Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

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

Download "Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos)."

Transcripción

1 Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) - Lic. Anabel Basulto Casas (Palacio Central de Computación) RESUMEN: Se aplican técnicas de minería de datos para generar un árbol de decisión que permite pronosticar, en un caso de estudio, el rendimiento docente que se espera para los estudiantes en la universidad a partir de su rendimiento escolar previo. El método es aplicable al Control de Procesos y a cualquier caso donde se deseen pronosticar los valores que adquirirán ciertos parámetros, conociendo previamente los valores de un grupo de factores que se consideren influyentes en dichos resultados. Se utiliza el software libre WEKA. Palabras clave: Árbol de Decisión, Clasificación, Minería de datos, Modelo, Pronóstico. INTRODUCCIÓN: Las técnicas de Minería de Datos intentan obtener patrones o modelos a partir de los datos recopilados. Se clasifican en dos grandes categorías: supervisadas (o predictivas) y no supervisadas (o descriptivas). Las predicciones se utilizan para prever el comportamiento futuro de algún tipo de entidad, mientras que una descripción puede ayudar a su comprensión. De hecho, los modelos predictivos pueden ser descriptivos (hasta donde sean comprensibles por las personas) y los modelos descriptivos pueden emplearse para realizar predicciones. De esta forma, hay algoritmos o técnicas que pueden servir para distintos propósitos. En el aprendizaje inductivo supervisado (predictivo), a partir de un conjunto de ejemplos denominados de entrenamiento, de un cierto dominio D, se construyen criterios para determinar el valor del atributo (clase) en un ejemplo cualquiera del dominio. Esos criterios están basados en los valores de uno o varios de los otros pares (atributo; valor) que intervienen en la definición de los ejemplos. 1

2 El modelado predictivo es el proceso mediante el cual se crea un modelo para predecir un resultado. Si el resultado es categórico se llama clasificación y si el resultado es numérico se llama regresión. (Toronto University, 2011) La Clasificación es una tarea de la Minería de Datos que permite predecir el valor de una variable categórica (objetivo o clase) construyendo un modelo basado en uno o más variables numéricas o categóricas (predictores o atributos). (Toronto University, 2011) Mediante la Clasificación se analiza un conjunto de datos y se construye un modelo de objetos para cada clase. Dicho modelo puede representarse con árboles de decisión o con reglas de clasificación que muestren las características de los datos. El modelo puede ser usado para mayor comprensión de los datos existentes y para la clasificación de datos futuros El proceso general para generar un modelo de clasificación se resume en el siguiente gráfico (ver figura 1). Figura 1. Etapas para la generación de un modelo de clasificación. (Referencia: Corso, C., 2008) Se selecciona el Conjunto de datos de entrenamiento (opción: Use training set en WEKA). El algoritmo infiere (aprende) de dicho conjunto de datos y genera un Modelo (conjunto de reglas). Este Modelo deduce (predice) las clases contenidas en el Conjunto de datos de entrenamiento y como resultado crea un Conjunto de datos de testeo. (Corso, C., 2008) Mediante la comparación de las clases reales contenidas en el Conjunto de datos de entrenamiento con las clases predichas en el Conjunto de datos de testeo se determina el por ciento de aciertos logrado. En dependencia de dicho porcentaje se 2

3 estima en qué medida el Modelo creado por el algoritmo es adecuado para clasificar ese tipo de datos. Si la clasificación se considera suficientemente certera, se asume que se ha obtenido un Modelo Validado y por tanto se estima que dicho Modelo (Conjunto de reglas) es capaz de generar artificialmente un Conjunto de datos de testeo que sea una reproducción suficientemente fiel del Conjunto de datos de entrenamiento. (Corso, C., 2008), (Hernández, J. & Ferri, C., 2006) Una vez entrenado el algoritmo, podrá someterse a evaluación un nuevo conjunto de datos que sea similar al Conjunto de datos de entrenamiento, así, de acuerdo con el Modelo (Conjunto de reglas) creado previamente por el algoritmo, se generará como Pronóstico un Conjunto de datos de testeo. (Hernández, J. & Ferri, C., 2006) Árboles de Decisión Los árboles de decisión representan funciones lógicas (if-then). Por medio de Aprendizaje Automático se infiere un Árbol de Decisión a partir de un conjunto de instancias o ejemplos. El algoritmo J48 de Weka utiliza un método heurístico para inferir el árbol, donde se realiza la selección del atributo en cada nivel del árbol en función de la calidad de la división que produce. (Kohavi, R. & Quinlan, J. R., 2002). El árbol de decisión crea un modelo basado en una estructura de árbol. Los nodos en el árbol representan características, cuyas ramas representan valores con características posiblemente relacionadas. Una hoja representa la clase que termina en una serie de nodos y ramas. Para determinar la clase de una instancia se rastrea la ruta de los nodos y las ramas para la hoja terminal. (Kohavi, R. & Quinlan, J. R., 2002). El árbol de Decisión que genera el algoritmo J48 se basa en la teoría del Grano de Información (Grain theory) donde la bifurcación en cada nodo busca la mayor ganancia de información, y se generan reglas de decisión que son fáciles de interpretar. (Kohavi, R. & Quinlan, J. R., 2002). DESARROLLO: Según los resultados docentes de una muestra de 180 estudiantes; clasificados cualitativamente como alto, medio o bajo; en siete asignaturas durante la enseñanza secundaria y preuniversitaria con sus respectivos resultados posteriores en tres diferentes ramas universitarias, se aplicó el algoritmo de Clasificación J48 y se 3

