v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

Tamaño: px
Comenzar la demostración a partir de la página:

Download "v.1.0 Clase 5 Docente: Gustavo Valencia Zapata"

Transcripción

1 v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

2 Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM

3 Minería de datos La minería de datos o descubrimiento de conocimiento en bases de datos (KDD, knowledge discovery in databases ), es una poderosa herramienta informática de gran alcance con un gran potencial para la extracción de información previamente desconocida y potencialmente útil a partir de grandes bases de datos. La minería de datos automatiza el proceso de búsqueda de relaciones y patrones en los datos y proporciona resultados que pueden ser utilizados en un sistema de apoyo a las decisiones estratégicas del negocio [22]. Docente: Gustavo Valencia Zapata

4 Minería de datos Previamente a un proyecto en el que se someten los datos a técnicas de DM, conviene tener claro qué objetivo de negocio se persigue y también se deben considerar aspectos sobre la naturaleza de nuestros datos, entre los cuales se tienen [23]: Se tienen los datos disponibles? Los datos deben estar en un formato accesible. Es común encontrar los datos dispersos en diferentes ubicaciones y formatos (electrónicos y físicos), donde es necesario unirlos en un solo archivo electrónico. Los datos cubren los factores relevantes de análisis? Es crítico contar con los factores/variables relevantes del proyecto, aunque es propio de DM averiguar cuales son dichos factores relevantes. La experiencia y conocimiento de un experto en el tópico es útil al momento de seleccionar los factores. Tienen mucho «ruido» los datos? El término ruido se refiere a errores en los datos o valores perdidos. A mayor ruido, mayor será la dificultad de alcanzar resultados satisfactorios.

5 Minería de datos Hay suficientes datos? Depende da cada situación en particular. En las técnicas de análisis de datos, si se trata de detectar relaciones o patrones más complejos, será necesario contar con un mayor número de registros para encontrarlos. Hay conocimiento sobre los datos disponibles? Usualmente se cuenta con un experto que tiene conocimiento de sus datos y se encarga de aplicar las distintas técnicas de DM. Pero si el responsable del proyecto es indiferente al contexto del problema, es necesario contar con la ayuda de expertos que no solamente ayudarán a identificar factores relevantes e interpretar los resultados sino que también la orientación en la selección de la información relevante para los objetivos perseguidos. Docente: Gustavo Valencia Zapata

6 Herramientas de DM

7 Una metodología como CRISP-DM (Cross Industry Standard Process of data mininig) sugerida por SPSS, no solo garantizaría una adecuada planeación sino una mayor efectividad en los resultados de un proyecto de minería de datos. Se debe tener presente que a pesar de disponer de la tecnología o las herramientas más sofisticadas; un peso realmente importante del trabajo recaerá sobre alguien o un grupo con un conocimiento profundo del negocio. Bajo la metodología CRISP-DM, se deben responder las siguientes preguntas [24] Cuál es el principal objetivo que se persigue resolver? Qué datos se tendrán disponibles y cuales son relevantes en cuestión? Qué clase de depuración de datos es requerida? Qué técnica de minería de datos se empleará? Cómo se evaluarán los resultados? Docente: Gustavo Valencia Zapata

8 Un riguroso proyecto en minería de datos, contempla las anteriores preguntas para aumentar las posibilidades de éxito en los resultados obtenidos. El objetivo del presente artículo no es abordar en detalle cada uno de estos cuestionamientos, sino dar un acercamiento a los elementos más importante y de fácil comprensión por parte de la cabeza estratégica del área, equipo o compañía. Esta metodología fue concebida en 1996, por Comisión Europea SPSS / ISL, NCR, Daimler Chrysler, OHRA Alrededor de 200 miembros de CRISP-DM al nivel

9 CRISP-DM consiste fundamentalmente de 5 etapas: Comprensión del negocio Comprensión de los datos Preparación de los datos Modelado Evaluación Despliegue Fuente: CRISP-DM 1.0, Docente: Gustavo Valencia Zapata

