ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL CENTRO DE INVESTIGACIÓN CIENTÍFICA Y TECNOLÓGICA

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

Download "ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL CENTRO DE INVESTIGACIÓN CIENTÍFICA Y TECNOLÓGICA"

Transcripción

1 Recomendaciones con Filtrado Colaborativo Basado en Usario y en Ítem Aplicando el Paradigma Map-Redce Mervyn Macias 1 Freddy De la Rosa 2 Cristina Abad 3 Facltad de Ingeniería Eléctrica y Comptación Escela Sperior Politécnica del Litoral Camps Gstavo Galindo V. Km. 30.5, Vía Perimetral, Apartado , Gayaqil, Ecador merv_mm@hotmail.com 1, freddyfdelarosa@gmail.com 2, cristina.abad@gmail.com 2 Resmen Un sistema de recomendaciones es n tipo específico de filtro de información qe ayda al sario a seleccionar ítems de s interés tales como pelíclas, músicas, páginas Web, revistas, libros, etc. Actalmente, los sitios Web qe prestan estos servicios reqieren qe la gran cantidad de información recibida por todas las acciones implícitas o explícitas de millones de sarios sobre millones de ítems, sea procesada de na manera rápida y con la menor infraestrctra posible, esto con el fin de obtener rápidos y mejores índices de preferencias útiles y a menor costo El presente trabajo tiene como objetivo presentar dos alternativas de procesamiento de recomendaciones de ítems msicales basados en las preferencias implícitas de los sarios y tilizando n modelo de programación masiva y escalable dentro del framework de Hadoop como n sistema de la ejección de tareas en paralelo y tolerante a fallos. Palabras claves: Filtrado colaborativo, Sistema de archivos distribidos Hadoop (HDFS), Mahot, coeficiente correlación de Pearson. Abstract A system of recommendations is a specific type of filter of information that helps the ser to select sch articles of his (her, yor) interest as movies, msical, web pages, magazines, books, etc. Nowadays, the web sites that give these services need that the great qantity of information got for all the implicit or explicit actions of million sers on million articles, is tried in a rapid way and with the minor possible infrastrctre, this in order to obtain rapid and better indexes of sefl preferences and to minor cost The Present work has as aim to present two alternatives of processing recommendation of msical articles based on the implicit preferences of the sers and sing a model of massive and scalable programming inside Hadoop's framework as a system of the exection of tasks in parallel and tolerantly to failres. Keywords: Colaborative filtering, Hadoop Distribted File System (HDFS), Mahot, coefficient Pearson's correlation.

2 1. Introdcción Antes de la implementación de los sistemas de recomendación, eran insficientes los recrsos a los qe el sario podía acceder para obtener sgerencias sobre temas de s interés. Por ejemplo, en el caso de recomendaciones msicales, la pblicidad en radio era no de los pocos medios a los cales el sario tenía acceso para conocer nevos artistas y canciones. Ahora la sitación se ha invertido. Se centa con extensos datasets en contino crecimiento, qe dificltan la clasificación de la información. Anqe en el ámbito más general existen 5 paradigmas de recomendación [1], nos enfocaremos en dos de ellos: recomendación basada en contenido y recomendación colaborativa. En el primer caso las recomendaciones son hechas en fnción de los ítems qe el sario ha elegido en el pasado y, en el segndo, se identifica sarios con características similares, y se recomiendan ítems qe el sario no haya elegido pero qe sean del agrado de los sarios similares. Un sistema qe aplica recomendación colaborativa no se preocpa del contenido, es más, lo único qe se conoce acerca de cada ítem es n identificador. Actalmente están emergiendo sistemas qe aplican los dos paradigmas, por lo qe reciben el nombre de sistemas híbridos, son ejemplos Fab [2] y Select [3]. Los sistemas de recomendación colaborativa jegan n rol importante en la actalidad. Con esta aproximación la comnidad de sarios evalúa cada elemento y determina de forma implícita qé ítems son recomendables a qé sario. Por otro lado, la implementación de estos sistemas aplicando paradigmas tradicionales de programación, para datasets extensos, no es la mejor opción debido a los tiempos de ejección inherentes a los algoritmos correspondientes. En el presente trabajo mostraremos alternativas de implementación de algoritmos de recomendación colaborativa aplicando el paradigma Map-Redce. 2. Recomendación Colaborativa Se define la recomendación colaborativa como aqella en la cal las recomendaciones son hechas exclsivamente en base a sarios con gstos similares. Utiliza tanto la base de ítems como la base de sarios para generar predicciones. Primero emplea prodcto pnto o correlación para encontrar sarios con características similares, a qienes se denomina vecinos cercanos. Lego combina ss preferencias para generar na lista con los elementos más recomendables para el sario. Los algoritmos qe se detallan más adelante reqieren la pntación qe cada sario ha asignado cada ítem. El sistema pede obtener las pntaciones de forma explícita o implícita [4]. En el primer caso, el sario califica los ítems qe ha tilizado. En el segndo, el sistema obtiene retroalimentación implícita captrando la interacción del sario sin qe él lo note. Por ejemplo, en el caso de n sistema de recomendaciones msicales, si n sario esccha con más frecencia al artista A qe al B, es sistema asigna mayor pntación al artista A. La sigiente tabla mestra na peqeña base de datos con 4 sarios, 5 artistas y el número de veces qe cada sario ha escchado a cada artista. Por ejemplo, el sario 3 ha escchado 5 veces al artista A. Ítems Usario A B C D E Tabla I. Una base qe mestra el número de veces qe cada sario ha escchado cada ítem El hecho qe haya más similitdes entre los sarios 1 y 2 qe entre los sarios 1 y el 3 indica qe el sario 1 es más similar al sario 2 qe al sario 3. El sistema debe notar esto y recomendar al sario 1 qe escche el ítem D, pesto qe aún no lo ha visto y fe del agrado de n sario con gstos similares a los de él. Sólo se peden recomendar artistas qe el sario no haya escchado. Por ejemplo, el sario 1 ha escchado a los artistas A y B, por lo tanto sólo son posibles recomendaciones los artistas C, D y E. 3. Algoritmos Los algoritmos qe se mestran a continación se basan en el prodcto pnto entre dos vectores y en las fórmlas de correlación [5]. El grado de cercanía entre dos vectores lo podemos obtener calclando el coseno del ánglo qe forman. 3.1 Basado en Usario En n sistema con m sarios y n recomendaciones, se define el vector i como aqel cyas coordenadas corresponden al número de veces qe el sario i escchó cada canción. Por ejemplo, para la tabla I, el vector 1 está dado por la expresión <4, 5, 0, 0, 0>. El sistema debe calclar la similitd entre cada par de sarios para generar na matriz de similitd. La