4 obtuvo un árbol de decisión que permite pronosticar cuáles serían los resultados universitarios esperados para un estudiante de acuerdo con los resultados docentes en las etapas secundaria y preuniversitaria. Además, dicho árbol permite determinar cuáles de las siete asignaturas valoradas para la enseñanza secundaria y preuniversitaria influyeron decisivamente en el rendimiento académico de las tres especialidades consideradas y cuál sería relación lógica operacional entre las asignaturas en función del resultado previsto. Este pronóstico sería útil para estimar en qué rama universitaria se podría esperar un mejor el rendimiento para un estudiante de acuerdo con sus resultados docentes históricos y de este modo aportar elementos que le ayuden a decidir qué carrera escoger. Matemática Español Física Química Historia Geografía Biología Ciencias Exactas Humanidades Ciencias Biológicas Alto Medio Bajo Alto Bajo Alto Medio Medio - - Medio Bajo Alto Medio Alto Medio Bajo - Medio - Bajo Alto Medio Bajo Medio Bajo Alto - - Alto Alto Bajo Alto Alto Bajo Alto Medio Alto - - Alto Bajo Medio Medio Alto Medio Bajo - Alto - Alto Bajo Bajo Alto Medio Bajo Bajo - - Bajo Medio Alto Alto Medio Bajo Alto Medio Alto - - Medio Alto Medio Bajo Alto Medio Bajo - Alto - Medio Alto Bajo Alto Medio Bajo Alto - - Alto Bajo Alto Bajo Medio Bajo Alto Medio Bajo - - Figura 2. Fragmento con 10 casos tomados de la tabla original de 180 alumnos (Cada fila horizontal contiene los resultados de un estudiante). (Elaboración propia) Este análisis sería válido para cualquier caso similar donde se evalúen ciertos factores (en lugar de asignaturas) que permitan pronosticar como consecuencia los valores de ciertos parámetros y comprender qué factores inciden directamente sobre los valores de dichos parámetros y estimar si existe alguna relación lógica entre ellos. Factor 1 Factor 2 Factor 3 Factor 4 Factor 5 Factor 6 Factor 7 Parámetro 1 Parámetro 2 Parámetro 3 Alto Medio Bajo Alto Bajo Alto Medio Medio - - Medio Bajo Alto Medio Alto Medio Bajo - Medio - Bajo Alto Medio Bajo Medio Bajo Alto - - Alto Alto Bajo Alto Alto Bajo Alto Medio Alto - - Alto Bajo Medio Medio Alto Medio Bajo - Alto - Alto Bajo Bajo Alto Medio Bajo Bajo - - Bajo Medio Alto Alto Medio Bajo Alto Medio Alto - - Medio Alto Medio Bajo Alto Medio Bajo - Alto - Medio Alto Bajo Alto Medio Bajo Alto - - Alto Bajo Alto Bajo Medio Bajo Alto Medio Bajo - - Figura 3. Tabla hipotética con la incidencia de siete factores sobre tres parámetros a considerar. (Elaboración propia) 4

5 CIENCIAS EXACTAS Figura 4. Evaluación del proceso de Clasificación y del Pronóstico realizado por el algoritmo J48 para el perfil de Ciencias Exactas. (Elaboración propia) En la figura 4 se observan dos ventanas de Weka, en la de arriba se puede apreciar que el algoritmo clasificó incorrectamente 10 instancias de las 180 evaluadas, por tanto se refiere que clasificó correctamente el % de las mismas. En la ventana inferior se observan las tres nubes de puntos que representan las clases: Alto con puntos azules, Medio con puntos rojos y Bajo con puntos verdes. En el eje X están los valores tomados de la tabla, mientras que por el eje Y están los valores pronosticados. Hay 10 puntos denotados con cuadrados: son las instancias 5

6 mal clasificadas, mientras que las que fueron bien clasificadas se denotan por cruces. Las Instancias mal clasificadas son aquellos valores cuyo pronóstico fue erróneo, donde el modelo no pudo predecir el valor esperado. En términos prácticos se trata de resultados docentes en la rama universitaria que divergen de lo pronosticado. Figura 5. Árbol de decisión realizado por el algoritmo J48 para el perfil de Ciencias Exactas. (Elaboración propia) El árbol se compone de un nodo raíz (Física para este caso) de donde se derivan tres variantes: Alto, Medio o Bajo, etc. Si las notas de Física fueron altas se pasa al nodo: Español. Si las calificaciones de Español fueron medias, entonces se pasa al nodo: Matemática. Si en esta asignatura las notas fueron altas, se pronostica que el estudiante obtendrá notas altas en la rama de Ciencias Exactas. De forma análogas ocurre en todo el árbol, siempre de arriba hacia abajo, partiendo del nodo raíz. 6

7 HUMANIDADES Figura 6. Evaluación del proceso de Clasificación y del Pronóstico realizado por el algoritmo J48 para el perfil de Humanidades. (Elaboración propia) En la figura 6 se observan dos ventanas de Weka, en la de arriba se puede apreciar que el algoritmo clasificó incorrectamente 13 instancias de las 180 evaluadas, por tanto se refiere que clasificó correctamente el % de las mismas. 7

