TESIS. Maestría en Ingeniería en Sistemas de Información SISTEMA DISTRIBUIDO DE INTELIGENCIA COLECTIVA

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

Download "TESIS. Maestría en Ingeniería en Sistemas de Información SISTEMA DISTRIBUIDO DE INTELIGENCIA COLECTIVA"

Transcripción

1 TESIS Maestría en Ingeniería en Sistemas de Información SISTEMA DISTRIBUIDO DE INTELIGENCIA COLECTIVA Director: Dr. Eduardo Destéfanis Co-Director: Dr. Mario Groppo Maestrando: Esp. Ing. Ignacio Cano 2015

2 Agradecimientos Al Dr. Eduardo Destéfanis, por dirigirme en este trabajo, por su paciencia en la espera de resultados, y por su gran colaboración y ayuda para mejorar el presente. Al Dr. Mario Groppo, por aceptar co-dirigirme en este trabajo, por su constante interés y empuje para que se complete exitosamente, y por sus comentarios siempre tan indicados. 2

3 Dedicatoria A todos mis seres queridos, especialmente a mi esposa Laura y a mi hija Magdalena, mis grandes amores en esta vida. 3

4 Resumen' La competitividad de las empresas depende principalmente del entendimiento y conocimiento que éstas tienen sobre sus usuarios, si no entienden y conocen las necesidades de sus clientes, difícilmente serán exitosas en sus rubros. Crear nuevas oportunidades mediante la utilización de algoritmos que permitan combinar automáticamente los datos recolectados de diferentes personas, contribuye a mejorar la competitividad. Dominar este arte coloca a las empresas en una posición de privilegio con respecto a sus competidoras. El presente trabajo describe el análisis, diseño e implementación de un sistema distribuido con el fin de asistir a los usuarios finales durante el proceso de toma de decisiones, permitiéndoles encontrar y elegir productos de su interés entre un conjunto abrumador de alternativas. A lo largo del presente, no sólo se introducen conceptos relacionados al campo de la inteligencia colectiva, los motores de búsquedas, los sistemas de recomendación, las redes sociales, sino también, se describen las diversas tecnologías necesarias para la creación del sistema, incluyendo fundamentación de las elegidas para la elaboración del mismo. En base a los análisis previos, se procede al diseño y construcción de un prototipo, el cual se integra con diversos clientes. Finalmente, se evalúan los resultados comparando el sistema con algunas de las soluciones más utilizadas en la actualidad. 4

5 Índice 1 Introducción Objetivos ObjetivoGeneral ObjetivosEspecíficos Estructura MarcoTeórico SistemasdeInteligenciaColectiva TiposdeInteligenciaColectiva Web2.0 SocialMedia Ejemplosenelmundoreal SistemasdeRecomendación AlgoritmosdeRecomendación MétodosdeEvaluación ProblemadeComienzoenFríoenFiltrosColaborativos MotoresdeBúsqueda ElementosdelosBuscadores BuscadoresenlaActualidad RedesSociales Importancia EstadísticasdeUso DefinicióndelProblema Importancia AlternativasdeSolución DiseñoeImplementación DiseñodeAltoNivel CasosdeUso Arquitectura Servicios Módulos DiagramasdePaquetes InterfacesdeProgramacióndeAplicaciones

6 5.2 DiseñodeBajoNivel TecnologíasyFrameworksUtilizados CapturasdePantalla EvaluacióndelosResultados MedicionesparaFiltrosColaborativos MedicionesparaClustering ComparativasconTecnologíasActuales Conclusiones TrabajosFuturos Bibliografía Apéndices ApéndiceA:DiagramasdeClases ApéndiceB:DiagramasdeSecuencia ApéndiceC:SnippetsdeCódigo

7 ÍndicedeFiguras Figura1:DiagramadelaColaLarga[Jannachetal.,2010]...13 Figura2:TiposdeInteligencia[Alag,2009]...19 Figura3:DiagramadeLíneasparacálculodeCP...26 Figura4:Datosdesestructurados Fuente:TN...37 Figura5:EjemplodeClusteringenplanoxey...38 Figura6:ComparaciónentreDistanciaEuclidianayDistanciaManhattan...42 Figura7:Ejemplodeánguloentredosvectores...43 Figura8:EjemplodeKemeansclustering...44 Figura9:EjemplodeagrupamientoutilizandoCanopy...45 Figura10:EjemplodeclusteringdeDirichlet.Modeloincorrectoycorrecto...47 Figura11:Dirichletenunadistribuciónnormalasimétrica...48 Figura12:Distanciaintereclustergrandeypequeña...50 Figura13:Distanciaintraeclustergrandeypequeña...50 Figura14:DiagramadeCasosdeUso...63 Figura15:ArquitecturadeAltoNivel...70 Figura16:DiagramadeServicios...71 Figura17:EstructuraFísicadelPrototipo...72 Figura18:DiagramadePaquetesdeAnalytics...74 Figura19:DiagramadePaquetesdeCatalog...75 Figura20:DiagramadePaquetesdeId...75 Figura21:DiagramadePaquetesdeSearch...75 Figura22:DiagramadePaquetesdeSocial...76 Figura23:DiagramadePaquetesdeRecommender...76 Figura24:UsuarioAnónimoSinRecomendaciónenIntelAppUpCenter...91 Figura25:IntelAppUpCenterconRecomendacionesPersonalizadas...91 Figura26:RecomendaciónbasadaenContenidoparaUsuarioAnónimoIenelClienteX...92 Figura27:RecomendaciónbasadaenContenidoparaUsuarioAnónimoIIenelClienteX...93 Figura28:PantallaInicialdeClienteXsinRecomendaciones...93 Figura29:PantallaInicialdeClienteXconRecomendacionesPersonalizadas...94 Figura30:RecomendacionesHíbridasparaUsuarioAutenticadoenelClienteX...94 Figura31:ConexiónconRedesSocialesenelClienteX...95 Figura32:LoginconFacebook...96 Figura33:PermisosExplícitosdeAccesoaInformacióndeFacebook...96 Figura34:UsuarioConectadoaFacebook...97 Figura35:GustosobtenidosdeFacebook...97 Figura36:JerarquíaAH Figura37:DiagramadeClasesdelosServiciosdeCatalogyAnalytics Figura38:DiagramadeClasesdelosServiciosdeSearch,SocialyRecommender Figura39:Recommender CollaborativeFiltering Figura40:Catalog ItemsByIds Figura41:AnalyticseRejects Figura42:InterfazRESTdelServiciodeCatalog

8 Figura43:EnumeracionesPolimórficasutilizadasenRecomendacionesconFiltrosColaborativos.129 Figura44:ObjetodelModeloeIndexadordelMotordeBúsquedas