3 similitd entre el sario dada por la fórmla: ij Simi, j i j i y el sario j viene Para determinar qé sarios son similares a n sario particlar se debe seleccionar n mbral. Los sarios obtenidos se denominan vecinos cercanos. Otra opción para determinar la similitd entre dos sarios es aplicar correlación de Pearson [6]. El coeficiente de correlación de Pearson mide la relación lineal entre dos variables cantitativas. Si y v son dos sarios, r i, es la valoración del sario al ítem i, r es la valoración media del sario y es la desviación estándar de las valoraciones, la similitd entre y v se obtiene a través de la expresión: m r 1 a, i ra r, i r i sim, v Los ítems qe no han sido escchados por el sario pero sí por ss vecinos cercanos son potenciales recomendaciones. Para cada no de esos ítems se sa la sigiente expresión: n r 1,, k k i Sim a k p a, i n Sim a, k 1 Donde P ai, es el grado de recomendación del ítem i al sario a y r, i la valoración del sario k al k ítem i. La fórmla anterior es bastante intitiva. Cada smando es el prodcto entre la similitd del sario con n vecino cercano y el número de veces qe ese vecino esccho el ítem i. 3.2 Basado en Ítems El principio es el mismo, la diferencia es qe en este caso bscamos similitdes entre ítems en lgar de bscar similitdes entre sarios. Definimos el vector a i como aqel cyas coordenadas son el número de veces qe cada sario lo ha esccho. Por ejemplo, para la tabla 2.1, el vector a 1 está dado por <4, 5, 5, 0>. La fórmla es análoga a la tilizada para calclar similitdes entre sarios. a k tiempos de ejección a cambio de la redcción en la calidad de las recomendaciones. 4. Esqema Map-Redce Map-redce es n modelo de programación para el procesamiento de grandes cantidades de información en donde na fnción llamada map procesa pares clave/valor para generar n conjnto de pares intermedios clave/valor, y na fnción redce qe agrpa todos los valores intermedios asociados con la misma clave [7]. Para este trabajo se implementan dos variantes para el cálclo de vecinos cercanos: correlación de Pearson y prodcto pnto. A continación se mestra el esqema map redce para la aplicación del prodcto pnto como medida de similitd entre sarios [8]. La figra 4.1 mestra como se procesan los datos de entrada drante la ejección del primer proceso. El map genera como salida los pares (sario/[ítem valoración]). El redce agrpa los pares con la misma clave genera Figra 4.1: Esqema map-redce qe mestra el primer proceso map-redce, indexación. El segndo proceso toma como entradas las salidas del primero. Cada sario constitye n vector. Las similitdes se hayan aplicando prodcto pnto. La salida es na matriz qe contiene las similitdes entre cada par de sarios del sistema. El prodcto pnto es conmtativo, así la similitd Sim, v es igal a Sim v,. El map aprovecha esto para mejorar la eficiencia. En la figra 4.2 se mestra el esqema. 3.3 Aproximación al Algoritmo Basado en Usario La aplicación de la expresión de similitd implica varias mltiplicaciones y divisiones para cada comparación. Una aproximación a los métodos anteriores es aplicar directamente el prodcto pnto para establecer el grado de similitd entre 2 sarios. La ventaja es na redcción considerable de los Figra 4.2: Esqema map-redce qe mestra el segndo proceso map-redce, cálclo de similitdes.

4 El tercer proceso tiliza la matriz de similitdes y la valoración de los sarios. Los artistas qe se peden recomendar son aqellos qe no ha escchado el sario. Ver figra 4.3. Figra 4.3: Esqema map-redce qe mestra el tercer proceso map-redce, recomendaciones. 5. Análisis de Algoritmos Con respecto a la tabla I, al aplicar el algoritmo de recomendación basado en sario, cada sario se compara con el resto, así, para cada sario se realizan 3 comparaciones. Por lo tanto es necesario n total de 12 comparaciones. En el peor de los casos, cada comparación implica 5 operaciones, por consigiente el tiempo de ejección es del orden 12*5=60. En general, para n dataset con n sarios y m ítems, para cada sario se deben realizar n(n-1) comparaciones. En el peor de los casos cada comparación implica m operaciones. Así, el tiempo de ejección es del orden de mn 2. El dataset tilizado en este proyecto tiene aproximadamente sarios y de ítems. El tiempo de ejección es del orden de Si aplicamos algoritmo basado en ítem, las comparaciones se realizan entre ítems, en cyo caso el tiempo de ejección es del orden de nm 2, 10 17, 10 veces mayor al algoritmo basado en sarios. Si el dataset tiene más sarios qe ítems lo ideal es aplicar el algoritmo basado en ítems. En caso contrario, la mejor decisión depende de qé tan grande sea la diferencia de cantidad de sarios y de ítems. 6. Implementación con Mahot Mahot es n proyecto de Apache Lcene cyo propósito es constrir librerías escalables de máqinas de aprendizaje. Mahot implementa el algoritmo basado en ítems y el algoritmo basado en contenido [9]. Para la implementación de los algoritmos tilizaremos el dataset de Adioscrobbler. Adioscrobbler es n dataset de música qe entre otros datos contiene na base de sarios, de artistas y el número de veces qe cada sario ha escchado a cada artista. Para trabajar con los algoritmos de Mahot se necesita na gran cantidad de memoria RAM. El modelo de datos se implementa mediante la interfaz DataModel. Mahot crea n objeto sario por cada sario del sistema y recomienda n dataset con máximo de diez mil sarios. Nos vemos en la necesidad de maniplar el código fente para tilizar el dataset completo. En la figra 6.1 explica el proceso de implementación del sistema de recomendaciones tilizando el paradigma map-redce y la librería Mahot para la obtención de clave/valor para las comparaciones, el framework de Hadoop [10] para el procesamiento síncrono y programado de tareas, y las herramientas de Amazon EC2 qe proveen el ambiente virtal necesario para n compto masivo y escalable de datos en la nbe. Figra 6.1: Diagrama de fljo de datos del sistema en general. En este diagrama se representa a las entidades (Operador, Usario), los procesos (P1, P2,...etc) y los almacenes (S3, HDFS). El sistema inicia con el ingreso de los parámetros tales como el archivo de entrada, el archivo de salida, los N vecinos más cercanos y las N recomendaciones para cada sario. Lego pasa al proceso de pre-indexación de sarios el cal genera n archivo de texto plano donde cada línea representa las preferencias por sario. Este archivo será almacenado en el HDFS el cal sirve como entrada para el sigiente proceso qe tiene como objetivo el cómpto de los N vecinos más cercanos. En la salida del cómpto mencionado se graban los N sarios más similares con s valor de similitd por cada sario activo. Por último, el proceso de cómpto de las recomendaciones recibe como entrada el archivo de las similitdes para obtener los ítems nnca antes vistos por cada sario y generar las N recomendaciones por medio de colas de prioridad, el