8 Figura 7. Árbol de decisión realizado por el algoritmo J48 para el perfil de Humanidades. (Elaboración propia) El árbol se compone de un nodo raíz (Historia para este caso) de donde se derivan tres variantes: Alto, Medio o Bajo, etc. Análogamente al caso anterior, si las notas de Historia fueron altas se pasa al nodo: Español. Si las calificaciones de esta asignatura fueron medias, entonces se pasa al nodo: Matemática. Si en esta asignatura las notas fueron altas, se pronostica que el estudiante obtendrá notas altas en la rama de Humanidades. De forma similar ocurre en todo el árbol. 8

9 CIENCIAS BIOLÓGICAS Figura 8. Evaluación del proceso de Clasificación y del Pronóstico realizado por el algoritmo J48 para el perfil de Ciencias Biológicas. (Elaboración propia) En la figura 6 se observan dos ventanas de Weka, en la de arriba se puede apreciar que el algoritmo clasificó incorrectamente 16 instancias de las 180 evaluadas, por tanto se refiere que clasificó correctamente el % de las mismas. 9

10 Figura 9. Árbol de decisión realizado por el algoritmo J48 para el perfil de Ciencias Biológicas. (Elaboración propia) CONCLUSIONES Para el caso analizado, el algoritmo J48 de Weka pronosticó con una exactitud superior al 90 % el rendimiento académico de los estudiantes analizados basándose en el rendimiento docente previo. Se pudo apreciar que de las 7 asignaturas consideradas hubo 5 con influencia decisiva para el pronóstico: Matemática, Español, Historia, Física y Biología. Como se explicó previamente, este trabajo es aplicable al Control de Procesos y a cualquier caso en el cual se evalúe la probable influencia de varios factores sobre ciertos resultados. BIBLIOGRAFÍA Basulto, M. (2013). Descubrimiento de conocimiento sobre accidentes de tránsito en una base de datos concerniente a las afectaciones a la infraestructura de las telecomunicaciones en ETECSA Tesis en opción al grado de Master en Cibernética Aplicada, Mención Minería de Datos. ICIMAF. Basulto, M. (2011). La aplicación de Técnicas de Minería de Datos para extraer Información de la base de datos: Hechos No Delictivos de ETECSA en el Tesina para el para el Diplomado Aplicaciones de la Minería de Datos. ICIMAF. Britos, P. (2008). Procesos de explotación de información basados en sistemas inteligentes. Universidad Nacional de La Plata, Argentina Corso, C. (2008). Aplicación de algoritmos de clasificación supervisada usando Weka. Universidad Tecnológica Nacional, Facultad Regional Córdoba. Argentina Kohavi, R. & Quinlan, J. R. (2002). Decision-tree discovery. Handbook of Data Mining and Knowledge Discovery, pp , Oxford University Press. Toronto University. (2010). (Consultado: febrero 2011). 10

Proceso de Identificación de Errores de Apropiación de Conceptos Basado en Explotación de Información

Proceso de Identificación de Errores de Apropiación de Conceptos Basado en Explotación de Información Proceso de Identificación de Errores de Apropiación de Conceptos Basado en Explotación de Información Saavedra-Martínez, P., Pollo-Cattaneo, F., Rodríguez, D., Britos, P., García-Martínez, R. Grupo de

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

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

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

APROBACIÓN DE CRÉDITOS BANCARIOS UTILIZANDO INTELIGENCIA ARTIFICIAL

APROBACIÓN DE CRÉDITOS BANCARIOS UTILIZANDO INTELIGENCIA ARTIFICIAL APROBACIÓN DE CRÉDITOS BANCARIOS UTILIZANDO INTELIGENCIA ARTIFICIAL Israel Cueva Hidalgo Mayo, 2010 I. INTRODUCCIÓN II. Hoy en día son muchas las instituciones que conceden créditos a sus clientes; pero

Más detalles

Juan C Jiménez UPSI-Universidad Técnica Particular de Loja Loja Ecuador. tener en el aprendizaje y por ende maximizar la calidad de la enseñanza.

Juan C Jiménez UPSI-Universidad Técnica Particular de Loja Loja Ecuador. tener en el aprendizaje y por ende maximizar la calidad de la enseñanza. Recolección de datos de interacción de alumnos en una plataforma E-learning para obtener indicadores de interés de su actividad aplicando técnicas de aprendizaje automático Greyson P Alberca UPSI-Universidad

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo Minería de Datos Óscar Palomo Miñambres Universidad Carlos III de Madrid Avda. De la Universidad, 30 28911, Leganés (Madrid-España) 100049074@alumnos.uc3m.es Abstract En este artículo analizaremos las

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

Aprendizaje automático mediante árboles de decisión

Aprendizaje automático mediante árboles de decisión Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier

Más detalles

Autor: Ing. Mario Lázaro Basulto Núñez

Autor: Ing. Mario Lázaro Basulto Núñez INSTITUTO DE CIBERNÉTICA, MATEMÁTICA Y FÍSICA Título: DESCUBRIMIENTO DE CONOCIMIENTO SOBRE ACCIDENTES DE TRÁNSITO EN UNA BASE DE DATOS CONCERNIENTE A LAS AFECTACIONES A LA INFRAESTRUCTURA DE LAS TELECOMUNICACIONES

Más detalles

Aprendizaje automático

Aprendizaje automático Aprendizaje automático Machine Learning 1 Aprendizaje automático Definición de aprendizaje Primer problema: desconocemos los mecanismos que rigen el aprendizaje humano Por esto las definiciones hacen hincapié

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

Diplomado en Estadística y Control de Calidad

Diplomado en Estadística y Control de Calidad UNIVERSIDAD DE EL SALVADOR Diplomado en Estadística y Control de Calidad Presenta: Escuela de Matemática, Facultad de Ciencias Naturales y Matemática, Universidad de El Salvador. Director General: Dr.