9 ÍndicedeTablas Tabla1:DiferenciasentreWeb1.0yWeb2.0[Rice,2009]...20 Tabla2:FuentedeDatosparacálculodeCP...26 Tabla3:CorrelacióndePearson...26 Tabla4:DistanciaEuclídeaySimilitudbasadaenlaDI...28 Tabla5:PreferenciasconvertidasparacálculodeCS...28 Tabla6:CorrelacióndeSpearman...29 Tabla7:FuentedeDatosparacálculodeCJ...30 Tabla8:CoeficienteJaccard...30 Tabla9:FuentedeDatosparacálculodeLLR...31 Tabla10:EventosparacálculodeLLR...31 Tabla11:AeAparacálculodeLLR...32 Tabla12:AeBparacálculodeLLR...32 Tabla13:AeCparacálculodeLLR...32 Tabla14:ValoresdeSimilitudbasadaenLLR...33 Tabla15:FuentedeDatosparacálculodeDiferenciasenSO...34 Tabla16:PromediodediferenciasdepreferenciasentreparesdeítemsparaSO...34 Tabla17:PrediccionesparadistintosusuariosconSO...35 Tabla18:Datosestructurados...36 Tabla19:DatosSemiestructuradosI...37 Tabla20:DatosSemiestructuradosII...38 Tabla21:EscaladecomparacionesparaAHP Tabla22:MatrizdeArquitectura Tabla23:MatrizdeAnatomía Tabla24:ComparativadeFacilidaddeUso Tabla25:MatrizdeFacilidaddeUso Tabla26:MatrizdeSoftware Tabla27:MatrizdeCosto Tabla28:ComparativadeMisceláneos Tabla29:MatrizdeMisceláneos Tabla30:ComparativadeServicios Tabla31:MatrizdeServicios Tabla32:MatrizdeCriterios Tabla33:ResultadosfinalesAHP

10 ÍndicedeFórmulas Fórmula1:CoeficientedeCorrelacióndePearson...25 Fórmula2:Distanciaeuclidianadelespacioeuclídeonedimensional...27 Fórmula3:SimilaridadbasadaendistanciaEuclidiana...27 Fórmula4:SimilitudbasadaencoeficientedeJaccard...29 Fórmula5:LogelikelihoodRatio...32 Fórmula6:SimilitudbasadaenLLR...32 Fórmula7:Pesotfidf...40 Fórmula8:DistanciaEuclidianaalcuadrado...41 Fórmula9:DistanciaManhattan...41 Fórmula10:DistanciaCosenoidal...42 Fórmula11:DistanciaTanimoto...43 Fórmula12:GradodeAsociacióndeVectorVaClusterC Fórmula13:ErrorCuadráticoMedio...48 Fórmula14:Precisión...49 Fórmula15:Exhaustividad...49 Fórmula16:Prioridaddeunaalternativa

11 11 Acrónimos AHP* AnalyticHierarchyProcess API* ApplicationProgrammingInterface CD* CompactDisc CI* CollectiveIntelligence CJ* CoeficientedeJaccard CP* CorrelacióndePearson CRUD* CreateReadUpdateDelete CS* CorrelacióndeSpearman DI* DistanciaEuclidiana HTML* HyperTextMarkupLanguage HTTP* HypertextTransferProtocol ID* IntrusionDetection IDF* InverseDocumentFrecuency IoC* InversionofControl JSON* JavascriptObjectNotation JSP* JavaServerPages LLR* LogelikelihoodRatio ML* MachineLearning NaN* NotaNumber Pymes* PequeñasyMedianasEmpresas REST* RepresentationalStateTransfer RMSE* RootMeanSquareError RS* RecommenderSystem SaaS* SoftwareasaService SN* SocialNetwork SO* SlopeOne TF* TermFrecuency UI* UserInterface URL* UniformResourceLocator WAR* WebArchive XML* extensiblemarkuplanguage

12 1 Introducción En los últimos años ha habido un incremento exponencial en el volumen de información digital disponible. Dicho aumento trajo aparejado un problema: cómo filtrar y entregar eficientemente información relevante al usuario? [Ghazanfar, Prugel-Bennett, 2010]. En dicho contexto, se hace imprescindible la existencia de sistemas de extracción de información que permitan presentar sólo información de interés para los usuarios. Tales sistemas se denominan Sistemas de Recomendación [Patel, Balakrishnan, 2009]. Compañías como Amazon, Facebook, Google, ebay, gozan de gran popularidad debido a que han sido capaces de proveer información relevante basándose en las interacciones del usuario con el contenido. El factor principal de su éxito es el uso activo de Inteligencia Colectiva, principalmente, de Sistemas de Recomendación [Nagalakshmi, Joglekar, 2011]. Anderson propuso el concepto conocido comúnmente como Cola Larga o Long Tail. El mismo hace referencia a que usualmente pocos eventos suceden muy frecuentemente, mientras que una gran cantidad de eventos ocurren sólo esporádicamente. Planteó el hecho de que hay que olvidarse de exprimir millones de unos pocos grandes éxitos en la cima de las listas; el futuro está en los millones de nichos de mercado en el extremo bajo de la cadena de bits. Una de las reglas que propone Anderson es la utilización de sistemas de recomendaciones para impulsar la demanda en estos sectores de baja popularidad [Anderson, 2004]. 12

13 Figura(1:(Diagrama(de(la(Cola(Larga([Jannach(et(al.,(2010]( De hecho, la distribución de Cola Larga está prácticamente en todos lados, en palabras y páginas web, en políticos y relaciones públicas, en terremotos y secuencias de ADN, en partituras musicales y deportes universitarios. En aplicaciones de e-commerce existe una fuerte demanda de productos desconocidos [Zaier, Godin, Faucher, 2008]. Por ejemplo, el caso de Rhapsody, donde el 40% de las ventas no provienen de los tonos más vendidos. 21% de las ventas de Netflix provienen de películas que no forman parte de las 3000 más alquiladas. 20% de las ventas de Amazon no provienen de los libros más populares [Anderson, 2006]. El presente trabajo propone el desarrollo de un sistema integral de inteligencia colectiva, que incluye un motor de búsqueda, un motor de recomendaciones y diferentes servicios que, por un lado, permiten al usuario contar con información relevante facilitándole la toma de decisiones (qué ver, qué comprar, qué leer, etc.), y por otro, que permiten aumentar la demanda en la Long Tail. Se pretende crear valor agregado a través de la combinación de una arquitectura orientada a servicios. Se hace mayor hincapié en los servicios de recomendación. Se realiza también una prueba de concepto integrando algunos servicios con distintas aplicaciones clientes. 13