5 cal dará como resltado n archivo en texto plano qe lego será comprimido y sbido al S3 para el almacenamiento respectivo. 7. Análisis de Resltados Nestro primer inconveniente radicaba en la gran cantidad de memoria qe tiliza la librería de Mahot para el almacenamiento de las características de todos los sarios y en el tiempo de respesta qe llevaría la comparación de todos los ítems para todos los sarios del dataset en na máqina local. Para los resltados del presente trabajo nos enfocamos en el tiempo de respesta y costo de cada proceso ejectado en EC2. Se mestra la comparación del tiempo de ejección del proceso de los vecinos más cercanos tilizando dos variantes en la obtención de los valores de similitd entre sarios. Para la ejección de cada na de las dos variantes se levantaron 10 nodos con la misma configración en la plataforma Linx y Hadoop versión La figra 7.1 mestra los procesos ejectados para las dos variaciones. proceso fe terminado de forma manal ya qe la ejección de todo el proceso habría implicado tener levantados los 10 nodos drante aproximadamente 6 días, lo cal habría casado n exceso en el prespesto. Con el prodcto pnto el problema anterior se tomó en consideración n procesamiento de los valores de similitd tilizando el agrpamiento de tplas de sarios similares y mltiplicando las preferencias de ss ítems (Prodcto pnto). El tiempo de respesta con respecto a la alternativa anterior se redce en n 99.93% (ver figra 7.2). Este método no asegra qe todos los sarios tengan la vecindad reqerida ni tampoco qe se contemplen todos los ítems del data set porqe en el proceso de agrpamiento de tplas existen ítems qe han sido escchados por n sólo sario [11]. Como consecencia, este sario no debería participar como candidato a ser vecino. Figra 7.2. Gráfico de barras mostrando el tiempo de respesta de los dos procesos de recomendaciones tilizando dos tipos de correlación. Figra 7.1. Diagrama de fljo de ejección de los Jobs en 10 nodos. Para el job 1, el cal es aplicado en las dos variaciones, se levantaron 4 tareas map y 10 tareas redce, las cales presentaron na dración total 1 minto con 9 segndos. Para el job 4, el cal es aplicado también para las dos variaciones, se levantaron 10 tareas map y 10 tareas redce, los cales presentaron na dración total de ejección de aproximadamente 22 horas con 54 mintos y 58 segndos. Para el tiempo de respesta en la obtención de los vecinos más cercanos se tvieron dos alternativas expestas a continación: Con el coeficiente de correlación de Pearson se tvo n tiempo de respesta de aproximadamente 144 horas (6 días). Esta dración de tiempo fe estimada y obtenida de los tiempos de respestas de los primeros porcentajes de avance en las tareas map. Por tanto el 8. Conclsiones y Recomendaciones Los tiempos de ejección de los algoritmos de recomendación colaborativa basados en correlación y en prodcto pnto amentan con el cadrado de la cantidad de sarios y por ello presentan problemas de escalabilidad. En el caso del algoritmo la correlación de Pearson, el costo comptacional es tan alto qe en términos monetarios spera 8 a 1 al algoritmo basado en prodcto pnto. La poca cantidad de nodos compartidos disponibles es na limitante. La aplicación de prodcto pnto es na alternativa viable para el procesamiento de las similitdes. Anqe con el prodcto pnto disminye en gran proporción el tiempo de ejección, no se obtienen recomendaciones para sarios qe han calificado ítems qe otros sarios no han calificado, Pearson reselve este problema aplicando inferencias. Una mejora pede ser la aplicación de na variante de prodcto pnto qe tiliza inferencias.

6 9. Referencias [1]. Aniceto Saboya Vargas Estdiante de doctorado en Inteligencia Artificial, Uso de Recomendadores, Asistentes y Aydantes en sistemas Ttores, Universidad Politécnica de Catalña, pág. 6. [2]. Marko Balabanović, Content-based, collaborative recommendation, ACM New York, NY, USA, vol. 40, Mar. 1997, pág. 72. [3]. David M. Nichols, Implicit Rating and Filtering, Proceedings of the 5th DELOS Workshop on Filtering and Collaborative Filtering, Nov. 1997, pág. 5. [4]. Roland Alton-Scheidl, Jesper Ekhall, Olivier van Geloven, Laszlo Kovacs & Andras Micsik, Christopher Le, Richard Messnarz, David Nichols, Jacob Palme & Torgny Tholers, Dave Mason & Rob Procter, Enrico Stpazzini & Massimo Vassali, y Richard Wheeler, Social and Collaborative Filtering of Web Docments and News, Dagsthl, Germany: Alfred Kobsa, GMD and Constantine Stephanidis, 1999, pág. 14. [5]. Oswaldo Velez-Langs y Carlos Santos, Sistemas Recomendadores: Un enfoqe desde los algoritmos genéticos, Institto de Investigación de Ingeniería Indstrial de la UNMSM. (Per), vol. 9, Jn. 2006, pág. 31. [6]. Sergio Manel Galán Nieto, Filtrado Colaborativo y Sistemas de Recomendación, España - Madrid: Universidad Carlos II de Madrid, [7]. Jeffrey Dean and Sanjay Ghemawat. Google, Inc., Google Research Pblication: MapRedce, Research Pblications Google, Dic. 2004, pág. 13. [8]. Elsayed, Doglas W. Oard, y Jimmy Lin Tamer, Pairwise Docment Similarity in Large Collections with MapRedce, University of Maryland: Hman Langage Technology Center of Excellence and UMIACS Laboratory for Comptational Lingistics and Information Processing, [9]. Andre Vellino, PageRank Effect on Collaborative Filtering, National Research Concil (Ottawa, Ontario K1A 0R6 ), Jl. 2008, pág. 4. [10]. The Hadoop Distribted File System: Architectre and Design, The Hadoop Distribted File System: Architectre and Design, May [11]. Valeria Molina, Rodrigo Machado, y Leticia Betarte, Recomendación de música basada en filtrado colaborativo, Grado, UdelaR - Carrera de Ingeniería en Comptación.

Ingeniería de Requerimientos. Objetivos. Ingeniería de Requerimientos. Tópicos. Requerimientos Definición/Especificación. Qué es un Requerimiento?

Ingeniería de Requerimientos. Objetivos. Ingeniería de Requerimientos. Tópicos. Requerimientos Definición/Especificación. Qué es un Requerimiento? Ingeniería de Reqerimientos Objetivos Estableciendo lo qe el cliente reqiere de n de Software. Ingeniería de SoftwareDiapositiva 1 Introdcción a la Noción de Ingeniería de Reqerimientos. Explicación de

Más detalles

VECTORES. Copia en un papel cuadriculado los cuatro vectores siguientes:

VECTORES. Copia en un papel cuadriculado los cuatro vectores siguientes: a c VECTORES Página REFLEXIONA Y RESUELVE Mltiplica vectores por números Copia en n papel cadriclado los catro vectores sigientes: d Representa: a a c Expresa el vector d como prodcto de no de los vectores

Más detalles

Lección 3. Cálculo vectorial. 4. Integrales de superficie.

