introducción a la Minería de Datos, ISBN 0-321-32136-7

Theodoridis,   Sergios; y   Koutroumbas,   Konstantinos   (2009); Reconocimiento de Patrones, cuarta edición, Academic Press, ISBN 978-1-59749-272-0

Weiss,   Sholom   M   .; y   Indurkhya,   Nitin   (1998); predictivo de minería de datos, Morgan Kaufmann

Witten, Ian H.; Frank, Eibe; Hall, Mark A. (30 enero 2011) Data Mining:. Prácticos Herramientas de Aprendizaje Automático y Técnicas (3 ed.). Elsevier. ISBN 978-0-12-374856-0. (Véase también el software gratuito Weka)

Ye, Nong (2003); El Manual de minería de datos, Mahwah, NJ: Lawrence Erlbaum

Enlaces externos

Wikimedia Commons alberga contenido multimedia sobre la minería de datos.

v t e

Almacén de datos Creación del almacén de datos

Conceptos

Base de datos Dimensión Modelado dimensional Hecho OLAP Esquema en estrella Agregada

Variantes

Modelado de anclaje DBMS Columna orientada Modelado Data Vault HOLAP MOLAP ROLAP Almacén de datos operacional

Elementos

Diccionario de datos / metadatos Data mart Forma normal Sexta Clave sustituta

Hecho

Tabla de hechos Early-llegando hecho Medida

Dimensión

Tabla de dimensiones Degenerar Poco a poco el cambio

Llenado Extracción, transformación y carga (ETL) Extracto Transformar

Carga

Utilizando el almacén de datos

Conceptos

Inteligencia de Negocio Tablero La minería de datos Sistema de apoyo a las decisiones (DSS) Cubo OLAP

Idiomas

Extensiones de minería de datos (DMX) Expresiones multidimensionales (MDX) XML for Analysis (XMLA)

Herramientas

Herramientas   de   inteligencia   de negocios

Software de presentación de informes Hoja de cálculo

Relacionada

Gente Bill Inmon Ralph Kimball

Productos

Comparación de los servidores OLAP Productos   de   almacenamiento   de   datos   y   sus 

productores

v t e

Principales secciones de la informáticaNota: La informática también se puede dividir en diferentes temas o campos de acuerdo con el Sistema de Clasificación de Informática ACM.Fundamentos matemáticos

La lógica matemática Teoría de conjuntos Teoría de los números La teoría de grafos Teoría Tipo Teoría de la categoría Análisis numérico

Teoría de la información Combinatoria Álgebra de Boole

Teoría de la computación

Teoría de Autómatas Teoría de la computabilidad Teoría de la complejidad computacional Teoría de la computación cuántica

Algoritmos,estructuras de datos

Análisis de algoritmos Diseño de algoritmos Optimización combinatoria Geometría Computacional

Los lenguajes de programación, compiladores

Analizadores Intérpretes Programación de procedimiento Programación orientada a objetos La programación funcional La programación lógica Paradigmas de programación

Concurrente,paralelo, sistemas distribuidos

Multiprocesamiento La computación grid Control de concurrencia

Ingeniería de Software

Análisis de requerimientos Diseño de software Programación Los métodos formales Las pruebas de software Proceso de desarrollo de software

Arquitectura del sistema

Arquitectura de Computadores Organización ordenador Sistemas operativos

Telecomunicaciones,la creación de redes

De audio del ordenador Enrutamiento Topología de la red Criptografía

Bases de datos

Sistemas de gestión de bases de datos Bases de datos relacionales SQL Transacciones Índices de base de datos La minería de datos

La inteligencia artificial, Aprendizaje automático

La computación afectiva Inteligencia artificial Razonamiento automatizado Lingüística Computacional Visión por computador Computación evolutiva Sistemas expertos Representación del conocimiento Aprendizaje automático Procesamiento del lenguaje natural Robótica

Gráficos de computadora

Visualización La animación por computadora Procesamiento de imágenes

La interacción persona-ordenador

Accesibilidad ordenador Las interfaces de usuario La computación usable Computación ubicua Realidad virtual

Computación científica

La vida artificial Bioinformática Ciencia cognitiva Química Computacional Neurociencia computacional Física Computacional Algoritmos numéricos Matemática simbólica

Portal de Informática

v t

e

Sub-disciplinas de la informática Hardware Software Firmware

Sistema de información

Seguridad de información Base de datos multimedia Base de datos inteligente Big Data Los sistemas basados en el conocimiento Sistema de recomendación Sistemas de información geográfica Sistema de soporte de decisiones Ingeniería de datos Ingeniería del Conocimiento Lógica difusa Análisis de los datos Sistema de análisis y diseño Gestión de proyectos Gestión del conocimiento La integración de datos Computación de alto rendimiento Web Semántica

Ciencias de la Computación

Sistema de administración de base de datos Sistema de comunicaciones Geometría Computacional Aprendizaje automático La minería de datos Programación paralela Teoría de la codificación Teoría de la computación Programación con restricciones Biología computacional (Bioinformática) Diseño y análisis de algoritmos Recuperación de información La ciencia computacional La computación simbólica La computación distribuida Computación evolutiva Computación natural