14 1.1 Objetivos ObjetivoGeneral Desarrollar un sistema distribuido de inteligencia colectiva que pueda ser utilizado por diversos clientes, para poder personalizar la información ofrecida, favoreciendo la experiencia de los usuarios y creando nuevas oportunidades de venta ObjetivosEspecíficos - Analizar el marco teórico sobre Inteligencia Colectiva, Motores de Búsqueda y Sistemas de Recomendación. Se estudiará la teoría referida a la inteligencia colectiva, motores de búsqueda y sistemas de recomendación, sus características principales y usos más frecuentes. Se analizarán los diferentes algoritmos de recomendación existentes. Se analizará la técnica de agrupamiento o clustering. Se hará un breve resumen de la terminología básica de la disciplina junto con los elementos fundamentales que componen los sistemas de inteligencia colectiva y los motores de búsqueda. - Describir y Evaluar la factibilidad de la implementación de un sistema con la tecnología actual. Se describirán las diversas tecnologías necesarias para la creación de un sistema de inteligencia colectiva. Se incluirá descripción de las tecnologías elegidas para la elaboración del sistema. - Implementar un sistema distribuido de inteligencia colectiva lo suficientemente genérico que pueda ser reutilizado en distintos proyectos de software. A partir del análisis de las tecnologías involucradas, se procederá al diseño y concepción de un sistema orientado a servicios que permitirá buscar y recomendar ítems de interés para el usuario. Se establecerán métricas de evaluación del framework. 14

15 - Realizar diferentes pruebas de concepto integrando partes del sistema con diversos clientes. A partir del desarrollo del sistema, se procederá a la integración del mismo con diversos clientes, entre los que se encontrará la tienda virtual de venta de aplicaciones de Intel, llamado Intel AppUp Center, y se mostrarán algunos resultados. Se realizarán mediciones con diversos corpus para medir la efectividad de las recomendaciones. 1.2 Estructura Este documento se encuentra organizado del siguiente modo: - La sección 2 contiene el marco teórico necesario para el desarrollo del presente. - La sección 2.1 introduce la inteligencia colectiva, los tipos de inteligencia que existen, sus usos más comunes, etc. - La sección 2.2 describe los sistemas de recomendación, qué son, los distintos tipos que existen, los diferentes algoritmos y las métricas para evaluar su efectividad, el problema del comienzo en frío, técnicas de clustering, etc. - La sección 2.3 describe los motores de búsqueda, cómo están compuestos y el funcionamiento básico. Se enumeran brevemente los más utilizados en la actualidad. - La sección 2.4 introduce el concepto de redes sociales como potenciadoras de la inteligencia colectiva, sus características, impacto y papel que desempeñan en la actualidad. - La sección 2.5 introduce el concepto de estadísticas de uso o analytics, y algunos de sus usos actuales. - La sección 3 define el problema a tratar en este trabajo y destaca su importancia en la actualidad. - La sección 4 plantea diferentes alternativas de solución al problema. Se hace un análisis de las opciones que existen en la industria. - La sección 5 procede a detallar el diseño e implementación del sistema integral de inteligencia colectiva propuesto como solución al problema planteado en la sección 3. - La sección 5.1 presenta el diseño de alto nivel, casos de uso, diagrama de arquitectura, servicios, diagramas de paquetes, APIs, etc. 15

16 - La sección 5.2 presenta el diseño de bajo nivel, diagramas de clases, diagramas de secuencia y algunos pedazos de código. - La sección 5.3 enumera las diferentes tecnologías y frameworks que se utilizaron para el desarrollo del sistema. - La sección 6 contiene la evaluación de los resultados. - Las secciones 7 y 8 presentan las conclusiones y trabajos futuros respectivamente. 16

17 2 MarcoTeórico A continuación se define el marco teórico que servirá de respaldo conceptual a la implementación del prototipo. Cabe destacar que no se pretende realizar un desarrollo exhaustivo de las disciplinas relacionadas, sino más bien una reducida introducción al marco de trabajo indispensable para un mejor entendimiento del mismo. 2.1 SistemasdeInteligenciaColectiva La Inteligencia Colectiva, o CI por sus siglas en inglés, es una forma de inteligencia que emerge cuando un grupo de individuos realizan cosas en conjunto. El grupo, trabajando en forma coordinada o colaborativa, es capaz de actuar más inteligentemente que cualquier individuo miembro [Malone, 2006]. Singh y Gupta definen la CI como la habilidad de un grupo de agentes simples que trabajan juntos para resolver problemas más grandes y complejos que los que podrían resolver por separado [Singh, Gupta, 2009]. El conjunto de agentes simples es como un enjambre y la inteligencia emergente de sus interacciones se la denomina inteligencia de enjambre. Bonabeau, Dorigo and Stutzle, describen esta inteligencia como cualquier intento de diseñar algoritmos en base al comportamiento colectivo de colonias de insectos u otras sociedades de animales [Bonabeau, Dorigo, Stutzle, 1999]. Las personas han utilizado el término Inteligencia Colectiva por décadas, y se ha vuelto muy importante y popular con la aparición de nuevas tecnologías de comunicación. Cuando los especialistas usan esta frase, se refieren generalmente a la combinación de comportamientos, preferencias o ideas de un grupo de personas que permiten obtener nuevos conocimientos [Segaran, 2007]. Alag define a la Inteligencia Colectiva como el uso efectivo de información provista por otros para mejorar aplicaciones [Alag, 2009]. 17

18 Nagalakshmi y Joglekar afirman que las aplicaciones web se encuentran atravesando un proceso de transformación. Por un lado, las nuevas aplicaciones proveen una experiencia más rica a los usuarios y reorganizan el contenido dinámicamente basado en lo que conocen de sus clientes y lo que éstos explícitamente piden. Por otro lado, los usuarios han comenzado a proveer información de distintas maneras, ya sea compartiendo sus opiniones respecto a un producto o servicio a través de comentarios y calificaciones, compartiendo contenido, participando en comunidades online, lo que lleva al problema del exceso de información. Es por esto que resulta cada vez más difícil encontrar la información que se busca [Nagalakshmi, Joglekar, 2011]. Se necesita convertir toda esta nueva información en inteligencia para las aplicaciones. El uso de esta inteligencia, conocida como Inteligencia Colectiva, permite personalizar sitios, mejorando la experiencia de los usuarios. Los sistemas de recomendación proveen estas funcionalidades [Alag, 2009] TiposdeInteligenciaColectiva La información provista por usuarios de aplicaciones web resulta de tres inteligencias diferentes: Explícita, Implícita y Derivada [Alag, 2009].En la Figura 2 se ilustran estos tipos. - Inteligencia Explícita: se trata de información explícita que el usuario provee, ya sea por revisiones, comentarios, marcadores, etc. - Inteligencia Implícita: se trata de información indirecta que el usuario provee, ya sea simplemente por la colección de estadísticas de uso o por la agregación de contenido de otras fuentes de información. - Inteligencia Derivada: se trata de información obtenida de los datos de los usuarios, tanto explícita como implícitamente. 18