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

Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante.

Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante. Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante. García, Alejandro (1), Corso, Cynthia Lorena (2), Gibellini, Fabián (3), Rapallini, Marcos

Más detalles

Inteligencia de Negocio

Inteligencia de Negocio UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:

Más detalles

Extracción de conocimiento en bases de datos astronómicas

Extracción de conocimiento en bases de datos astronómicas Extracción de conocimiento en bases de datos astronómicas Memoria del periodo de investigación presentada por D. Miguel Ángel Montero Navarro monteronavarro@gmail.com para optar al Diploma de Estudios

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

En esta lección inaugural deseo transmitirles 3 ideas fundamentales:

En esta lección inaugural deseo transmitirles 3 ideas fundamentales: ! " " #" $ %& $ % La secuenciación del genoma humano completada al inicio de este siglo está impulsando decisivamente los avances en la biología y la genética molecular y ha revolucionado la investigación

Más detalles

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Sergio Valero Orea 1, Alejandro Salvador Vargas 1, Marcela

Más detalles

2013-Año del Bicentenario de la Asamblea General Constituyente de 1813. PRONÓSTICOS ESTACIONALES DE LLUVIAS EN REGIONES DE ARGENTINA Campaña 2013/2014

2013-Año del Bicentenario de la Asamblea General Constituyente de 1813. PRONÓSTICOS ESTACIONALES DE LLUVIAS EN REGIONES DE ARGENTINA Campaña 2013/2014 PRONÓSTICOS ESTACIONALES DE LLUVIAS EN REGIONES DE ARGENTINA Campaña 2013/2014 El comportamiento de la temperatura y presión superficial del mar en los océanos Pacífico, Atlántico e Indico y otros forzantes

Más detalles

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es)

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es) UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Exactas y Naturales Departamento de Computación Trabajo Práctico de Metaheurística Segundo cuatrimestre 2010 Implementación de un Algoritmo basado en la

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

9. Diplomatura en Testeo de Sistemas Informáticos/Tecnicatura Universitaria en Testeo y Análisis de Calidad de Sistemas Informáticos

9. Diplomatura en Testeo de Sistemas Informáticos/Tecnicatura Universitaria en Testeo y Análisis de Calidad de Sistemas Informáticos ÁREA INFORMÁTICA 9. Diplomatura en Testeo de Sistemas Informáticos/Tecnicatura Universitaria en Testeo y Análisis de Calidad de Sistemas Informáticos I. Denominación de la formación: Diplomatura en Testeo

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

forma de entrenar a la nuerona en su aprendizaje.

forma de entrenar a la nuerona en su aprendizaje. Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo

Más detalles

Page 1. Contenido. Generalidades (1) Pontificia Universidad Católica del Perú Facultad de Ciencias e Ingeniería INTELIGENCIA ARTIFICIAL

Page 1. Contenido. Generalidades (1) Pontificia Universidad Católica del Perú Facultad de Ciencias e Ingeniería INTELIGENCIA ARTIFICIAL Contenido Pontificia Universidad Católica del Perú Facultad de Ciencias e Ingeniería Sección n Informática INTELIGENCIA ARTIFICIAL Capítulo 2 Representación del conocimiento Características del conocimiento

Más detalles

Aplicación de Redes bayesianas usando Weka.

Aplicación de Redes bayesianas usando Weka. Aplicación de Redes bayesianas usando Weka. Cynthia Lorena Corso 1, Fabian Gibellini 1 1 Universidad Tecnológica Nacional, Facultad Regional Córdoba Laboratorio de Sistemas de Información Maestro M. López

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

6DOGDUULDJD-*\6DODV'(

6DOGDUULDJD-*\6DODV'( &$/,%5$&,21'(5('(6'(',675,%8&,21'($*8$327$%/(%$-281 $0%,(17('()8*$6 6DOGDUULDJD-*\6DODV'( 8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD &RUUHRHOHFWUyQLFRMVDOGDUU#XQLDQGHVHGXFRGVDODV#XQLDQGHVHGXFR 5(680(1 El problema

Más detalles

UNIVERSIDAD CENTROCCIDENTAL "LISANDRO ALVARADO" DECANATO DE CIENCIAS Y TECNOLOGIA

UNIVERSIDAD CENTROCCIDENTAL LISANDRO ALVARADO DECANATO DE CIENCIAS Y TECNOLOGIA UNIVERSIDAD CENTROCCIDENTAL "LISANDRO ALVARADO" DECANATO DE CIENCIAS Y TECNOLOGIA MODELO DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCION DE FRAUDES ELECTRONICOS EN TRANSACCIONES FINANCIERAS FREDDY MIGUEL SILVA

Más detalles

DOCTORADO EN INGENIERÍA ELÉCTRICA, ELECTRÓNICA Y CONTROL INDUSTRIAL Curso 2013/2014

DOCTORADO EN INGENIERÍA ELÉCTRICA, ELECTRÓNICA Y CONTROL INDUSTRIAL Curso 2013/2014 TITULACION DOCTORADO EN INGENIERÍA ELÉCTRICA, ELECTRÓNICA Y CONTROL INDUSTRIAL Curso 2013/2014 > 1. PRESENTACIÓN El programa de Doctorado del EEES "Doctorado en Ingeniería Electrica, Electrónica y Control