Lección 3. Cálculo vectorial. 4. Integrales de superficie. GRAO E INGENIERÍA AEROEPACIAL CURO 0 MATEMÁTICA II PTO E MATEMÁTICA APLICAA II 4 Integrales de sperficie Nestro último paso en la etensión del concepto de integral es el estdio de las integrales de sperficie,

Más detalles

Matemática Aplicada a la Economía. Toma de decisiones en la elección de los riesgos

Matemática Aplicada a la Economía. Toma de decisiones en la elección de los riesgos Matemática Aplicada a la Economía. Toma de decisiones en la elección de los riesgos Este artíclo se basa en el capítlo III ( Elección en condiciones de incertidmbre ) de la obra Microeconomía, del profesor

Más detalles

Capítulo 9. Archivos de sintaxis

Capítulo 9. Archivos de sintaxis Capítulo 9 Archivos de sintaxis El SPSS permite generar y editar archivos de texto con sintaxis SPSS, es decir, archivos de texto con instrucciones de programación en un lenguaje propio del SPSS. Esta

Más detalles

Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net

Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net 2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

FaceFinder MÓDULO DE BÚSQUEDA DE PERSONAS DENTRO DE UNA BASE DE DATOS DE ROSTROS

FaceFinder MÓDULO DE BÚSQUEDA DE PERSONAS DENTRO DE UNA BASE DE DATOS DE ROSTROS FaceFinder MÓDULO DE BÚSQUEDA DE PERSONAS DENTRO DE UNA BASE DE DATOS DE ROSTROS Introducción Los algoritmos utilizados para el procesamiento de imágenes son de complejidad computacional alta. Por esto

Más detalles

Análisis de los datos

Análisis de los datos Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización

Más detalles

Catoira Fernando Fullana Pablo Rodriguez Federico [MINERIA DE LA WEB] Proyecto Final - Informe Final

Catoira Fernando Fullana Pablo Rodriguez Federico [MINERIA DE LA WEB] Proyecto Final - Informe Final Catoira Fernando Fullana Pablo Rodriguez Federico [MINERIA DE LA WEB] Proyecto Final - Informe Final INTRODUCCION En principio surgió la idea de un buscador que brinde los resultados en agrupaciones de

Más detalles

EMPRESAS - CON CUENTAS SEGREGADAS CAPACIDADES DE ACE: INFORMACIÓN GENERAL

EMPRESAS - CON CUENTAS SEGREGADAS CAPACIDADES DE ACE: INFORMACIÓN GENERAL EMPRESAS - CON CUENTAS SEGREGADAS CAPACIDADES DE : INFORMACIÓN GENERAL SIMPLICIDAD DENTRO DE LA COMPLEJIDAD CAPACIDADES DE PARA ADMINISTRAR EMPRESAS CUENTAS SEGREGADAS Administrar s propio riesgo nnca

Más detalles

App para realizar consultas al Sistema de Información Estadística de Castilla y León

App para realizar consultas al Sistema de Información Estadística de Castilla y León App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda

Más detalles

ESCUELA SUPERIOR POLITECNICA DEL LITORAL. Facultad de Ingeniería en Electricidad y Computación

ESCUELA SUPERIOR POLITECNICA DEL LITORAL. Facultad de Ingeniería en Electricidad y Computación i ESCUELA SUPERIOR POLITECNICA DEL LITORAL Facultad de Ingeniería en Electricidad y Computación Generación de recomendaciones de ítems musicales basado en las valoraciones implícitas y las similitudes

Más detalles

OBJETIVOS: Definir Límites. Realizar demostraciones formales de límites. Describir gráficamente los límites. Calcular límites.

OBJETIVOS: Definir Límites. Realizar demostraciones formales de límites. Describir gráficamente los límites. Calcular límites. Cap. Límites de Fnciones. LÍMITE EN UN PUNTO. LÍMITES LATERALES. TEOREMAS SOBRE LÍMITES.4 CÁLCULO DE LÍMITES.5 LÍMITES AL INFINITO.6 LÍMITES INFINITOS.7 OTROS LÍMITES OBJETIVOS: Definir Límites. Realizar

Más detalles

Manual de rol gestor de GAV para moodle 2.5

Manual de rol gestor de GAV para moodle 2.5 Manual de rol gestor de GAV para moodle 2.5 Consultas LDAP-GAUR... 2 Buscar en LDAP datos de un usuario... 2 Docentes... 3 Buscar en GAUR datos de un docente... 3 Buscar en GAUR la docencia de un docente

Más detalles

Online Shop de Dentaurum www.dentaurum.es

Online Shop de Dentaurum www.dentaurum.es online-shop españa Online Shop de Dentarm www.dentarm.es más rápido más cómodo más fácil shop.dentarm.es El mejor lgar en Internet para Ortodoncia, Prótesis dental e Implantología. Descbra la tienda online

Más detalles

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.

Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama. Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El

Más detalles

FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 MÓDULO DE DISEÑO Y PRODUCCIÓN DE MATERIALES UNIDAD 6 B

FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 MÓDULO DE DISEÑO Y PRODUCCIÓN DE MATERIALES UNIDAD 6 B 141 1 FORMACIÓN DE EQUIPOS DE E-LEARNING 2.0 Unidad 6 B 142 2 Índice SEGUIMIENTO DE PERSONAS 1 INFORMES 2 143 3 SEGUIMIENTO DE PERSONAS E INFORMES EN MOODLE El seguimiento de los participantes en Moodle

Más detalles

revista transparencia transparencia y... 3.3. UNIVERSIDADES

revista transparencia transparencia y... 3.3. UNIVERSIDADES revista transparencia transparencia y... 3.3. UNIVERSIDADES 35 revista transparencia Mónica López del Consuelo Documentalista Open Data Universidad de Granada 3.3.1. El filtro básico de la transparencia.

Más detalles

Diseño o de Entradas. Autor: Dr. Juan Carlos Gómez ISIS 2

Diseño o de Entradas. Autor: Dr. Juan Carlos Gómez ISIS 2 Identificación n de SIStemas Diseño o de Entradas Ator: Dr. Jan Carlos Gómez Un reqisito fndamental de las entradas para n experimento de identificación es el de persistencia de excitación de las mismas.

Más detalles

Manual del Estudiante

Manual del Estudiante Manual del Estudiante Indice Introducción 4 Qué es una Plataforma Educativa? 4 Vocabulario Básico 5 Curso 5 Categoría 5 Actividad 5 Recursos 7 Bloque 9 Plugin 9 Pestaña 9 Rol 9 Funciones Principales 10

Más detalles

CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK. www.formacionhadoop.com

CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK. www.formacionhadoop.com CURSO: APACHE SPARK CAPÍTULO 2: INTRODUCCIÓN A APACHE SPARK www.formacionhadoop.com Índice 1 Qué es Big Data? 2 Problemas con los sistemas tradicionales 3 Qué es Spark? 3.1 Procesamiento de datos distribuido

Más detalles

Hadoop. Cómo vender un cluster Hadoop?