19 Figura(2:(Tipos(de(Inteligencia([Alag,(2009]( En el presente trabajo se abarcan estas tres grandes áreas. Como primer paso se obtiene información explícita de los usuarios en base a sus calificaciones, revisiones y estadísticas de uso. Luego se adquiere información implícita de ciertas redes sociales del usuario. Por último, en base a toda la información recolectada, se hacen búsquedas inteligentes y se recomienda contenido relevante Web2.0 SocialMedia Durante los últimos años la Web ha experimentado un cambio transformacional popularmente conocido como Web 2.0. En esencia, este cambio implicó hacer la Web participativa, es decir, poner al usuario en el centro y construir aplicaciones basadas en él en detrimento del contenido. Singh et al. afirman que el valor agregado que ofrecen las aplicaciones surge de los datos obtenidos de las interacciones de sus usuarios [Singh et al., 2009]. En la Tabla 1 Rice Lincoln propone una comparación entre la Web 1.0 y la Web 2.0 para así explicitar ciertas diferencias. 19

20 Tabla(1:(Diferencias(entre(Web(1.0(y(Web(2.0([Rice,(2009]( Es relativamente simple diseñar una aplicación similar a Wikipedia, Amazon, Flickr, YouTube en términos de interfaz gráfica, pero lo que no se puede replicar fácilmente es la experiencia de usuario que ofrecen en base a los datos colectados de los billones de usuarios con los que cuentan. Es justamente ahí donde se encuentra su verdadera fortaleza [Singh et al., 2009]. Muchas personas consideran ambiguo el término Web 2.0, por ello prefieren utilizar el concepto de Social Media. Este concepto hace hincapié en las ideas que se crean, comparten, refinan a través de la colaboración, y no en las ideas que se simplemente se observan. Social Media acoge la arquitectura de la participación. En otras palabras, los usuarios pueden agregar valor a las aplicaciones que usan [Rice, 2009]. Rice también afirma que la parte más excitante de esta nueva web es el cambio de mentalidad y filosofía. Propone un nuevo mundo en donde la audiencia, todos nosotros en vez de una elite, decide qué es lo verdaderamente importante Ejemplosenelmundoreal Durante la última década muchas compañías han incluido el concepto de inteligencia colectiva en sus aplicaciones. Un punto de inflexión en la web fue la introducción de motores de búsqueda. Google pasó, en menos de 10 años, de ser un startup a ser un jugador dominante en el sector tecnológico, debido principalmente a su algoritmo de búsqueda, secundado por otros servicios como Google News, Google Finance [Marmanis, Babenko, 2009]. 20

21 Amazon fue una de las primeras tiendas virtuales que ofreció recomendaciones a los usuarios basadas en sus patrones de compras. Ni bien un usuario agrega ítems al carrito de compras, Amazon le recomienda productos adicionales que de alguna manera están relacionados con los que seleccionó previamente. Un artículo muy interesante de la agencia Reuters habla del poder de este gigante. Afirma que Google conoce qué buscan los usuarios, Facebook conoce qué les gusta a las personas y quiénes son sus amigos, mientras que Amazon conoce qué zapatos de correr buscó determinado usuario la semana pasada, pero también sabe que hace un año compró un par. Este tipo de información mantiene en vilo a los anunciantes [Barr, Saba, 2013]. Otra aplicación web inteligente es Netflix, el más grande servicio de alquiler de películas online del mundo, el cual ofrece miles de títulos en DVD más una librería de más de películas y series de televisión a sus más de 20 millones de suscriptores. Netflix ha sido galardonado 9 veces por ForeSee Results como el sitio web #1 en satisfacción de usuarios [NETFLIX, 2012]. Parte del éxito de Netflix se debe a su habilidad para ofrecer a sus usuarios una manera simple para elegir películas. El núcleo de la plataforma es un sistema de recomendación denominado Cinematch, cuyo trabajo es predecir los gustos de los usuarios. Muchos consideran a Netflix como LA aplicación web inteligente. El poder predictivo de Cinematch es de gran valor para Netflix, a tal punto que en Octubre de 2006 se abrió un concurso para mejorar sus capacidades en un 10%. Luego de tres años de competencia, BellKor s Pragmatic Chaos presentó el algoritmo ganador sólo 24 minutos antes que otro equipo. Los ganadores se llevaron 1 millón de dólares [Hoffman, 2009]. Last.fm es otra aplicación que incorpora CI. Es un servicio para descubrir nueva música que ofrece recomendaciones personalizadas basándose en la música que uno escucha [LASTFM, 2013]. 2.2 SistemasdeRecomendación Los sistemas de recomendación, o RS por sus siglas en inglés, son aplicaciones de software que tienen como objetivo apoyar a los usuarios en la toma de decisiones mientras interactúan con grandes volúmenes de información. Recomiendan artículos de interés a los 21

22 usuarios en función de las preferencias que éstos han expresado, ya sea explícita o implícitamente. El volumen cada vez mayor y la creciente complejidad de la información en la web, han hecho de estos sistemas herramientas esenciales para los usuarios en actividades de comercio electrónico y de búsqueda de información [ACM, 2012]. Ricci, Rokach y Shapira afirman que los RS son herramientas y técnicas de software que proveen sugerencias de ítems útiles para los usuarios. Dichas sugerencias se relacionan con distintos procesos de toma de decisiones, tales como qué ítems comprar, qué música escuchar, qué noticias leer, etc. [Ricci, Rokach, Shapira, 2011]. Ítem es el término genérico utilizado para identificar lo que el sistema recomienda a los usuarios. Un RS normalmente trabaja con un solo tipo de ítem (por ej. CDs, películas, libros) y están dirigidos a individuos que carecen de suficiente experiencia para evaluar la enorme cantidad de ítems alternativos que un sitio puede ofrecer [Resnick, Varian, 1997]. El desarrollo de RS comenzó con una simple observación: a menudo los individuos confían en las recomendaciones provistas por otros al momento de tomar decisiones diarias. Por ejemplo, es común leer un libro que alguien nos recomendó, cuando seleccionamos alguna película para ver, generalmente tendemos a ver las críticas que aparecen en los diarios, los empleadores se basan fuertemente en las recomendaciones para tomar una decisión de contratación, etc. [Mahmood, Ricci, 2009] AlgoritmosdeRecomendación Generalmente una persona elige un libro en una biblioteca por alguna razón. Una posibilidad sería porque lo encontró cerca de otros libros que conoce y le sirvieron. Otra, porque lo vio en la oficina de un compañero de trabajo, el cual comparte su interés por el tema. O simplemente debido a que se lo recomendaron directamente. Todas estas estrategias son válidas para descubrir nuevas entidades. Por ejemplo, se podrían observar las cosas que atraen a personas con gustos similares. También, se podrían buscar qué ítems son parecidos a los que ya se tienen [Owen et al., 2012]. De hecho, estas son dos categorías de algoritmos de recomendación: basada en usuarios y basada en ítems. La primera, basada en usuarios, utiliza información personal del usuario para sugerir buenas recomendaciones. La segunda, basada en ítems, determina qué 22