Más detalles

EL SABER EN EL DIAGNÓSTICO DE CONOCIMIENTOS Y AUTOEVALUACIÓN Y ESTUDIO DE ASIGNATURAS DEL BACHILLERATO DE LA UNAM

EL SABER EN EL DIAGNÓSTICO DE CONOCIMIENTOS Y AUTOEVALUACIÓN Y ESTUDIO DE ASIGNATURAS DEL BACHILLERATO DE LA UNAM EL SABER EN EL DIAGNÓSTICO DE CONOCIMIENTOS Y AUTOEVALUACIÓN Y ESTUDIO DE ASIGNATURAS DEL BACHILLERATO DE LA UNAM Línea Temática: Prácticas para reducir el abandono (empleo de TIC). MURILLO Villegas Patricia

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

INFORME FINAL DE EVALUACIÓN DE LA SOLICITUD DE MODIFICACIÓN DE PLAN DE ESTUDIOS

INFORME FINAL DE EVALUACIÓN DE LA SOLICITUD DE MODIFICACIÓN DE PLAN DE ESTUDIOS ID MEC: 2501126 Nº EXPEDIENTE: 910/2009 INFORME FINAL DE EVALUACIÓN DE LA SOLICITUD DE MODIFICACIÓN DE PLAN DE ESTUDIOS Denominación del título Rama de Conocimiento Graduado o Graduada en Ingeniería Informática

Más detalles

Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos

Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos R. Alcover 1, J. Benlloch 2, P. Blesa 3, M. A. Calduch

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 12-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 21

Más detalles

GUÍA BÁSICA PARA EL USO DEL ESCUDO Vicerrectoría de Administración y Finanzas Dirección de Comunicación del Sistema Fecha de emisión: 7 de junio, 2004

GUÍA BÁSICA PARA EL USO DEL ESCUDO Vicerrectoría de Administración y Finanzas Dirección de Comunicación del Sistema Fecha de emisión: 7 de junio, 2004 INTRODUCCIÓN De acuerdo con las políticas en las que se establece la identidad gráfica y las denominaciones permitidas para el Tecnológico de Monterrey, el Escudo se puede utilizar separado, esto es sin

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 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

PLAN DE CLASE. 1. Tiene la capacidad de aplicar, predecir, inferir y razonar para tomar decisiones en

PLAN DE CLASE. 1. Tiene la capacidad de aplicar, predecir, inferir y razonar para tomar decisiones en Nivel escolar Área de conocimiento Título de la actividad para desarrollar en clase Objetivo Secundaria Matemáticas Medidas de tendencia central y medidas de dispersión 1. Inducir a los estudiantes a definir

Más detalles

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Osvaldo M. Spositto spositto@unlam.edu.ar Martín E. Etcheverry metcheverry@unlam.edu.ar

Más detalles

Centro Nacional de Análisis y Pronósticos Meteorológicos Aeronáuticos

Centro Nacional de Análisis y Pronósticos Meteorológicos Aeronáuticos ATFM/TF/5-NE/10 Organización de Aviación Civil Internacional 29/05/09 Quinta Reunión del Grupo de Tarea ATFM (ATFM/TF/5) (Armenia, Colombia, 8 al 12 de junio de 2009) Cuestión 2 del Orden del día : Revisión

Más detalles

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

CONTROL DE LA VARIEDAD

CONTROL DE LA VARIEDAD EL CONTROL DE LA VARIEDAD 1 y ALGUNAS APLICACIONES DEL ABC. ------------------------------------------------------------------------------------------- INTRODUCCION. En el trabajo El gráfico ABC como técnica

Más detalles

LICENCIATURA EN PSICOLOGIA LISTADO DE MATERIAS CONTENIDO PLAN: 2004-2

LICENCIATURA EN PSICOLOGIA LISTADO DE MATERIAS CONTENIDO PLAN: 2004-2 LICENCIATURA EN PSICOLOGIA PLAN: 2004-2 La licenciatura en Psicología debe ejercer una influencia positiva sobre su entorno en el desarrollo de las políticas institucionales en sintonía con su naturaleza

Más detalles

3. PhD Estadística. Profesor Titular. Facultad de Ciencias. Departamento de Estadística. Universidad Nacional de Colombia. lalopezp@unal.edu.co.

3. PhD Estadística. Profesor Titular. Facultad de Ciencias. Departamento de Estadística. Universidad Nacional de Colombia. lalopezp@unal.edu.co. APLICACIÓN DE LOS ÁRBOLES DE REGRESIÓN EN CRECIMIENTO GENERAL Y CRANEOFACIAL INFANTIL. CASO COLOMBIA LAILA YANED GONZÁLEZ BEJARANO 1, DANIEL LEONARDO CRUZ CASTRO 2, LUIS ALBERTO LÓPEZ PÉREZ 2, CLEMENTINA

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

PLAN DE TRABAJO DOCENTE 2013

PLAN DE TRABAJO DOCENTE 2013 PLAN DE TRABAJO DOCENTE 2013 1. DATOS DE LA ASIGNATURA Nombre: Procesamiento Analítico de Datos Código: Nivel: Grado Carácter: Optativo Área curricular a la que pertenece: Administración Carrera: Contador

Más detalles

Data Mining utilizando Redes Neuronales. Juan M. Ale ale@acm.org Facultad de Ingeniería Universidad de Buenos Aires

Data Mining utilizando Redes Neuronales. Juan M. Ale ale@acm.org Facultad de Ingeniería Universidad de Buenos Aires Data Mining utilizando Redes Neuronales Romina Laura Bot rbot@fi.uba.ar Juan M. Ale ale@acm.org Facultad de Ingeniería Universidad de Buenos Aires Resumen: Las Redes Neuronales son ampliamente utilizadas

Más detalles

Los hábitos de estudio en los alumnos de ELEUA de C.