Hadoop. Cómo vender un cluster Hadoop? Hadoop Cómo vender un cluster Hadoop? ÍNDICE Problema Big Data Qué es Hadoop? Descripción HDSF Map Reduce Componentes de Hadoop Hardware Software 3 EL PROBLEMA BIG DATA ANTES Los datos los generaban las

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos

Más detalles

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación Tema: NEGOCIOS EN INTERNET SUBASTATODO.COM Integrantes: Marianas Arias Peña 1 María Teresa Figueroa 2 José Zambrano

Más detalles

MANUAL DE LA APLICACIÓN HELP DESK

MANUAL DE LA APLICACIÓN HELP DESK CASAMOTOR MANUAL DE LA APLICACIÓN HELP DESK Desarrollado por: NOVIEMBRE, 2012 BOGOTÁ D.C. - COLOMBIA INTRODUCCIÓN Este documento es el manual de la aplicación de Help Desk de Casamotor, producto desarrollado

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

ÍTEMS DEL MENÚ CREACIÓN Y GESTIÓN (Última revisión: lunes, 9 de marzo de 2009)

ÍTEMS DEL MENÚ CREACIÓN Y GESTIÓN (Última revisión: lunes, 9 de marzo de 2009) JOOMLA! ÍTEMS DEL MENÚ CREACIÓN Y GESTIÓN (Última revisión: lunes, 9 de marzo de 2009) Es necesario comentar que este manual ha sido diseñado en su mayor parte por comunidadjoomla.org. Este manual es una

Más detalles

Adaptación al NPGC. Introducción. NPGC.doc. Qué cambios hay en el NPGC? Telf.: 93.410.92.92 Fax.: 93.419.86.49 e-mail:atcliente@websie.

Adaptación al NPGC. Introducción. NPGC.doc. Qué cambios hay en el NPGC? Telf.: 93.410.92.92 Fax.: 93.419.86.49 e-mail:atcliente@websie. Adaptación al NPGC Introducción Nexus 620, ya recoge el Nuevo Plan General Contable, que entrará en vigor el 1 de Enero de 2008. Este documento mostrará que debemos hacer a partir de esa fecha, según nuestra

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

3.1 INGENIERIA DE SOFTWARE ORIENTADO A OBJETOS OOSE (IVAR JACOBSON)

3.1 INGENIERIA DE SOFTWARE ORIENTADO A OBJETOS OOSE (IVAR JACOBSON) 3.1 INGENIERIA DE SOFTWARE ORIENTADO A OBJETOS OOSE (IVAR JACOBSON) 3.1.1 Introducción Este método proporciona un soporte para el diseño creativo de productos de software, inclusive a escala industrial.

Más detalles

Sistemas de Recuperación de Información

Sistemas de Recuperación de Información Sistemas de Recuperación de Información Los SRI permiten el almacenamiento óptimo de grandes volúmenes de información y la recuperación eficiente de la información ante las consultas de los usuarios. La

Más detalles

Estructuras de datos: Proyecto 2

Estructuras de datos: Proyecto 2 Estructuras de datos: Proyecto 2 28 de mayo de 2013 Instrucciones Enviar las soluciones por email a los ayudantes, con copia a la profesora. Plazo de entrega: 16 de junio (durante todo el día). Se debe

Más detalles

MANUAL DE USUARIO PARA SOPORTE DE SINERGYHARD EN TIVOLI SERVICE REQUEST MANAGER. Enero de 2012

MANUAL DE USUARIO PARA SOPORTE DE SINERGYHARD EN TIVOLI SERVICE REQUEST MANAGER. Enero de 2012 MANUAL DE USUARIO PARA SOPORTE DE SINERGYHARD EN TIVOLI SERVICE REQUEST MANAGER Enero de 2012 Contenido Acceso a la herramienta... 3 Buscar soluciones... 4 Creación de Solicitud de Servicio de Usuario...

Más detalles

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos

UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos 2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven

Más detalles

Manual para la utilización de PrestaShop

Manual para la utilización de PrestaShop Manual para la utilización de PrestaShop En este manual mostraremos de forma sencilla y práctica la utilización del Gestor de su Tienda Online mediante Prestashop 1.6, explicaremos todo lo necesario para

Más detalles

Manual de Usuario Comprador Presupuesto

Manual de Usuario Comprador Presupuesto Manual de Usuario Comprador Presupuesto Servicio de Atención Telefónica: 5300569/ 5300570 Descripción General El módulo Presupuesto tiene la finalidad de ayudar a las empresas a tener un control de gestión

Más detalles

BPMN básico. Clase Modelos de Procesos. Javier Bermudez (jbermude@uc.cl)

BPMN básico. Clase Modelos de Procesos. Javier Bermudez (jbermude@uc.cl) BPMN básico Clase Modelos de Procesos Javier Bermudez (jbermude@uc.cl) Para qué modelar? Para sacar el mejor provecho a los artefactos creados por el hombre 2 BPMN Historia Mayo 2004: BPMI Lanza propuesta

Más detalles

Profunda comprensión de que valores son o podrían ser percibidos por los clientes.

Profunda comprensión de que valores son o podrían ser percibidos por los clientes. Estrategias de retención de clientes para servicios El valor concebido por el cliente de servicio se basa en una estrategia de conocimientos, ya que con el conocimiento que posee la empresa, puede emplear

Más detalles

comunidades de práctica

comunidades de práctica 1. Introducción CoSpace es una plataforma web diseñada para proporcionar un espacio virtual de interacción y colaboración entre formadores en comunidades virtuales. Se originó como resultado de las necesidades

Más detalles

- MANUAL DE USUARIO -

- MANUAL DE USUARIO - - MANUAL DE USUARIO - Aplicación: Kz Precio Hora Instagi Instagi Teléfono: 943424465-943466874 Email: instagi@instagi.com GUIA PROGRAMA CALCULO PRECIO HORA 1. Introducción 2. Datos de la empresa 2.1.Gastos

Más detalles

Capítulo IV. Implementación del Sistema

Capítulo IV. Implementación del Sistema La implementación del sistema consiste en la integración de la aplicación en una LAN, la instalación en varias computadoras personales de clientes del almacén, de administradores de almacén y de los almacenes

Más detalles

"Uso del Logotipo y de la Marca de Acreditación"

Uso del Logotipo y de la Marca de Acreditación OFICINA DE ACREDITACION GUATEMALA, C.A. Procedimiento "" - Elaborado por Aprobado por Fecha de Vigencia No. de Revisión Alexander Pineda, Dberly Barillas, Erik Alvarado Alexander Pineda 2011-08-12 6 Código

Más detalles

BASES DE DATOS OFIMÁTICAS

BASES DE DATOS OFIMÁTICAS BASES DE DATOS OFIMÁTICAS Qué es una Bases de Datos Ofimática?. En el entorno de trabajo de cualquier tipo de oficina ha sido habitual tener un archivo con gran parte de la información necesaria para el