10 Comprensión del negocio (Objetivos y requerimientos desde una perspectiva no técnica) Esta fase se enfoca en entender el objetivo del proyecto y requerimientos desde una perspectiva del negocio. Objetivos: Situación de la compañía (área) Necesidades Elaborar plan de trabajo: Etapas del proyecto Recursos requeridos Dependencias y herramientas adecuadas Requerimientos: Inventario de recursos Supuestos y restricciones Evaluación Costo/Beneficio Fuente: CRISP-DM 1.0,

11 Comprensión de los datos (Objetivos y requerimientos desde una perspectiva no técnica) Inicia con una recopilación de datos y procede con actividades para lograr familiarizarse con los datos identificando problemas de calidad y descubrir las primeras ideas sobre los datos o detectar subconjuntos de interés. Recolección inicial de datos: Consecución de los datos Listado y ubicación de la fuentes de datos Descripción de datos. Cantidad. Campos registros Formatos de los campos Tipos de variables Fuente: CRISP-DM 1.0, Docente: Gustavo Valencia Zapata

12 Comprensión de los datos Análisis Exploratorio de datos: Reportes de exploración Estadísticos descriptivos Gráficos Calidad de los datos: Evaluar el porcentaje de datos perdidos Explorar posibles técnicas de imputación Fuente: CRISP-DM 1.0,

13 Preparación de los datos (Actividades para construir la base de datos final que alimentara los modelos) Las tareas de preparación de datos probablemente se realiza múltiples veces y en cualquier orden. Estas tareas incluyen: tablas, registros, transformación y limpieza de los datos. Selección de datos: Tablas, archivos Campos y registros Limpieza de datos: Eliminar registros duplicados Eliminar registros inconsistentes Fuente: CRISP-DM 1.0, Docente: Gustavo Valencia Zapata

14 Preparación de los datos Construcción de data Derivar (crear) nuevas variables Recodificar variables Integración de datos Agregar registros variables Fuente: CRISP-DM 1.0,

15 Modelado (Aplicar las técnicas de minería de datos a los bases de datos) Varias técnicas de modelado son seleccionadas y aplicadas y sus parámetros son ajustados para un optimo funcionamiento. Existen múltiples técnicas para el mismo problema planteado en minería de datos. Algunas técnicas especifican requerimientos particulares en los datos. Entonces, la etapa de preparación de los datos y el conocimiento profundo de las tecnicas es fundamental. Seleccionar la técnica adecuada Construcción del modelo Cualidades de los modelos Revisión de parámetros Revisión de supuestos Fuente: CRISP-DM 1.0, Docente: Gustavo Valencia Zapata

16 Conceptos básicos Evaluación En esta etapa del proyecto se ha construido un modelo(s) que aparentemente tienen alta calidad desde una perspectiva de análisis de datos. Antes de proceder a la implementación del modelo, es importante evaluar a fondo el modelo y revisar los pasos ejecutados para su construcción y estar seguros que el modelo está propiamente cumpliendo los logros del objetivo del negocio. Determinar los pasos a seguir: Lista de acciones o planes a desarrollar

17 Conceptos básicos Despliegue (Explotar utilidad de los modelos, integrándolos en las tareas de toma de decisiones de la organización) La construcción de un modelo generalmente no es el fin del proyecto de DM. Incluso si el fin del proyecto es incrementar el conocimiento de los datos, el conocimiento ganado necesitará ser organizado y presentado de forma que los usuarios puedan usarlo. Docente: Gustavo Valencia Zapata

18 El acrónimo SEMMA sample (muestra), explore (explorar), modify (modificar), model (modelar) y assess (evaluar). Se refiere al corazón central del proceso de minería de datos [25] Inicia con una con un muestra estadística representativa de los datos, esto facilita aplicar análisis estadístico exploratorio y técnicas de visualización de información. Selecciona y transforma las más representativas variables predictivas, modelar las variables para predecir resultados y confirmar la precisión del modelo. Fuente: Applied Analytics Using SAS Enterprise Miner, 2010