Los hábitos de estudio en los alumnos de ELEUA de C. Los hábitos de estudio en los alumnos de ELEUA de C. Resumen M. C. M. Guadalupe Martínez Abundis * Lic. Rebeca Caro Canales** Universidad Autónoma de Coahuila Hay múltiple factores que influyen en el bajo

Más detalles

Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4

Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4 Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4 Ejercicio 1: En una máquina expendedora de huevos sorpresa, unos huevos están pintados de rojo y otros de azul. El 40% de los

Más detalles

Introducción a la estadística y SPSS

Introducción a la estadística y SPSS Introducción a la estadística y SPSS Marcelo Rodríguez Ingeniero Estadístico - Magister en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I

Más detalles

CLASIFICACIÓN DE IMÁGENES

CLASIFICACIÓN DE IMÁGENES CLASIFICACIÓN DE IMÁGENES Cesar Juárez Megías I.T.T. Imagen y sonido Carlos III de Madrid 100061832@alumnos.uc3m.es OBJETIVO. El objetivo principal de nuestro programa se basaría en la clasificación de

Más detalles

Encuesta Permanente de Hogares

Encuesta Permanente de Hogares Minería de Datos Aplicada a la Encuesta Permanente de Hogares Disertante: Luis Alfonso Cutro Adscripto a la asignatura Diseño y Administración de Datos. Prof. Coordinador: Mgter. David Luís la Red Martínez

Más detalles

Instructivo para la elaboración de un Manual Técnico

Instructivo para la elaboración de un Manual Técnico Instructivo para la elaboración de un Manual Técnico Autora: Ing. Alena González Reyes. (agonzalez@ceis.cujae.edu.cu) Ciudad de la Habana, Cuba Marzo, 2010 Índice 1. Introducción... 3 2. Confección...

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

Sistema categorizador de ofertas de empleo informáticas

Sistema categorizador de ofertas de empleo informáticas Diego Expósito Gil diegoexpositogil@hotmail.com Manuel Fidalgo Sicilia Manuel_fidalgo@hotmail.com Diego Peces de Lucas pecesdelucas@hotmail.com Sistema categorizador de ofertas de empleo informáticas 1.

Más detalles

Gerenciar la Producción:

Gerenciar la Producción: Gerenciar la Producción: Una Labor de Predicción Néstor Casas. Ingeniero Industrial y Consultor Empresarial Para diseñar y ejecutar un sistema de operación que satisfaga y fedelice clientes, que aumente

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

Análisis de Datos. Práctica de métodos predicción de en WEKA

Análisis de Datos. Práctica de métodos predicción de en WEKA SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation

Más detalles

PROTOCOLO DE LA INVESTIGACIÓN CIENTÍFICA

PROTOCOLO DE LA INVESTIGACIÓN CIENTÍFICA UNIVERSIDAD NACIONAL DE EDUCACIÓN Enrique Guzmán y Valle Alma Mater del Magisterio Nacional PROGRAMA DE TITULACIÓN 2012 PROTOCOLO DE LA INVESTIGACIÓN CIENTÍFICA PROYECTO DE INVESTIGACIÓN CIENTÍFICA Dr.

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

Business Intelligence & Knowledge Discovery en el contexto del estándar Project Management Body Of Knowledge del Project Management Institute

Business Intelligence & Knowledge Discovery en el contexto del estándar Project Management Body Of Knowledge del Project Management Institute Business Intelligence & Knowledge Discovery en el contexto del estándar Project Management Body Of Knowledge del Project Management Institute Moreno, Juan Pablo 1 ; Montejano, Germán 2 ; Vilallonga, Gabriel

Más detalles

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

Más detalles

LICENCIATURA EN INGENIERÍA BIOLÓGICA

LICENCIATURA EN INGENIERÍA BIOLÓGICA LICENCIATURA EN INGENIERÍA BIOLÓGICA PLAN DE ESTUDIOS Contenido 1 Objetivos y perfil del egresado... 2 1.1 Objetivo general... 2 1.2 Objetivos particulares... 2 1.3 Perfil del egresado... 2 1.4 Título...