Más detalles

UAM MANUAL DE EMPRESA. Universidad Autónoma de Madrid

UAM MANUAL DE EMPRESA. Universidad Autónoma de Madrid MANUAL DE EMPRESA Modo de entrar en ÍCARO Para comenzar a subir una oferta de empleo, el acceso es a través del siguiente enlace: http://icaro.uam.es A continuación, aparecerá la página de inicio de la

Más detalles

Para la versión actual 8.0 Internet Explorer, la ventana nueva se muestra así:

Para la versión actual 8.0 Internet Explorer, la ventana nueva se muestra así: Internet Explorer A continuación se mostrara algunas configuraciones que tienen relación con el uso del navegador, para el proceso de impresión por parte de lo usuarios. Se debe tener en cuenta que el

Más detalles

Técnicas de valor presente para calcular el valor en uso

Técnicas de valor presente para calcular el valor en uso Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar

Más detalles

VECTORES EN EL ESPACIO

VECTORES EN EL ESPACIO VECTORES EN EL ESPACIO Para poder isalizar los elementos de R 3 ={(x,y,z)/x,y,z R}, primero fijamos n sistema de coordenadas, eligiendo n pnto en el espacio llamado el origen qe denotaremos por O, y tres

Más detalles

Capítulo 12: Indexación y asociación

Capítulo 12: Indexación y asociación Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación

Más detalles

BearSoft. SitodeCloud. Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo

BearSoft. SitodeCloud. Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo BearSoft Rafael Rios Bascón Web: http://www.bearsoft.com.bo Móvil: +591 77787631 Email: rafael.rios@bearsoft.com.bo CONTENIDO 1. Resumen. 3 2. Business Intelligence.. 4 3. Características del software.

Más detalles

QUERCUS PRESUPUESTOS MANUAL DEL USO

QUERCUS PRESUPUESTOS MANUAL DEL USO QUERCUS PRESUPUESTOS MANUAL DEL USO 2 Tabla de Contenido 1 Introducción 1 1.1 General 1 1.1.1 Que es Quercus Presupuestos? 1 1.1.2 Interfaz 1 1.1.3 Árbol de Navegación 2 1.1.4 Estructura de Datos de un

Más detalles

Capitulo I. Introducción

Capitulo I. Introducción Capitulo I. Introducción 1.1 Descripción del trabajo El ser humano, como todos sabemos tiene la necesidad de comunicarse, de ser escuchado y sobretodo interactuar con los demás seres vivos que lo rodean.

Más detalles

Jorge Pontt O. Adolfo Paredes P.

Jorge Pontt O. Adolfo Paredes P. Capítlo 2: EL TRANSFORMADOR niversidad Técnica Federico Santa María ELO 281 Sistemas Electromecánicos Jorge Pontt O. Adolfo Paredes P. 1 2.4 Transformadores Trifásicoss 2.4.1 Principio de fncionamiento.

Más detalles

VENTAS EFECTIVAS EN UN CALL CENTER CON INTERVALOS DE CONFIANZA

VENTAS EFECTIVAS EN UN CALL CENTER CON INTERVALOS DE CONFIANZA 1 VENTAS EFECTIVAS EN UN CALL CENTER CON INTERVALOS DE CONFIANZA FERNANDA ORTIZ H. DIEGO RODRIGUEZ FACULTAD DE CIENCIAS CONTABLE Y EMPRESARIALES RESUMEN Las llamadas telefónicas en centros de Call Center

Más detalles

PROYECTOS, FORMULACIÓN Y CRITERIOS DE EVALUACIÓN

PROYECTOS, FORMULACIÓN Y CRITERIOS DE EVALUACIÓN PROYECTOS, FORMULACIÓN Y CRITERIOS DE EVALUACIÓN GESTIÓN DE PROYECTOS CON PLANNER AVC APOYO VIRTUAL PARA EL CONOCIMIENTO GESTIÓN DE PROYECTOS CON PLANNER Planner es una poderosa herramienta de software

Más detalles

Presentación del curso Introducción a la Tecnología de Redes

Presentación del curso Introducción a la Tecnología de Redes Feliz día estudiantes Bienvenidos al curso. En esta presentación se socializará los contenidos, las temáticas y todo el componente que será desarrollado durante las 16 semanas de trabajo académico y 2

Más detalles

Evolución de la aplicación de matrícula de la UNED-Costa Rica. Andrea Morales Bolaños

Evolución de la aplicación de matrícula de la UNED-Costa Rica. Andrea Morales Bolaños Evolución de la aplicación de matrícula de la UNED-Costa Rica Andrea Morales Bolaños Antecedentes La UNED trabaja con cursos en línea desde 1995, con la plataforma de Aprendizaje en Línea Microcampus de

Más detalles

Master de Negocios y Alta Dirección 2008

Master de Negocios y Alta Dirección 2008 Master de Negocios y Alta Dirección 2008 RATIOS DE EJEMPLO:. 1.- Ratios de Actividad. a) Crecimiento de la cifra de ventas. b) Rotación de los activos. c) Rotación de Activos fijos. d) Crecimiento del

Más detalles

Controle completamente la fabricación de su empresa Sistema de gestión de la producción para la empresa Sistema de gestión de la fabricación para la empresa Resolución de sus problemas más comunes de gestión

Más detalles

Enterprise Resource Planning (ERP) SISTEMA DE PLANEACIÓN DE RECURSOS MASTER: ALFREDO CASTRO JIMENEZ

Enterprise Resource Planning (ERP) SISTEMA DE PLANEACIÓN DE RECURSOS MASTER: ALFREDO CASTRO JIMENEZ Enterprise Resource Planning (ERP) SISTEMA DE PLANEACIÓN DE RECURSOS MASTER: ALFREDO CASTRO JIMENEZ ERICK ANASTASIO FLORES 29/09/2010 UNIVERSIDAD AUTONOMA DE GUADALAJARA TECNOLOGIAS DE INFORMACION Qué

Más detalles

Integrando Información de Fuentes Relevantes para un Sistema Recomendador

Integrando Información de Fuentes Relevantes para un Sistema Recomendador Integrando Información de Fuentes Relevantes para un Sistema Recomendador Silvana Aciar, Josefina López Herrera and Javier Guzmán Obando Agents Research Laboratory University of Girona {saciar, jguzmano}@eia.udg.es,

Más detalles

ARQUITECTURA DE DISTRIBUCIÓN DE DATOS

ARQUITECTURA DE DISTRIBUCIÓN DE DATOS 4 ARQUITECTURA DE DISTRIBUCIÓN DE DATOS Contenido: Arquitectura de Distribución de Datos 4.1. Transparencia 4.1.1 Transparencia de Localización 4.1.2 Transparencia de Fragmentación 4.1.3 Transparencia

Más detalles

Indicaciones específicas para los análisis estadísticos.