Optimización combinatoria Procesamiento en paralelo

Ingeniería informática

Multimedia La navegación por satélite (GNSS) Sistemas embebidos En tiempo real de computación Arquitectura de Computadores La programación en parejas La programación del sistema Redes neuronales Reconocimiento de voz El análisis de la señal Visión por computador (computación visual) IC Design Voz sobre IP La síntesis de voz La interacción persona-ordenador Microprocesador Procesamiento de imágenes Procesamiento del lenguaje natural Procesamiento del habla Procesamiento de señales digitales

Ingeniería de Software

Mantenimiento de software Los métodos formales La calidad del software La garantía de calidad del software Software Measurement Software tolerante a fallos Las pruebas de software Arquitectura empresarial Arquitectura de software Economía Ingeniería de software Desarrollo ágil de software Patrón de diseño Modelado de software Analizador de sistemas Análisis orientado a objetos y diseño (UML) Análisis de requerimientos Desarrollo de software Gestión de configuración de software Gestión de proyectos de software

Gestión de ingeniería de software Proceso de desarrollo de software (Software vida comunicado de 

ciclo) Diseño de software Implementación de software Mejora Software

Red de computadoras

Seguridad de la red Transacción electrónica segura Evaluación del Desempeño de la red (QoS) Computación en la nube Enrutamiento Los sistemas distribuidos (base de datos distribuida) Teoría de la información Red inalambrica Red de próxima generación Red celular Red de transporte óptico (networking óptico) Criptografía Simulación de red Reconocimiento de patrones Los administradores de red Equipo de red Diseño de red Ubicua y computación móvil Centro de datos Las comunicaciones móviles La comunicación digital Comunicaciones por satélite Telecomunicaciones (Red de telecomunicaciones)

Informática negocio

ITIL ITSM Planificación de recursos empresariales Negocio electrónico Inteligencia de Negocio Desarrollo de recursos humanos Gestión de la seguridad Gestión de la configuración Gestión de la tecnología La administración de energía Gestión De Servicios Gestión de proyectos

Gestión de sistemas Administración de redes Gestión de contenido Gestión de relaciones con clientes Gestión de incidencias Gestión de activos La gestión integrada Gestión de las comunicaciones Administrador de sistema

Control de la Autoridad GND: 4428654-5 NDL: 00948240

Obtenido   de "https://en.wikipedia.org/w/index.php?title=Data_mining&oldid=682066091"Categorías:

La minería de datos Análisis de los datos Ciencias formales

Categorías ocultas:

Todos los artículos con declaraciones sin fuentes Los artículos con declaraciones sin fuentes de enero 2014 Artículos a expandir desde septiembre de 2011 Los artículos con declaraciones sin fuentes de abril 2014 Categoría de los Comunes con vínculo local mismo que en Wikidata Artículos de Wikipedia con identificadores GND

Menú de Navegación

Herramientas personales

Crear cuenta Iniciar sesión

Los espacios de nombres

Artículo Talk

Variantes

Vistas

Leer Editar Ver historial

Más

Buscar

Navegación

Pagina principal Contenidos Contenido Destacado Eventos actuales Artículo al azar Donar a Wikipedia Tienda de Wikipedia

Interacción

Ayuda Acerca de Wikipedia Portal de la comunidad Cambios recientes Contacto página

Herramientas

Lo que enlaza aquí Cambios en enlazadas Subir archivo Páginas especiales Enlace permanente Información de la página Elemento Wikidata Cite esta página

Imprimir / exportar

Crear un libro

Buscar Ir

Descargar como PDF Versión imprimible

Idiomas

العربية অসমী�য়া� Azərbaycanca বাং��লা� Български Català Čeština Dansk Deutsch Eesti Ελληνικά Español Euskara فارسی Français 한국어 हि�न्दी� Hrvatski bahasa indonesia Italiano עברית ಕನ್ನ�ಡ Latviešu Lietuvių Magiar Македонски മലയാ�ളം� मरा�ठी Nederlands 日本語 Norsk bokmål Polski Português Română Русский Sencillo Inglés Slovenčina Slovenščina

Српски / srpski Srpskohrvatski / српскохрватски Basa Sunda Suomi Svenska தமி�ழ் ไทย Тоҷикӣ Türkçe Українська Tiếng Việt יִידיש 中文

Editar enlaces

Esta página fue modificada por última vez el 21 de septiembre de 2015, a las 09:36. El   texto   está   disponible   bajo   la Licencia   Creative   Commons   Reconocimiento-

Compartir bajo la misma ; cláusulas adicionales pueden aplicar. Al utilizar este sitio, usted   acepta   los Términos   de   Uso y Política   de   Privacidad. Wikipedia®   es   una marca registrada de  la Fundación Wikimedia,   Inc., una organización sin fines de lucro.

Política de privacidad Acerca de Wikipedia Aviso legal Póngase en contacto con Wikipedia Desarrolladores Vista móvil