23 ítems están relacionados con un ítem en particular; cuando a un usuario le gusta un ítem, los relacionados son recomendados [Patel, Balakrishnan, 2009]. Hablando más precisamente, los escenarios precedentes son ejemplos de Filtrado Colaborativo, más conocido como Collaborative Filtering, producen recomendaciones basadas sólo en las relaciones usuarios-ítems. Existen también otras técnicas, las basadas en contenido, donde la sugerencia se nutre de algún atributo del ítem, por ejemplo, el autor del libro, la editorial, etc. [Owen et al., 2012]. Adomavicius y Tuzhilin hacen referencia a una tercera categoría híbrida que resulta de la mezcla de las dos anteriores [Adomavicius, Tuzhilin, 2005]. Todo proceso de recomendación requiere la recolección de un set de datos o corpus. Una vez que se recolectaron estos datos acerca de los gustos de los usuarios, se necesita una forma para determinar qué tan similares (en cuanto a gustos) son esas personas. Esto se consigue comparando a los usuarios y calculando un puntaje de similitud entre ellos. Existen distintas formas para calcular esta similitud, como ser la Correlación de Pearson, la Distancia Euclidiana [Segaran, 2007], la Correlación de Spearman, la Similitud del Coseno, el Coeficiente Tanimoto, etc. [Owen et al., 2012]. ' Algoritmos'de'Filtrado'Colaborativo' Como se mencionó anteriormente, existen dos grandes grupos dentro de esta categoría, recomendaciones basadas en usuarios o basadas en ítems. NOTA: Las sub secciones siguientes se basaron en información obtenida del excelente libro Mahout in Action (incluido en la bibliografía) a no ser que se indique lo contrario RecomendacionesBasadasenUsuarios Consiste en el proceso de recomendar ítems a algún usuario en particular basado en la similitud entre usuarios. Dicho proceso se muestra a continuación en pseudocódigo. para cada ítem i que el usuario u aún no emitió preferencia alguna por cada otro usuario v que tiene preferencia por i 23

24 computar una similitud s entre u y v incorporar la preferencia de v por i, ponderada por s, en un promedio retornar los top ítems, rankeados por el promedio ponderado Sería muy lento examinar todos los ítems. En realidad, se computa primero un grupo de usuarios más similares y sólo aquellos ítems conocidos por ese grupo son considerados. El pseudocódigo actualizado quedaría así: para cada otro usuario w computar una similitud s entre u y w mantener los usuarios top, rankeados por similitud, en un grupo n para cada ítem i que algún usuario en n emitió una preferencia pero que u aún no calificó para cada otro usuario v en n que tiene una preferencia por i computar una similitud s entre u y v incorporar la preferencia de v por i, ponderada por s, en un promedio retornar los top ítems, rankeados por el promedio ponderado El tiempo de corrida de un algoritmo de recomendación basado en usuarios crece a medida que el número de usuarios crece RecomendacionesBasadasenÍtems Consiste en el proceso de recomendar ítems a algún usuario en particular basado en la similitud entre ítems. Dicho proceso se muestra a continuación en pseudocódigo. para cada ítem i que el usuario u aún no emitió preferencia alguna por cada ítem j que u tiene preferencia por computar una similitud s entre i y j incorporar la preferencia de u por j, ponderada por s, en un promedio retornar los top ítems, rankeados por el promedio ponderado El tiempo de corrida de un algoritmo de recomendación basado en ítems crece a medida que el número de ítems crece. Si el número de ítems es relativamente bajo comparado al número de usuarios, será mucho más eficiente utilizar una implementación basada en ítems y no en usuarios. 24

25 BasadasenÍtemsversusBasadasenUsuarios El filtrado basado en ítems es significativamente más rápido que el basado en usuarios cuando se buscan obtener recomendaciones de un gran set de datos, pero tiene la carga adicional de tener que mantener una tabla de similitud de ítems [Segaran, 2007]. Segaran también afirma que existe una diferencia en la precisión que depende de qué tan disperso es el conjunto de datos. Si se tiene un conjunto de datos en donde la mayoría de los usuarios ha calificado casi todos los ítems, entonces el set de datos se dice que es denso, caso contrario, se dice que es disperso. El filtrado basado en ítems generalmente tiene mejor performance que el basado en usuarios en set de datos dispersos. Para set de datos densos, ambos se desempeñan de manera similar. Dicho todo esto, también vale la pena mencionar que el filtrado basado en usuarios es más fácil de implementar, por ende es, usualmente, más apropiado para conjunto de datos pequeños que cambian con mucha frecuencia [Segaran, 2007] MétricasdeSimilitud Correlación/de/Pearson/ La Correlación de Pearson (CP) es un número entre -1 y 1 que mide la relación lineal entre dos series de números. Mientras más lineal la relación, más cercano a 1 es el coeficiente. Este concepto, muy utilizado en estadística, puede aplicarse a usuarios para medir su similitud, es decir, medir la tendencia de las preferencias de dos usuarios. La expresión que permite calcular la correlación de Pearson es la siguiente: Fórmula(1:(Coeficiente(de(Correlación(de(Pearson( 25

Arquitectura de un Sistema Recomendador

Arquitectura de un Sistema Recomendador DCIC SR: Situación de Aplicabilidad Sistemas de Recomendación y Personalización Necesito información de películas, pero... por dónde empiezo?? Hay tanta información!! Hey! Yo te puedo recomendar:... Viviana

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012 Bases de Datos Documentales Curso 2011/2012 Miguel Ángel Rodríguez Luaces Laboratorio de Bases de Datos Universidade da Coruña Introducción Hemos dedicado la primera mitad del curso a diseñar e implementar

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Procesamiento de Texto y Modelo Vectorial

Procesamiento de Texto y Modelo Vectorial Felipe Bravo Márquez 6 de noviembre de 2013 Motivación Cómo recupera un buscador como Google o Yahoo! documentos relevantes a partir de una consulta enviada? Cómo puede procesar una empresa los reclamos