19 Muestra Crear una o más tablas utilizando muestras de los datos contenidos en el Data Warehouse. Las muestras deberían ser lo suficientemente grandes como para contener información significativa, aunque lo suficientemente pequeñas como para poder procesarse con rapidez. Las técnicas de muestreo estadístico son necesarias para un correcto proceso de muestreo. Explorar Buscar por anticipado relaciones, tendencias no anticipadas y anomalías para ganar comprensión e ideas. Fuente: Applied Analytics Using SAS Enterprise Miner, 2010 Docente: Gustavo Valencia Zapata

20 Modificar Creación, selección y transformación de una o más variables para centrar el proceso de selección de modelos en una dirección particular o para aumentar los datos para obtener claridad o coherencia. Modelar Crear un modelo de datos implica la utilización de una solución de minería que busque automáticamente una combinación de datos que prevean de forma fiable un resultado deseado. Fuente: Applied Analytics Using SAS Enterprise Miner, 2010

21 Evaluar Estimar el modelo para su posterior evaluación. Un método común para evaluar un modelo es aplicarlo a la porción de los datos que se dejaron de lado durante la etapa de muestreo. Si el modelo es válido debería funcionar para esta muestra reservada, de igual modo que funciona para la muestra utilizada para construir el modelo. Fuente: Applied Analytics Using SAS Enterprise Miner, 2010 Docente: Gustavo Valencia Zapata

22 Referencias [22] Perner, Petra (2002). Data Mining on Multimedia Data. Springer [23] IBM SPSS, Introduction a IBM SPSS Modeler, [44] CRISP-DM 1.0 Chapman, Clinton, Kerber, Khabaza, Reinartz, Shearer & Wirth, [25] Applied Analytics Using SAS Enterprise Miner, 2010

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS 1 MINERÍA DE DATOS LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES Gustavo Adolfo Valencia Zapata (info@gustavovalencia.com) 2 LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

RESUMEN ABSTRACT. CRISP, KDD, Business Intelligence, Data Mining, SEMMA

RESUMEN ABSTRACT. CRISP, KDD, Business Intelligence, Data Mining, SEMMA Rev. Tecnol. Journal of Technology Volumen 9 No. 1 Dos caminos en la búsqueda de patrones por medio de Minería de Datos: SEMMA y CRISP Two paths in search of patterns through Data Mining: SEMMA and CRISP

Más detalles

Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas

Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas Un modelo predictivo para reducir la tasa de ausentismo en atenciones médicas programadas Ing. Juan Miguel Moine Ing. Cristian Germán Bigatti Ing. Guillermo Leale Est. Graciela Carnevali Est. Esther Francheli

Más detalles

METODOLOGÍAS PARA LA REALIZACIÓN DE PROYECTOS DE DATA MINING

METODOLOGÍAS PARA LA REALIZACIÓN DE PROYECTOS DE DATA MINING METODOLOGÍAS PARA LA REALIZACIÓN DE PROYECTOS DE DATA MINING Rodríguez Montequín, Mª Teresa; Álvarez Cabal, J. Valeriano; Mesa Fernández, José Manuel; González Valdés, Adolfo Resumen La gran cantidad de

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS

LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES ESTRATÉGICAS 1 MINERÍA DE DATOS LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES Gustavo Adolfo Valencia Zapata (info@gustavovalencia.com) 2 LA MINERÍA DE DATOS COMO HERRAMIENTA PARA LA TOMA DE DECISIONES

Más detalles

GESTIÓN ASISTIDA DE DOCUMENTOS EN UNA METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN

GESTIÓN ASISTIDA DE DOCUMENTOS EN UNA METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN GESTIÓN ASISTIDA DE DOCUMENTOS EN UNA METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN E. Fernández 1,2, H. Merlino 1,2, M. Ochoa 1,2, E. Diez 1, P. Britos 1 y R. García-Martínez 1 1 Centro de Ingeniería de Software

Más detalles

Introducción a la Minería de Datos (Data Mining)

Introducción a la Minería de Datos (Data Mining) a la Minería de Datos (Data Mining) IT-Nova Facultad de Ingeniería Informática y Telecomunicaciones Iván Amón Uribe, MSc Minería de Datos Diapositivas basadas parcialmente en material de Inteligencia Analítica