Indicaciones específicas para los análisis estadísticos. Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por

Más detalles

Contenido. Email: capacitacion@u cursos.cl / Teléfono: 9782450

Contenido. Email: capacitacion@u cursos.cl / Teléfono: 9782450 GMI Contenido PUBLICAR AVISO... 3 CREAR PROCESO DE SELECCIÓN... 6 VER/ELIMINAR AVISOS PUBLICADOS... 8 ETAPAS DE UN PROCESO DE SELECCIÓN... 10 SECCIONES DE LOS PROCESOS DE SELECCIÓN (GPS)... 21 PERSONALIZAR

Más detalles

Servicio de Apoyo a la Investigación. Tutorial EndNoteWeb

Servicio de Apoyo a la Investigación. Tutorial EndNoteWeb Servicio de Apoyo a la Investigación Tutorial EndNoteWeb I AÑADIR REFERENCIAS. LA PESTAÑA COLLECT Collect es la pestaña que se utiliza para añadir referencias a nuestra biblioteca. Se pueden añadir hasta

Más detalles

Manual Operativo Sistema de Postulación Online

Manual Operativo Sistema de Postulación Online Manual Operativo Sistema de Postulación Online Este Manual está diseñado en forma genérica para apoyar el proceso de postulación en línea, las Bases de cada Concurso definen los requerimientos oficiales

Más detalles

Recuperación de Información en Internet Tema 3: Principios de Recuperación de Información

Recuperación de Información en Internet Tema 3: Principios de Recuperación de Información Recuperación de Información en Internet Tema 3: Principios de Recuperación de Información Mestrado Universitario Língua e usos profesionais Miguel A. Alonso Jesús Vilares Departamento de Computación Facultad

Más detalles

Guía de Gestión de Contratos

Guía de Gestión de Contratos Cierre de Brecha Digital Estimado Sostenedor y Director, Dirigida al Sostenedor y al Establecimiento Educacional El Ministerio de Educación se encuentra implementando el plan Tecnologías para una Educación

Más detalles

ICARO MANUAL DE LA EMPRESA

ICARO MANUAL DE LA EMPRESA ICARO MANUAL DE LA EMPRESA 1. ENTRANDO EN ICARO Para acceder al Programa ICARO tendremos que entrar en http://icaro.ual.es Figura 1 A continuación os aparecerá la página de Inicio del aplicativo ICARO.

Más detalles

understanding documents Digitalización y Captura Inteligente de Documentos

understanding documents Digitalización y Captura Inteligente de Documentos Digitalización y Captura Inteligente de Documentos Mayo 2013 Poder mantener accesibles los documentos desde cualquier punto del planeta y utilizar la información contenida en ellos se ha vuelto crítico

Más detalles

Capítulo 4. Sistemas de recomendación

Capítulo 4. Sistemas de recomendación Capítulo 4. Sistemas de recomendación Como se mencionó en el primer capítulo los sistemas de recomendación ayudan al usuario a seleccionar elementos de una gran cantidad de opciones. Estos sistemas han

Más detalles

IIC 3633 - Sistemas Recomendadores

IIC 3633 - Sistemas Recomendadores Recomendador Slope One IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 16 TOC En esta clase 1. Resumen últimas clases 2. Control de lectura próxima semana y

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Folleto Informativo. El Aprendizaje Combinado Lleva a una Capacitación Efectiva

Folleto Informativo. El Aprendizaje Combinado Lleva a una Capacitación Efectiva Folleto Informativo El Aprendizaje Combinado Lleva a una Capacitación Efectiva En el mundo actual de los negocios, las empresas exitosas buscan la manera de aumentar sus ventajas competitivas y a la vez

Más detalles

Dirección de Procesos y Tecnología

Dirección de Procesos y Tecnología INTRODUCCIÓN 3 CONSIDERACIONES, ALCANCE Y LIMITACIONES DEL SISTEMA 4 USUARIO ADMINISTRATIVO SEDE PRERREQUISITOS: 6 ACCESO AL SISTEMA 6 BÚSQUEDA DE PROGRAMACIÓN DEL DOCENTE: 9 REGISTRO HISTÓRICO 11 BITÁCORA

Más detalles

DISEÑO DE FUNCIONES (TRATAMIENTOS)

DISEÑO DE FUNCIONES (TRATAMIENTOS) DISEÑO DE FUNCIONES (TRATAMIENTOS) Diseño Estructurado. Estrategias para Derivar el Diagrama de Estructura. Diseño de Módulos Programables. 1. DISEÑO ESTRUCTURADO El Diseño es el proceso por el cual se

Más detalles

CASO PRÁCTICO Nº 07. - Monitoreo y Ajuste de la Carga de Trabajo de los Recursos. - Control del Proyecto usando el Valor Ganado.

CASO PRÁCTICO Nº 07. - Monitoreo y Ajuste de la Carga de Trabajo de los Recursos. - Control del Proyecto usando el Valor Ganado. CASO PRÁCTICO Nº 07 1. OBJETIVO El desarrollo del Caso Práctico Nº 07 busca lograr los siguientes objetivos en el participante: - Realizar el Monitoreo y Ajuste de la Carga de Trabajo de los Recursos.

Más detalles

Informàtica i Comunicacions Plaça Prnt. Tarradellas, 11 17600 FIGUERES (Girona) Tel. 902 88 92 67 Fax 972 671 962 www.cesigrup.es

Informàtica i Comunicacions Plaça Prnt. Tarradellas, 11 17600 FIGUERES (Girona) Tel. 902 88 92 67 Fax 972 671 962 www.cesigrup.es DNS (Domain Name System)...2 La estructura... 2 Servidores DNS e Internet... 3 Dominios... 3 Servidores de nombres... 3 Servidores de nombres Principal y Secundario... 4 Los archivos del DNS... 4 Registro

Más detalles

Versión final 8 de junio de 2009

Versión final 8 de junio de 2009 GRUPO DE EXPERTOS «PLATAFORMA PARA LA CONSERVACIÓN DE DATOS ELECTRÓNICOS PARA CON FINES DE INVESTIGACIÓN, DETECCIÓN Y ENJUICIAMIENTO DE DELITOS GRAVES» ESTABLECIDO POR LA DECISIÓN 2008/324/CE DE LA COMISIÓN

Más detalles

INTRODUCCION A LA PROGRAMACION DE PLC

INTRODUCCION A LA PROGRAMACION DE PLC INTRODUCCION A LA PROGRAMACION DE PLC Esta guía se utilizará para estudiar la estructura general de programación de um PLC Instrucciones y Programas Una instrucción u orden de trabajo consta de dos partes

Más detalles

CAPÍTULO 3 Servidor de Modelo de Usuario

CAPÍTULO 3 Servidor de Modelo de Usuario CAPÍTULO 3 Servidor de Modelo de Usuario Para el desarrollo del modelado del estudiante se utilizó el servidor de modelo de usuario desarrollado en la Universidad de las Américas Puebla por Rosa G. Paredes