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

Descubrir las mejores keywords para mi campaña de marketing online

Descubrir las mejores keywords para mi campaña de marketing online Descubrir las mejores keywords para mi campaña de marketing online Índice Descubrir las mejores keywords para mi campaña de marketing online... 3 Descubrimiento de keywords con metodología manual... 5

Más detalles

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

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

Más detalles

Manual de uso Te Destaco Índice

Manual de uso Te Destaco Índice Manual de uso Te Destaco Índice 1. Introducción: a. Qué es Te Destaco? b. A quién va dirigido? c. Funcionamiento 2. Beneficios 3. Conceptos clave 4. Consejos para aprovechar Te Destaco 5. Configuración

Más detalles

cilred.com CICLO DE VIDA DEL SOFTWARE & METODOLOGIAS DE DESARROLLO DE SOFTWARE ING. EDUARDO CRUZ ROMERO eduar14_cr@hotmail.com cilred.

cilred.com CICLO DE VIDA DEL SOFTWARE & METODOLOGIAS DE DESARROLLO DE SOFTWARE ING. EDUARDO CRUZ ROMERO eduar14_cr@hotmail.com cilred. cilred.com CICLO DE VIDA DEL SOFTWARE & METODOLOGIAS DE DESARROLLO DE SOFTWARE ING. EDUARDO CRUZ ROMERO eduar14_cr@hotmail.com cilred.com CICLO DE VIDA DEL SOFTWARE Para apreciar un poco más el problema

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/ Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy

Más detalles

Etapas del desarrollo

Etapas del desarrollo Capítulo 4 Etapas del desarrollo Este capítulo documenta la aplicación del modelo presentado anteriormente, para el caso de la detección y clasificación de eventos sísmicos sobre señales digitales. El

Más detalles

SISTEMAS DE INFORMACIÓN II TEORÍA

SISTEMAS DE INFORMACIÓN II TEORÍA CONTENIDO: DETERMINACIÓN DE REQUERIMIENTOS ENTREVISTAS, CUESTIONARIOS, OBSERVACIONES JOINT APPICATION DESIGN (JAD) PROTOTIPOS, CASE, GROUPWARE Material diseñado y elaborado por: Prof. Luis Eduardo Mendoza

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

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

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Ingeniería de Software I

Ingeniería de Software I Ingeniería de Software I Agenda Objetivo. Unidades de aprendizaje. Formas de evaluación. Bibliografía. 2 Datos del profesor Correo electrónico: egonzalez@upemor.edu.mx Asesorías Jueves de 11:00 a 13:00

Más detalles

Capítulo 5. Implementación y Tecnologías Utilizadas

Capítulo 5. Implementación y Tecnologías Utilizadas Capítulo 5. Implementación y Tecnologías Utilizadas Cada vez más, se está utilizando Flash para desarrollar aplicaciones basadas en Web, pues permite la construcción de ambientes con mayor interacción.

Más detalles

Índice INTERNET MARKETING 1

Índice INTERNET MARKETING 1 INTERNET MARKETING 1 Índice Manual de Google Analytics... 2 Qué es Google Analytics?... 2 Cómo funciona Google Analytics?... 2 Iniciar Sesión en Google Analytics... 3 Visualizar las estadísticas... 3 Resumen

Más detalles

Tema 2. Organizaciones de ficheros y estructuras de acceso

Tema 2. Organizaciones de ficheros y estructuras de acceso Tema 2. Organizaciones de ficheros y estructuras de acceso Ficheros y Bases de Datos 10 de junio de 2002 1. Introducción Este documento contiene preguntas del tema 2 recogidas por estudiantes de la asignatura

Más detalles

Motivación: Control Distribuido:

Motivación: Control Distribuido: Motivación: La clase pasada examinamos brevemente los conceptos de Diseño de sistemas de instrumentación inteligente e Instrumentación Virtual. Durante la discusión del diseño de sistemas de instrumentación,

Más detalles

ETIQUETA DISEÑO DE PÁGINA

ETIQUETA DISEÑO DE PÁGINA ETIQUETA DISEÑO DE PÁGINA Es la tercera etiqueta de Excel 2007, agrupa las herramientas de temas 10, configuración de pagina, ajustes del área de impresión, opciones de la hoja (cuadriculas y encabezados),

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

Lección 1 Redactando un resumen ejecutivo

Lección 1 Redactando un resumen ejecutivo Lección 1 Esta lección le enseña a convertir un documento de investigación o un caso de estudio en un Resumen Ejecutivo de dos páginas. Asimismo, le ayuda a redactarlo de manera que impacte eficazmente

Más detalles

APOYO PARA LA TOMA DE DECISIONES

APOYO PARA LA TOMA DE DECISIONES APOYO PARA LA TOMA DE DECISIONES Cátedra: Gestión de Datos Profesor: Santiago Pérez Año: 2006 Bibliografía: Introducción a las Bases de Datos. DATE - 1 - 1. INTRODUCCION APOYO PARA LA TOMA DE DECISIONES

Más detalles

Liberando el sistema. Ayudar a los usuarios a entender y usar el sistema. Entrenamiento Documentación Solución de Problemas Conversión Instalación

Liberando el sistema. Ayudar a los usuarios a entender y usar el sistema. Entrenamiento Documentación Solución de Problemas Conversión Instalación Liberando el sistema Ayudar a los usuarios a entender y usar el sistema Distintos tipos de usuarios Entrenamiento Documentación Solución de Problemas Conversión Instalación May-12 Ing. de Software Liberación

Más detalles

GESTIÓN DE SOFTWARE INFORME SOBRE. Evaluación de Productos UNIVERSIDAD DE LA REPUBLICA - FACULTAD DE INGENIERÍA. Grupo 2

GESTIÓN DE SOFTWARE INFORME SOBRE. Evaluación de Productos UNIVERSIDAD DE LA REPUBLICA - FACULTAD DE INGENIERÍA. Grupo 2 UNIVERSIDAD DE LA REPUBLICA - FACULTAD DE INGENIERÍA GESTIÓN DE SOFTWARE INFORME SOBRE Evaluación de Productos Grupo 2 Marcelo Caponi 3.825.139-0 Daniel De Vera 4.120.602-3 José Luis Ibarra 4.347.596-3

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

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM

UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM UNIDAD EDUCATIVA INTERNACIONAL SEK-ECUADOR PROGRAMA DE MATEMÁTICAS NM I. DATOS INFORMATIVOS: NIVEL DE EDUCACIÓN: Bachillerato. ÁREA: Matemáticas CURSO: Segundo de bachillerato (1º año de Diploma) PARALELO:

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

Search Engine Optimisation Best Practices Francisco Becerril. Solo para uso interno de SAP y sus socios

Search Engine Optimisation Best Practices Francisco Becerril. Solo para uso interno de SAP y sus socios Search Engine Optimisation Best Practices Francisco Becerril Solo para uso interno de SAP y sus socios Instructor Francisco Becerril Digital Marketing GPO / Business One Marketing Manager Jet Lag Digital

Más detalles

PROYECTO JAZO 2007. Título. Participantes. Datos Generales. Detección y seguimiento de sucesos para euskera y español. Ametzagaiña A.I.E.