Más detalles

UN MODELO DE PROCESOS DE EXPLOTACIÓN DE INFORMACIÓN

UN MODELO DE PROCESOS DE EXPLOTACIÓN DE INFORMACIÓN UN MODELO DE PROCESOS DE EXPLOTACIÓN DE INFORMACIÓN Juan Ángel Vanrell, Rodolfo Bertone, Ramón García-Martínez Escuela de Postgrado. Universidad Tecnológica Nacional (FRBA) Facultad de Informática. Universidad

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

(3300) Posadas. Argentina 1 gpautsch@fceqyn.unam.edu.ar, 2 hdkuna@unam.edu.ar,

(3300) Posadas. Argentina 1 gpautsch@fceqyn.unam.edu.ar, 2 hdkuna@unam.edu.ar, Resultados Preliminares del Proceso de Minería de Datos Aplicado al Análisis de la Deserción en Carreras de Informática Utilizando Herramientas Open Source J. Germán A. Pautsch 1, Horacio D. Kuna 2, Antonia

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

Parte I: Introducción

Parte I: Introducción Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

Resumen. 1.1 Knowledge discovery in databases

Resumen. 1.1 Knowledge discovery in databases KDD (Knowledge Discovery in Databases): Un proceso centrado en el usuario Héctor Oscar Nigro, Daniel Xodo, Gabriel Corti, Damián Terren INCA/INTIA - Departamento de Computación y Sistemas Facultad de Ciencias

Más detalles

Tecnología de apoyo a la eficiencia energética.

Tecnología de apoyo a la eficiencia energética. PROGRAMA INNPRONTA 2011 Nº IDENTIFICACIÓN EXPEDIENTE: IPT-20111006 ACRÓNIMO DEL PROYECTO: CIUDAD2020 Tecnología de apoyo a la eficiencia energética. RESUMEN DE DOCUMENTO Este documento presenta una recopilación

Más detalles

Propuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos

Propuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos Propuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos Britos, P. 1,2 ; Fernández, E. 2,1 ; García Martínez, R 1,2 1 Centro de Ingeniería del Software e Ingeniería del Conocimiento.

Más detalles

ETL: Extractor de datos georreferenciados

ETL: Extractor de datos georreferenciados ETL: Extractor de datos georreferenciados Dr. Juan Pablo Díaz Ezcurdia Doctor Honoris Causa Suma Cum Laude Master en Telecomunicaciones Master en Gestión Educativa Coordinador de la comisión de CSIRT de

Más detalles

Proceso de Conceptualización del Entendimiento del Negocio para Proyectos de Explotación de Información

Proceso de Conceptualización del Entendimiento del Negocio para Proyectos de Explotación de Información Proceso de Conceptualización del Entendimiento del Negocio para Proyectos de Explotación de Información Federico Carlos Peralta 1,2,3 1. Programa de Maestría en Ingeniería de Sistemas de Información. Universidad

Más detalles

METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN GESTOR DE DOCUMENTOS

METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN GESTOR DE DOCUMENTOS METODOLOGÍA DE EXPLOTACIÓN DE INFORMACIÓN GESTOR DE DOCUMENTOS Enrique Fernández 1,2 1 Centro de Ingeniería de Software e Ingeniería del Conocimiento. Escuela de Postgrado. Instituto Tecnológico de Buenos

Más detalles

HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio

HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio Hidrocarburos: Análisis de Pablo Burgos Casado (Jefe de Área Desarrollo (SGTIC - MITYC)) María Teresa Simino Rueda Rubén Pérez Gómez Israel Santos Montero María Ángeles Rodelgo Sanchez 1. INTRODUCCIÓN

Más detalles

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: Introducción a la Inteligencia de Negocios Hitos y personajes Arquitectura de BI Evolución de la Información Inteligencia de Negocios (BI)

Más detalles

Botón menú Objetivo de la Minería de datos.