Más detalles

Capítulo 1 Documentos HTML5

Capítulo 1 Documentos HTML5 Capítulo 1 Documentos HTML5 1.1 Componentes básicos HTML5 provee básicamente tres características: estructura, estilo y funcionalidad. Nunca fue declarado oficialmente pero, incluso cuando algunas APIs

Más detalles

Arquitectura de Aplicaciones

Arquitectura de Aplicaciones 1 Capítulo 13: Arquitectura de aplicaciones. - Sommerville Contenidos del capítulo 13.1 Sistemas de procesamiento de datos 13.2 Sistemas de procesamiento de transacciones 13.3 Sistemas de procesamiento

Más detalles

Sistema de Administración de Documentos (SIAD)

Sistema de Administración de Documentos (SIAD) 1 MINISTERIO DE SALUD PÚBLICA Y ASISTENCIA SOCIAL Sistema de Administración de Documentos (SIAD) Versión 1.0-10-2014 Sistema de Información Gerencial de Salud SIGSA Guatemala, octubre 2014 2 Contenido

Más detalles

Presentación del Data Monitor de Sedex Nuestra interesante nueva gama de herramientas de creación de informes

Presentación del Data Monitor de Sedex Nuestra interesante nueva gama de herramientas de creación de informes Presentación del Data Monitor de Sedex Nuestra interesante nueva gama de herramientas de creación de informes Una nueva manera de crear informes sobre cadenas de suministros 2 El Data Monitor de Sedex

Más detalles

LABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL

LABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar formulas en Microsoft Excel 2010. 1) DEFINICIÓN Una fórmula de Excel es un código especial que introducimos

Más detalles

Facturación Automática de Ventas WhitePaper Noviembre de 2006

Facturación Automática de Ventas WhitePaper Noviembre de 2006 Facturación Automática de Ventas WhitePaper Noviembre de 2006 Contenidos 1. Propósito 3 2. Particularidades del asistente 3 2.1. Accesos en PrefGest 3 2.2. Requisitos de los documentos a albaranar / facturar

Más detalles

MANUAL DE USUARIOS DEL SISTEMA MESA DE SOPORTE PARA SOLICITAR SERVICIOS A GERENCIA DE INFORMATICA

MANUAL DE USUARIOS DEL SISTEMA MESA DE SOPORTE PARA SOLICITAR SERVICIOS A GERENCIA DE INFORMATICA MANUAL DE USUARIOS DEL SISTEMA MESA DE SOPORTE PARA SOLICITAR SERVICIOS A Usuario Propietario: Gerencia de Informática Usuario Cliente: Todos los usuarios de ANDA Elaborada por: Gerencia de Informática,

Más detalles

CAPÍTULO 6 SIMULACIONES Y RESULTADOS

CAPÍTULO 6 SIMULACIONES Y RESULTADOS CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco

Más detalles

MODELOS DE RECUPERACION

MODELOS DE RECUPERACION RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN

Más detalles

Base de datos en Excel

Base de datos en Excel Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Ejercicio Dada la matriz A = 0 2 0 a) Escribir explícitamente la aplicación lineal f : 2 cuya matriz asociada con respecto a las bases canónicas es A. En primer lugar definimos las

Más detalles

2. INSTRUMENTOS DE MEDICON DEL DESEMPEÑO LABORAL.

2. INSTRUMENTOS DE MEDICON DEL DESEMPEÑO LABORAL. 2. INSTRUMENTOS DE MEDICON DEL DESEMPEÑO LABORAL. 2.1 Medición del desempeño en base a normas. Las normas son puntos de referencia para la medición del desempeño real o esperado de los empleados, en condiciones

Más detalles

Prototipo de un sistema. interactivo de soporte y ayuda a los compradores de un centro. comercial de equipamiento del hogar

Prototipo de un sistema. interactivo de soporte y ayuda a los compradores de un centro. comercial de equipamiento del hogar Prototipo de un sistema interactivo de soporte y ayuda a los compradores de un centro comercial de equipamiento del hogar Chema Lizano Lacasa. Miguel Ancho Morlans. IPO1-5 INDICE 1.- Descripción general....3

Más detalles

COMPRAS CEPAS A TRAVÉS DE INTERNET PORTAL CEPAS

COMPRAS CEPAS A TRAVÉS DE INTERNET PORTAL CEPAS COMPRAS CEPAS A TRAVÉS DE INTERNET PORTAL CEPAS Es un sistema que describe las funcionalidades claves a través de Internet. Se pueden efectuar las compras, ver la trazabilidad de los pedidos y visualizar

Más detalles

Un primer acercamiento a la CMDB.

Un primer acercamiento a la CMDB. Un Versión primer 1.2 acercamiento a la CMDB. 20/07/2005 Un primer acercamiento a la CMDB. Versión 1.1 1.2 18/02/05 20/02/05 Fecha Jose Autores Carlos Manuel García Viejo García Lobato http://ars.viejolobato.com

Más detalles

Artículo Técnico: Análisis de las configuraciones de los sistemas híbridos fotovoltaicos.

Artículo Técnico: Análisis de las configuraciones de los sistemas híbridos fotovoltaicos. GRUPO DE SISTEMAS ELECTRÓNICOS DE POTENCIA (GSEP) LABORATORIO DE SISTEMAS FOTOVOLTAICOS (UC3M PV-Lab) Generaciones Fotovoltaicas de La Mancha División Fotovoltaica Artículo Técnico: Análisis de las configuraciones

Más detalles

RELACIÓN ENTRE Y SUS CLIENTES EN LA REDES SOCIALES

RELACIÓN ENTRE Y SUS CLIENTES EN LA REDES SOCIALES RELACIÓN ENTRE AGENCIAS DIGITALES Y SUS CLIENTES EN LA ADMINISTRACIÓN DE REDES SOCIALES Autores: Pablo Contreras, Loredana Rojas Seminario de Título de Ingeniería Comercial, Universidad de Chile. OBJETIVO

Más detalles

port@firmas V.2.3.1 Manual de Portafirmas V.2.3.1

port@firmas V.2.3.1 Manual de Portafirmas V.2.3.1 Manual de Portafirmas V.2.3.1 1 1.- Introducción 2.- Acceso 3.- Interfaz 4.- Bandejas de peticiones 5.- Etiquetas 6.- Búsquedas 7.- Petición de firma 8.- Redactar petición 9.- Firma 10.- Devolución de

Más detalles

Guía para Desarrollo de Sitios Web - Gobierno de Chile

Guía para Desarrollo de Sitios Web - Gobierno de Chile www.guiaweb.gob.cl > 109 110 < www.guiaweb.gob.cl La Guía en Internet: www.guiaweb.gob.cl Guía para Desarrollo de Sitios Web - Gobierno de Chile Como se ha indicado en los capítulos iniciales, esta Guía

Más detalles