PROYECTO JAZO 2007. Título. Participantes. Datos Generales. Detección y seguimiento de sucesos para euskera y español. Ametzagaiña A.I.E. PROYECTO JAZO 2007 Título Detección y seguimiento de sucesos para euskera y español Participantes Ametzagaiña A.I.E. Datos Generales Tipo: Proyecto de Plan de Especialización Años de actividad: 2007-2008

Más detalles

LA REVOLUCIÓN DEL E-CRM

LA REVOLUCIÓN DEL E-CRM Curso Práctico de INTELIGENCIA EMOCIONAL en el CRM y el Servicio al Cliente Módulo 4 FASE 4: BUSCAR LA EXCELENCIA LA REVOLUCIÓN DEL E-CRM Lectura Principal La tecnología permite volver a crear una relación.

Más detalles

CONTENIDO. 1. Introducción. 2. Reseña histórica del computador. 3. Definición de computador.

CONTENIDO. 1. Introducción. 2. Reseña histórica del computador. 3. Definición de computador. CONTENIDO 1. Introducción. 2. Reseña histórica del computador. 3. Definición de computador. 4. Sistemas numéricos. 4.1 Generalidades. 42 Sistema binario. 4.3 Sistema octal,. 4.4 Sistema decimal. 4.5 Sistema

Más detalles

CICLO DE VIDA DEL SOFTWARE

CICLO DE VIDA DEL SOFTWARE CICLO DE VIDA DEL SOFTWARE 1. Concepto de Ciclo de Vida 2. Procesos del Ciclo de Vida del Software 3. Modelo en cascada 4. Modelo incremental 5. Modelo en espiral 6. Prototipado 7. La reutilización en

Más detalles

Criterios de revisión de un curso que utiliza PBL ING. y CB.

Criterios de revisión de un curso que utiliza PBL ING. y CB. Criterios de revisión de un curso que utiliza PBL ING. y CB. Curso: Clave: Facilitador: Profesor: Campus: Introducción: En este documento se presentan los criterios que deben de cumplir los elementos de

Más detalles

PRINCIPIOS DE PRUEBAS. ENFOQUE ESTRATEGICO.

PRINCIPIOS DE PRUEBAS. ENFOQUE ESTRATEGICO. PRINCIPIOS DE PRUEBAS. ENFOQUE ESTRATEGICO. 0. Consideraciones iniciales. Las pruebas son un conjunto de actividades que se pueden planificar por adelantado y llevar a cabo sistemáticamente. Por esta razón,

Más detalles

Introducción a WebMathematica

Introducción a WebMathematica Introducción a WebMathematica WebMathematica es una nueva tecnología que permite la generación de contenido web dinámico con Mathematica. Se integra en Mathematica a través de un servidor web. WebMathematica

Más detalles

Introducción a Sistemas de Información Geográfica (Resumen)

Introducción a Sistemas de Información Geográfica (Resumen) Introducción a Sistemas de Información Geográfica (Resumen) Existen términos que creemos exclusivos de los sistemas GIS, pero que anteriormente han sido acuñados por grandes personajes, como es el caso

Más detalles

Medición de Atributos Internos. Tamaño. Administración y Gestión de Proyectos de Software. Medición de Atributos Internos. Tamaño

Medición de Atributos Internos. Tamaño. Administración y Gestión de Proyectos de Software. Medición de Atributos Internos. Tamaño Medición de Atributos Internos. Tamaño Administración y Gestión de Proyectos de Software (AGPS6) El tamaño del software puede ser descripto con tres atributos: 1. Longitud: mide tamaño físico del producto.

Más detalles

DICCIONARIO BÁSICO DE

DICCIONARIO BÁSICO DE DICCIONARIO BÁSICO DE 35 términos para ser un crack en Google Analytics LO QUE TE PODEMOS OFRECER websa100 es una agencia de marketing online con amplia experiencia en formación digital. Te asesoramos

Más detalles

La inteligencia de marketing que desarrolla el conocimiento

La inteligencia de marketing que desarrolla el conocimiento La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece

Más detalles

Modelo para el Aseguramiento de Calidad en el Desarrollo de Software Libre

Modelo para el Aseguramiento de Calidad en el Desarrollo de Software Libre Modelo para el Aseguramiento de Calidad en el Desarrollo de Software Libre Cenditel, Mayo 2011 Licencia de Uso Copyright (c) 2010, Alvarez J., Solé S., Briceño R., Fundación CENDITEL. La Fundación CENDITEL

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

EL AULA VIRTUAL COMO RECURSO DIDÁCTICO

EL AULA VIRTUAL COMO RECURSO DIDÁCTICO EL AULA VIRTUAL COMO RECURSO Autoría: DEL CAMPO LÓPEZ, BERNARDINO, IES JULIO REY PASTOR, ALBACETE. b.delcampo@iesjrp.es Temática: TIC Palabras clave: TIC, MOODLE, AULA VIRTUAL, ALTHIA. Resumen Esta comunicación

Más detalles

SEPT 2015. Motores de Recomendaciones basados en Inteligencia Colectiva. Autor: César Carralero. Autor: César Carralero WWW.QUALITYOBJECTS.

SEPT 2015. Motores de Recomendaciones basados en Inteligencia Colectiva. Autor: César Carralero. Autor: César Carralero WWW.QUALITYOBJECTS. SEPT 2015 Motores de Recomendaciones basados en Inteligencia Colectiva WWW.QUALITYOBJECTS.COM Autor: César Carralero Autor: César Carralero Motor de Recomendaciones Cloud para portales de e-commerce basado

Más detalles

Administración de proyectos. Organizar, planificar y programar los proyectos de software

Administración de proyectos. Organizar, planificar y programar los proyectos de software Administración de proyectos Organizar, planificar y programar los proyectos de software Administración de proyectos Trata de las actividades que hay que realizar para asegurar que el software se entregará

Más detalles

INGENIERÍA EN SISTEMAS COMPUTACIONALES

INGENIERÍA EN SISTEMAS COMPUTACIONALES INGENIERÍA EN SISTEMAS COMPUTACIONALES UNIDAD 1 Catedrático: JOSÉ RAMÓN VALDEZ GUTIÉRREZ Alumnos: AVILA VALLES JAIRO EDUARDO 08040265 Victoria de Durango, Dgo.Mex Fecha: 14/09/2012 Tabla de contenido INTRODUCCIÓN