Botón menú Objetivo de la Minería de datos. Titulo de Tutorial: Minería de Datos N2 Botón menú: Introducción. Las instituciones y empresas privadas coleccionan bastante información (ventas, clientes, cobros, pacientes, tratamientos, estudiantes,

Más detalles

Detección de Patrones de Daños y Averías en la Industria Automotriz

Detección de Patrones de Daños y Averías en la Industria Automotriz Universidad Tecnológica Nacional Facultad Regional Buenos Aires Tesis de Magister en Ingeniería en Sistemas de Información Detección de Patrones de Daños y Averías en la Industria Automotriz Directora:

Más detalles

Propuesta de Proceso de Ingeniería de Explotación de Información Centrado en Control y Gestión del Proyecto

Propuesta de Proceso de Ingeniería de Explotación de Información Centrado en Control y Gestión del Proyecto Propuesta de Proceso de Ingeniería de Explotación de Información Centrado en Control y Gestión del Proyecto Sebastian Martins 1,2, Patricia Pesado 1,3, Ramón García-Martínez 2 1. Programa de Doctorado

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

EXTENSIONES DE PMML PARA EL PREPROCESO DE DATOS EN PROYECTOS DE DATA MINING

EXTENSIONES DE PMML PARA EL PREPROCESO DE DATOS EN PROYECTOS DE DATA MINING UNIVERSIDAD POLITÉCNICA DE MADRID FACULTAD DE INFORMÁTICA TESIS DE MASTER MASTER EN TECNOLOGÍAS DE LA INFORMACIÓN EXTENSIONES DE PMML PARA EL PREPROCESO DE DATOS EN PROYECTOS DE DATA MINING AUTOR: Lisibonny

Más detalles

PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN

PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN Paola Britos 1,2, Enrique Fernandez 1,2, Ramón García-Martinez 1,2 Centro de Ingeniería del Software e Ingeniería

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productivity in Construction Companies: Knowledge acquired from the databases Hernando Camargo Mila, Rogelio Flórez

Más detalles

Trabajo final integrador para la obtención del título. Especialista en Ingeniería en Sistemas de Información

Trabajo final integrador para la obtención del título. Especialista en Ingeniería en Sistemas de Información Universidad Tecnológica Nacional Facultad Regional Buenos Aires Dirección de Posgrado Trabajo final integrador para la obtención del título Especialista en Ingeniería en Sistemas de Información "Elementos

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Secretaría de Docencia Dirección de Estudios Profesionales

Secretaría de Docencia Dirección de Estudios Profesionales I. IDENTIFICACIÓN DEL CURSO PROGRAMA DE ESTUDIO POR COMPETENCIAS Minería de Datos ORGANISMO ACADÉMICO: FACULTAD DE INGENIERÍA Programa Educativo: Ingeniería en Computación Área de docencia: Tratamiento

Más detalles

Clase 1 Módulo: Data Warehouse & Datamart Docente: Gustavo Valencia Zapata

Clase 1 Módulo: Data Warehouse & Datamart  Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: El Rol de TI en BI BI Retos de TI en BI Evolución de la Información Arquitectura de BI Referencias www.gustavovalencia.com Evolución de la

Más detalles

Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información

Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información Pollo-Cattaneo, M. F. 1,2, Mansilla, D 2,Vegega, C 2, Pesado, P. 3, García-Martínez, R. 4, P. Britos, P.

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático? Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

ASEGURAMIENTO DE LA CALIDAD PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN

ASEGURAMIENTO DE LA CALIDAD PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN WICC 2012 212 ASEGURAMIENTO DE LA CALIDAD PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN Diez, E., Pytel, P., Rodríguez, D., García, R., Lacabanne, M., Leonardis, L., Martins, S., Cartanilica, A., García-Martínez,

Más detalles

Introducción de la Propuesta

Introducción de la Propuesta Introducción de la Propuesta La evolución de la tecnología en los años recientes ha provocado cambios drásticos en muchas actividades y zonas geográficas, debido a que ha abierto nuevas posibilidades en

Más detalles

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

UNIVERSIDAD VERACRUZANA TESINA. Eudocio Villa Hernández. M.T.E. María Luisa Velasco Ramírez

