Dinámica científica y medidas de complejidad. Miguel Fuentes

heterogéneos (por ejemplo tráfico o evacuación).

      2.3.9 Minería de datos

      Existen muchos sistemas donde la dinámica subyacente es desconocida. Estos son, de alguna manera, formas muy diferentes del tipo clásico de sistemas dinámicos, donde se pueden proponer modelos utilizando primeros principios para describirlos. En estos sistemas, las ecuaciones de movimiento de Newton para los sistemas clásicos, las ecuaciones de Maxwell para sistemas electromagnéticos o las ecuaciones cuánticas o relativistas pueden ser el punto de partida para construir modelos que describan el fenómeno usando un enfoque ascendente. Para otros sistemas, este tipo de reducción (tanto epistemológica como ontológica) es imposible debido a la complejidad del problema –que a veces hace casi imposible crear un modelo reduccionista– y a la falta de información, ya que a veces los datos o resultados del sistema están disponibles solo a un nivel muy alto y macroscópico, etc.

      Hoy en día contamos con una variedad casi infinita de datos disponibles: de instituciones científicas, gobiernos, diferentes tipos de empresas, datos sobre internet, etc. Todos estos datos disponibles pueden ser almacenados y estudiados, pero como el lector puede adivinar (y como ya hemos mencionado) para algunos de ellos el enfoque de primeros principios está lejos de ser alcanzado.

      El término minería de datos no se refiere a la extracción y recolección de una gran cantidad de datos, como suele creerse. La minería de datos se refiere a la extracción y reconocimiento de patrones emergentes en grandes conjuntos de datos. En este sentido, la minería de datos tiene dos metas principales [Kantardzic, 2011]: predicción y descripción. Para lograrlos, la minería de datos utiliza la siguiente tarea: clasificación, regresión, agrupación, resumen, modelado y detección de desviaciones.

      Aunque el reconocimiento de patrones y la detección de signos de causalidad en algunas interacciones han sido un tema de investigación usando métodos clásicos (por ejemplo, correlación y análisis de regresión), la minería de datos identifica patrones presentes en los datos, utilizando además (y entre otras) la inteligencia artificial y las técnicas de aprendizaje automático [Hastie et al., 2009]. Debido a la gran variedad de datos disponibles hoy en día, la minería de datos se está convirtiendo en una poderosa herramienta para estudiar los patrones sociales en los sistemas urbanos. También, aplicaciones comunes de esta rama de la informática pueden verse en astronomía, genética, comportamiento social emergente, patrones en transporte, sistemas financieros, telecomunicaciones, etc.