Más detalles

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA*

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA* USO DE ANÁLISIS MULTIVARIADO PARA CARACTERIZAR LA FORMACIÓN MATEMÁTICA DE LOS ALUMNOS INGRESANTES Y MEDIR SU DESEMPEÑO EN LA PRIMERA ASIGNATURA DEL ÁREA EN LA UNIVERSIDAD Autores: Olga ÁVILA * Eleonora

Más detalles

Portafolio de Servicios y Productos

Portafolio de Servicios y Productos Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

PROGRAMA DE TUTORÍA, ALTERNATIVA PARA DISMINUIR LA REPROBACIÓN ESCOLAR EN LA EDUCACIÓN MEDIA BÁSICA. Resumen

PROGRAMA DE TUTORÍA, ALTERNATIVA PARA DISMINUIR LA REPROBACIÓN ESCOLAR EN LA EDUCACIÓN MEDIA BÁSICA. Resumen PROGRAMA DE TUTORÍA, ALTERNATIVA PARA DISMINUIR LA REPROBACIÓN ESCOLAR EN LA EDUCACIÓN MEDIA BÁSICA Pedro Gerardo Flores Rojas Alumno de la Maestría en Educación Universidad Pedagógica Nacional Unidad

Más detalles

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación ESTUDIO DE TECNICAS DE DATA MINING APLICADAS AL ANALISIS DE DATOS GENERADOS CON LA METODOLOGIA BLENDED LEARNING Marcelo Omar Sosa, Sosa Bruchmann Eugenia Cecilia Departamento Computación/Facultad de Ciencias

Más detalles

ELABORADA POR: Francisca Varón Alarcón

ELABORADA POR: Francisca Varón Alarcón PROGRAMACIÓN DIDÁCTICA MATERIA: Economía de la Empresa NIVEL: 2º Bachillerato ELABORADA POR: Francisca Varón Alarcón CURSO: 2015/16 IES PADRE POVEDA (GUADIX) 1. OBJETIVOS Están establecidos en el Real

Más detalles

Toda Reforma es una negociación entre el discurso de la innovación pedagógica y las Teorías Implícitas de los profesores (Marrero Acosta) Introducción

Toda Reforma es una negociación entre el discurso de la innovación pedagógica y las Teorías Implícitas de los profesores (Marrero Acosta) Introducción Teorías implícitas del Profesorado y Modelos de Formación Docente Una aproximación desde la investigación en el marco de la Reforma Educativa en Uruguay Escribe: Lic. Eduardo Rodríguez Licenciado en Sociología.

Más detalles

Tabla de Contenido. 4. CONCEPTOS BÁSICOS Postgrado Acreditación Evaluación 5. CARACTERIZACIÓN DEL OBJETO DE EVALUACIÓN

Tabla de Contenido. 4. CONCEPTOS BÁSICOS Postgrado Acreditación Evaluación 5. CARACTERIZACIÓN DEL OBJETO DE EVALUACIÓN Tabla de Contenido Presentación I. INTRODUCCIÓN 2. PROPÓSITO DEL DOCUMENTO 3. MARCO LEGAL 4. CONCEPTOS BÁSICOS Postgrado Acreditación Evaluación 5. CARACTERIZACIÓN DEL OBJETO DE EVALUACIÓN 6. INDICADORES

Más detalles

Predicción de los ciclos de El Niño

Predicción de los ciclos de El Niño Predicción de los ciclos de El Niño Israel Cendrero Sánchez I.T.T.Telemática Universidad Carlos III de Madrid Leganes,Madrid,España 100055713@alumnos.uc3m.es Beatriz López Moreno I.T.T.Telemática Universidad

Más detalles

Buscador automático de material educativo en aulas virtuales

Buscador automático de material educativo en aulas virtuales IX Congreso de Tecnología en Educación & Educación en Tecnología 166 Buscador automático de material educativo en aulas virtuales Beatriz Fernández Reuter y Elena Durán Instituto de Investigaciones en

Más detalles

Programa de Criminología UOC

Programa de Criminología UOC Programa de Criminología UOC Trabajo Final de Grado Presentación Descripción La asignatura en el conjunto del plan de estudios Campos profesionales en que se proyecta Conocimientos previos Objetivos y

Más detalles

PSICOLOGIA. Información a alumnos 1º de Bachillerato OBJETIVOS GENERALES Y EVALUACIÓN

PSICOLOGIA. Información a alumnos 1º de Bachillerato OBJETIVOS GENERALES Y EVALUACIÓN Psicologia 2014/2015 PSICOLOGIA Información a alumnos 1º de Bachillerato OBJETIVOS GENERALES Y EVALUACIÓN A.- OBJETIVOS GENERALES Los objetivos generales para el Bachillerato buscan el desarrollo de capacidades

Más detalles

Master Universitario en Ingeniería de Telecomunicación por la Universidad de Granada

Master Universitario en Ingeniería de Telecomunicación por la Universidad de Granada Universidad de Granada E.T.S. de Ingenierías Informática y de Telecomunicación Master Universitario en Ingeniería de Telecomunicación por la Universidad de Granada José C. Segura Luna Coordinador del Consejo

Más detalles

CONCLUSIONES DE LAS REUNIÓN SECTORIAL DE LA CARRERA DE INGENIERÍA MECÁNICA

CONCLUSIONES DE LAS REUNIÓN SECTORIAL DE LA CARRERA DE INGENIERÍA MECÁNICA CONCLUSIONES DE LAS REUNIÓN SECTORIAL DE LA CARRERA DE INGENIERÍA ÁNICA 1. PERFIL PROFESIONAL DEL INGENIERO ÁNICO 1.1 FINES Y OBJETIVOS El programa de estudios de Ingeniería Mecánica, esta destinado a

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Procesamiento analítico en línea con minería de. por separado. La tecnología OLAP facilita la exploración de datos operacionales, es

Procesamiento analítico en línea con minería de. por separado. La tecnología OLAP facilita la exploración de datos operacionales, es Capítulo 3 Procesamiento analítico en línea con minería de datos 3.1 Definición La combinación de las tecnologías de procesamiento analítico en línea con la minería de datos fue propuesta y ha sido estudiada