UNIVERSIDAD VERACRUZANA TESINA. Eudocio Villa Hernández. M.T.E. María Luisa Velasco Ramírez UNIVERSIDAD VERACRUZANA Facultad de Contaduría y Administración Propuesta de un modelo de Minería de Datos para el Datamart propuesto para el Sistema de Asignación de Sinodales TESINA Para obtener el Título

Más detalles

MODELO PARA LA AUTOMATIZACIÓN DEL PROCESO DE DETERMINACIÓN DE RIESGO DE DESERCIÓN EN ESTUDIANTES UNIVERSITARIOS

MODELO PARA LA AUTOMATIZACIÓN DEL PROCESO DE DETERMINACIÓN DE RIESGO DE DESERCIÓN EN ESTUDIANTES UNIVERSITARIOS UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN MODELO PARA LA AUTOMATIZACIÓN DEL PROCESO DE DETERMINACIÓN DE RIESGO DE DESERCIÓN EN ESTUDIANTES

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

UN PASEO POR BUSISNESS INTELLIGENCE UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos

Más detalles

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública Dr. Viterbo H. Berberena G. Coordinador de la Maestría en Inteligencia Analítica Consultor Sénior en Inteligencia

Más detalles

Una Protofase de Entendimiento del Negocio para Metodologías de Desarrollo de Sistemas

Una Protofase de Entendimiento del Negocio para Metodologías de Desarrollo de Sistemas Una Protofase de Entendimiento del Negocio para Metodologías de Desarrollo de Sistemas María A. Ochoa, Paola V. Britos, Ramón García-Martínez Centro de Ingeniería del Software e Ingeniería del Conocimiento.

Más detalles

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS Por qué es importante la Minería de Datos? 2 La Minería de Datos es un proceso que permite obtener conocimiento a partir de los datos

Más detalles

UN MODELO DE PROCESOS PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN

UN MODELO DE PROCESOS PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN UN MODELO DE PROCESOS PARA PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN Lic. Juan Angel Vanrell Tesis de Maestría en Ingeniería en Sistemas de Información Director: Dr. Ramón García-Martínez (UNLa) Co-Director:

Más detalles

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA M.ª del Pilar Cantero Blanco Jefa de Servicio de Sistemas Informáticos. Subdirección General de Planificación

Más detalles

UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M

UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M CONCEPTO: "Customer Relationship Management"), La administración basada en la relación con los clientes.

Más detalles

Introducción Qué es Minería de Datos?

Introducción Qué es Minería de Datos? Conceptos Básicos Introducción Qué es Minería de Datos? Extracción de información o de patrones (no trivial, implícita, previamente desconocida y potencialmente útil) de grandes bases de datos. Introducción

Más detalles

Aplicaciones Informáticas en la Gestión Comercial

Aplicaciones Informáticas en la Gestión Comercial Tema 6: Aplicaciones Informáticas en la Gestión Comercial Departamento de Organización de Empresas Universidad Complutense de Madrid ÍNDICE Sistemas EDI ERP CRM y PRM SCM DataWarehouse y Data Mining 2

Más detalles

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata v.1.0 Clase 0 Quien tiene la información tienen el poder. - Anónimo Quien tiene el saber tiene el poder. - David Hume Quien tiene la información y la analiza, tiene el poder. Módulo: Visualización de Información

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS

OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS Ernesto González Díaz 1, Zady Pérez Hernández 2, Ivet Espinosa

Más detalles

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI

LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI LOS CINCO GRADOS DE MADUREZ DE UN PROYECTO BI INTRODUCCIÓN Se habla en multitud de ocasiones de Business Intelligence, pero qué es realmente? Estoy implementando en mi organización procesos de Business

Más detalles

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

Más detalles

Tome mejores decisiones mediante la inteligencia predictiva

Tome mejores decisiones mediante la inteligencia predictiva IBM SPSS Modeler Professional Funciones destacadas Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas de minería de datos intuitivo y visual. Crea y valide

Más detalles

El Reporting como sistema de Información para mejorar los resultados de su empresa

El Reporting como sistema de Información para mejorar los resultados de su empresa El Reporting como sistema de Información para mejorar los resultados de su empresa Autor: Luis Muñiz Socio Director de Sisconges & Estrategia l.muniz@sistemacontrolgestion.com Céntrese en la gestión de

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

Semana 12. Mantenimiento predictivo. Semana Mantenimiento 13 del disco duro. Empecemos! Qué sabes de...?