Más detalles

Integración de las TIC en Ciencias Sociales

Integración de las TIC en Ciencias Sociales Centro Virtual de Noticias - CVN. www.mineducacion.gov.co/cvn 1 Integración de las TIC en Ciencias Sociales Sábado, 16 de Abril de 2005 Los objetivos principales en la enseñanza de las Ciencias Sociales,

Más detalles

PROPUESTA DE PLAN DE ESTUDIOS DEL TÍTULO DE GRADO DE PEDAGOGIA

PROPUESTA DE PLAN DE ESTUDIOS DEL TÍTULO DE GRADO DE PEDAGOGIA ANEXO IV PROPUESTA DE PLAN DE ESTUDIOS DEL TÍTULO DE GRADO DE PEDAGOGIA - 1 - ORGANIZACIÓN DEL PLAN DE ESTUDIOS PRIMER CURSO (PRIMER SEMESTRE) Carácter T P Materia Módulo Antropología de la educación BASICA

Más detalles

Programador de centro de mecanizado con CNC

Programador de centro de mecanizado con CNC Certificación de Competencias Programador de centro de mecanizado con CNC N de registro: 16138142 Norma de competencia Federación Industrial de Santa Fe Asociación de Industriales Metalúrgicos de Rosario

Más detalles

GESTIÓN DE RIESGOS LABORALES

GESTIÓN DE RIESGOS LABORALES GESTIÓN DE RIESGOS LABORALES 1. Resumen 2. Los Riesgos Laborales 3. Definiciones de Riesgo Laboral 4. Definiciones de Gestión de Riesgos Laborales (GRL) 5. Elementos de la Gestión de Riesgos Laborales

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Facultad de Ingeniería Escuela de Sistemas

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Facultad de Ingeniería Escuela de Sistemas 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: INTELIGENCIA ARTIFICIAL I CÓDIGO: 12652 CARRERA: NIVEL: No. CRÉDITOS: CRÉDITOS TEORÍA: CRÉDITOS PRÁCTICA: Ingeniería de Sistemas 5to. 4 créditos 2 créditos 2 créditos

Más detalles

GUÍA DOCENTE DE INTRODUCCIÓN A LA PROGRAMACIÓN DE VIDEOJUEGOS Y GRÁFICOS

GUÍA DOCENTE DE INTRODUCCIÓN A LA PROGRAMACIÓN DE VIDEOJUEGOS Y GRÁFICOS GUÍA DOCENTE DE INTRODUCCIÓN A LA PROGRAMACIÓN DE VIDEOJUEGOS Y GRÁFICOS La presente guía docente corresponde a la asignatura de Introducción a la Programación de Videojuegos y Gráficos (Videojuegos) del

Más detalles

MANUAL DE USUARIO MÓDULO DE SELECCIÓN DE PERSONAL PROPIEDAD DE

MANUAL DE USUARIO MÓDULO DE SELECCIÓN DE PERSONAL PROPIEDAD DE MANUAL DE USUARIO MÓDULO DE SELECCIÓN DE PERSONAL PROPIEDAD DE Germán O. Ramos Calderón Gerente General Lucas O. Arteaga Gerente Técnico SOPORTE LOGICO Ltda. líder en soluciones integrales de Tecnología

Más detalles

Máster Universitario en Formación y Orientación Profesional para el Empleo

Máster Universitario en Formación y Orientación Profesional para el Empleo Vicerrectorado de Ordenación Académica Máster Universitario en Formación y Orientación Profesional para el Empleo Cuestión previa: La aplicación informática no permite definir los parámetros básicos a

Más detalles

Propuestas de Trabajos fin de Máster

Propuestas de Trabajos fin de Máster Propuestas de Trabajos fin de Máster Máster en Ingeniería y Tecnología del Software Curso 2010/2011 Depto. de Lenguajes y Sistemas Informáticos Universidad de Sevilla Título Descripción Tutor La I+D+I

Más detalles

INVESTIGACIÓN CUANTITATIVA EN EDUCACIÓN

INVESTIGACIÓN CUANTITATIVA EN EDUCACIÓN Escuela de Educación Continua Universidad Metropolitana "Mathematics and Science Partnership: content, integration, application, and research to improve academic achievement" 2012-2013 INVESTIGACIÓN CUANTITATIVA

Más detalles

3.- Los aspirantes no podrán alcanzar más de 10 puntos por la valoración de sus méritos. Reglas específicas para cada apartado.

3.- Los aspirantes no podrán alcanzar más de 10 puntos por la valoración de sus méritos. Reglas específicas para cada apartado. Baremo para la valoración de méritos en el procedimiento de ingreso Reglas generales para la aplicación del baremo 1.- Únicamente serán valorados aquellos méritos perfeccionados hasta la fecha de finalización

Más detalles

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base de datos II Facultad de Ingeniería. Escuela de computación. Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,

Más detalles

Perfil del Ingeniero en Información y Control de Gestión

Perfil del Ingeniero en Información y Control de Gestión Perfil del Ingeniero en Información y Control de Gestión El Ingeniero en Información y Control de Gestión de la Universidad de Chile es un profesional formado para diseñar, implementar y monitorear sistemas

Más detalles

Metodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl

Metodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 5. Formulación de hipótesis 5.1. Definición de hipótesis 5.2. Características de las hipótesis 5.3. Tipos de hipótesis 5.4. Variables.

Más detalles