Semana 12. Mantenimiento predictivo. Semana Mantenimiento 13 del disco duro. Empecemos! Qué sabes de...? Semana Mantenimiento 13 del disco duro Semana 12 Empecemos! En muchas ocasiones de la vida predecimos hechos que van a suceder; por ejemplo, decimos: va a llover. Previo a esa afirmación suceden una serie

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACTULTAD DE ESTUDIOS SUPERIORES ACATLÁN MINERIA DE DATOS CON APLICACIONES TESIS QUE PARA OBTENER EL TITULO DE LICENCIADA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN

Más detalles

Análisis taxonómico predictivo aplicado a la detección temprana de alumnos universitarios en riesgo de deserción

Análisis taxonómico predictivo aplicado a la detección temprana de alumnos universitarios en riesgo de deserción Análisis taxonómico predictivo aplicado a la detección temprana de alumnos universitarios en riesgo de deserción Marcelo Fabio Roldan 1, Ana Funes 2, Germán Montejano 2 1 Universidad Nacional de La Rioja,

Más detalles

INTELIGENCIA DE NEGOCIOS

INTELIGENCIA DE NEGOCIOS INTELIGENCIA DE NEGOCIOS Especialización: Sistemas de Información. Universidad Eafit Módulo: Inteligencia de Negocios Candidato a Magister en Ciencias Estadísticas - Gustavo Valencia Z Presentación: La

Más detalles

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Tome mejores decisiones mediante la inteligencia predictiva Características principales Cree estrategias más eficaces mediante la evaluación de tendencias y resultados probables

Más detalles

Panel: Minería de datos para la administración tributaria

Panel: Minería de datos para la administración tributaria Panel: Minería de datos para la administración tributaria Leopoldo Gutiérrez Socio líder de Tax Data Analytics en EY Especialista en diseño, desarrollo e implementación de modelos analíticos orientados

Más detalles

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Statistics 19 IBM SPSS Decision Trees Identifique grupos y pronostique resultados con facilidad Funciones destacadas Con IBM SPSS Decision Trees podrá: Crear árboles de clasificación

Más detalles

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina OCHO NIVELES DE ANALYTICS 4 ALERTAS Contesta las preguntas: Cuándo reaccionar? Qué acciones son necesarias? 3 2

Más detalles

SAS Data Scientist. Plan de Formación

SAS Data Scientist. Plan de Formación SAS Data Scientist Plan de Formación www.sas.com/spain/formacion Juan Lorenzo, Director del Plan de Formación juan.lorenzo@sas.com formacion@sas.com Tel: +34 91 200 73 00 BIG DATA EL NUEVO RETO EN LAS

Más detalles

Ingeniería en Informática Proyecto Fin de Carrera CREACIÓN DE MODELOS DE PREDICCIÓN ORIENTADOS A LAS APUESTAS EN EVENTOS DEPORTIVOS

Ingeniería en Informática Proyecto Fin de Carrera CREACIÓN DE MODELOS DE PREDICCIÓN ORIENTADOS A LAS APUESTAS EN EVENTOS DEPORTIVOS UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR Ingeniería en Informática Proyecto Fin de Carrera CREACIÓN DE MODELOS DE PREDICCIÓN ORIENTADOS A LAS APUESTAS EN EVENTOS DEPORTIVOS Autor:

Más detalles

El almacén de indicadores de proceso de negocio en ejecución

El almacén de indicadores de proceso de negocio en ejecución X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez

Más detalles

Anexo 1: MATRIZ DE CONGRUENCIA. Objetivo. Problema. Problema. Objetivos. Hipótesis General. Teórico. General. Especifico. Específicos.

Anexo 1: MATRIZ DE CONGRUENCIA. Objetivo. Problema. Problema. Objetivos. Hipótesis General. Teórico. General. Especifico. Específicos. 170 Anexo 1: MATRIZ DE CONGRUENCIA Problema Problema Objetivo Objetivos Hipótesis Variables Hipótesis Variables Marco General Especifico General Específicos General Especificas Teórico En qué medida el

Más detalles

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Características Cree estrategias más efectivas evaluando tendencias y resultados Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas

Más detalles

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS

CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS CONSTRUCCION DE INDICADORES DE GESTION Y HERRAMIENTAS OLAP PARA PEQUEÑAS Y MEDIANAS EMPRESAS 1. RESEÑA HISTORICA Las exigencias competitivas del mercado hacen que las organizaciones busquen mecanismos

Más detalles

A Process Model for Data Mining Projects Un Modelo de Procesos para Proyectos de Explotación de Información

A Process Model for Data Mining Projects Un Modelo de Procesos para Proyectos de Explotación de Información A Process Model for Data Mining Projects Un Modelo de Procesos para Proyectos de Explotación de Información Juan A. Vanrell 1, Rodolfo Bertone 2, Ramón García-Martínez 3 1 Escuela de Postgrado, Universidad

Más detalles

Metodología CRISP-DM. Metodología CRISP-DM. Metodología CRISP-DM. Metodología CRISP-DM

Metodología CRISP-DM. Metodología CRISP-DM. Metodología CRISP-DM. Metodología CRISP-DM Minería de Datos 5. Otros Aspectos José Hernández Orallo jorallo@dsic.upv.es Máster y Cursos de Postgrado del DSIC Universitat Politècnica de València Temario 1. Introducción a la Minería de Datos (DM)

Más detalles

3.1 Qué es la investigación de mercados?

3.1 Qué es la investigación de mercados? 3.1 Qué es la investigación de mercados? La investigación de mercados es la función que enlaza al consumidor, al cliente y al público con el comercializador a través de la información. Esta información

Más detalles

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD KDD y MD Dr. Juan Pedro Febles Rodríguez BIOINFO febles@bioinfo.cu http://www.bioinfo.cu CITMA 2005 Temas a tratar Algunos antecedentes académicos. El proceso de descubrimiento de conocimientos en Datos

Más detalles

Por qué puede ser necesario el modelado CAD 3D paramétrico y directo

Por qué puede ser necesario el modelado CAD 3D paramétrico y directo Por qué puede ser necesario el modelado CAD 3D paramétrico y directo Cinco áreas en las que el modelado paramétrico complementa el modelado directo Introducción Durante demasiado tiempo, los equipos de

Más detalles

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de Cuidados Intensivos Neonatales (UCIN)

Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de Cuidados Intensivos Neonatales (UCIN) Mesa de investigadores IDIC Presentación de Informes Finales de Proyectos 2013 4, 11 y 25 de abril de 2014 Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de

Más detalles

Hacia la Ingeniería de Data Mining: Un modelo de proceso para el desarrollo de proyectos

Hacia la Ingeniería de Data Mining: Un modelo de proceso para el desarrollo de proyectos Hacia la Ingeniería de Data Mining: Un modelo de proceso para el desarrollo de proyectos Gonzalo Mariscal gmariscal@cettico.fi.upm.es Óscar Marbán omarban@fi.upm.es Ángel L. González agonzalez@fi.upm.es

Más detalles

Propuesta de Métricas para Proyectos de Explotación de Información

Propuesta de Métricas para Proyectos de Explotación de Información Propuesta de Métricas para Proyectos de Explotación de Información Diego Martín Basso 1. Maestría en Ingeniería de Sistemas de Información. Universidad Tecnológica Nacional, FRBA Buenos Aires, Argentina

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

LOS INDICADORES DE GESTIÓN

LOS INDICADORES DE GESTIÓN LOS INDICADORES DE GESTIÓN Autor: Carlos Mario Pérez Jaramillo Todas las actividades pueden medirse con parámetros que enfocados a la toma de decisiones son señales para monitorear la gestión, así se asegura

Más detalles