Más detalles

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA LA PRESTACIÓN DEL SERVICIO PYME.NET COMERCIO ELECTRÓNICO

PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA LA PRESTACIÓN DEL SERVICIO PYME.NET COMERCIO ELECTRÓNICO PLIEGO DE PRESCRIPCIONES TÉCNICAS PARA LA PRESTACIÓN DEL SERVICIO PYME.NET COMERCIO ELECTRÓNICO DENOMINACIÓN: SERVICIO PYME.NET COMERCIO ELECTRÓNICO DE CÁMARA TERUEL 1. INTRODUCCIÓN Y OBJETIVOS 2. ALCANCE

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

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

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA

CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA CICLO SUPERIOR DESARROLLO DE APLICACIONES MULTIPLATAFORMA PROGRAMACIÓN DIDACTICA ANUAL Parte específica del módulo: 0485. Programación Departamento de Familia Profesional de Informática Curso: 2014-15

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

MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS INTRODUCCIÓN. NO : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. : ESTRUCTURA. OPERACIONES. MANTENIMIENTO. MÉTODOS DE ORGANIZACIÓN Y ACCESO A DATOS : ESTRUCTURA. OPERACIONES.

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

El factor de impacto de las revistas académicas: preguntas y respuestas

El factor de impacto de las revistas académicas: preguntas y respuestas El factor de impacto de las revistas académicas: preguntas y respuestas Juan Miguel Campanario http://www.uah.es/otrosweb/jmc Versión 27 de Junio de 2006 http://www.uah.es/otrosweb/jmc 1 - Qué es el factor

Más detalles

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes

Arquitectura para análisis de información. Zombi es una arquitectura que proporciona de manera integrada los componentes Capítulo 4 Arquitectura para análisis de información propuesta 4.1 Arquitectura Zombi es una arquitectura que proporciona de manera integrada los componentes necesarios para el análisis de información

Más detalles

Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico

Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico 1 Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico Barragán Edgar, Giraldo Fabián Andrés, Londoño Isabel RESUMEN En este artículo se presenta una herramienta

Más detalles

Antes de imprimir este documento piense en el medio ambiente!

Antes de imprimir este documento piense en el medio ambiente! Versión 1.0 Página 1 de 14 1. OBJETIVO: Suministrar la metodología que se aplicará para la estimación de esfuerzo para los desarrollos nuevos en el ICBF, para lo cual se detallan los aspectos a tener en

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Herramienta para formular objetivos

Herramienta para formular objetivos Herramienta para formular objetivos Objetivo: Apoyarte en la redacción de objetivos de aprendizaje. Instrucciones: 1. Elige el dominio de aprendizaje adecuado. 2. Selecciona la categoría correcta del dominio

Más detalles

Botón menú Objetivo de la Minería de datos.

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

Más detalles

Sistema para el alquiler, control de películas y clientes en una videotienda

Sistema para el alquiler, control de películas y clientes en una videotienda CASO DE PRUEBA: Sistema para el alquiler, control de películas y clientes en una videotienda Documento de arquitectura Y servicios Versión Historia de Revisión Fecha Versión Descripción Responsable

Más detalles

MÉTODOS INFORMÁTICOS

MÉTODOS INFORMÁTICOS ASIGNATURA DE MÁSTER: MÉTODOS INFORMÁTICOS Curso 2015/2016 (Código:22201096) 1.PRESENTACIÓN Uno de los aspectos relevantes en el ámbito de la investigación científica y en el desempeño profesional en múltiples

Más detalles

2 Métodos combinatorios

2 Métodos combinatorios 2 Métodos combinatorios Las pruebas pueden aplicarse de muchas maneras, es decir, existen diferentes formas de preparar casos de prueba. En este capítulo se presentan dos formas de prueba muy fáciles de

Más detalles

COORDINACIÓN DE CARRERA LICENCIATURA EN CULTURA FÍSICA Y DEPORTES

COORDINACIÓN DE CARRERA LICENCIATURA EN CULTURA FÍSICA Y DEPORTES TESIS, TESINA E INFORMES OPCIÓN: TESIS Características generales: Debe ser inédito, creativo y con relevancia social. Que contribuya al desarrollo de la educación física, el deporte, la recreación, la

Más detalles

CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL Y GRAPH

CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL Y GRAPH CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL Y GRAPH 1) ANÁLISIS DE CORRELACIÓN Dado dos variables, la correlación permite hacer estimaciones del valor de una de ellas conociendo el valor de la otra variable.

Más detalles

Impacto del uso de herramientas para compartir contenidos en la difusión de tesis electrónicas: el caso de la Pontificia Universidad Católica del Perú

Impacto del uso de herramientas para compartir contenidos en la difusión de tesis electrónicas: el caso de la Pontificia Universidad Católica del Perú Impacto del uso de herramientas para compartir contenidos en la difusión de tesis electrónicas: el caso de la Pontificia Universidad Católica del Perú Raúl Sifuentes Arroyo Pontificia Universidad Católica

Más detalles

REPORTE REGIONAL ARGENTINA Tendencias en Argentina Tercerización del Project Management Por: Ana María Rodríguez, Corresponsal Internacional PMWT

REPORTE REGIONAL ARGENTINA Tendencias en Argentina Tercerización del Project Management Por: Ana María Rodríguez, Corresponsal Internacional PMWT REPORTE REGIONAL ARGENTINA Tendencias en Argentina Tercerización del Project Management Por: Ana María Rodríguez, Corresponsal Internacional PMWT Siguiendo el crecimiento de la economía en Argentina, el

Más detalles

CAPÍTULO II. Gráficos Dinámicos.

CAPÍTULO II. Gráficos Dinámicos. 2.1 Definición. Los gráficos dinámicos son representaciones a escala del proceso, en donde se muestra la información de las variables del proceso a través de datos numéricos y de animación gráfica. Éstos

Más detalles

APLICATECA MANTIS. Manual de administrador. By Open Sistemas. www.telefonica.es

APLICATECA MANTIS. Manual de administrador. By Open Sistemas. www.telefonica.es APLICATECA MANTIS Manual de administrador. By Open Sistemas www.telefonica.es INDICE APLICATECA 1 QUÉ ES MANTIS?... 4 2 FLUJO DE TRABAJO... 5 2.1 CICLO DE VIDA DE UNA INCIDENCIA... 5 2.2 ESTADOS DE UNA

Más detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

FACEBOOK FAN PAGE. Search

FACEBOOK FAN PAGE. Search FACEBOOK FAN PAGE Search TABLA DE CONTENIDOS: INTRODUCCION.... /3 POR QUE DEBERIA COMENZAR CON UNA ESTRATEGIA EN FACEBOOK./4 CHECK LIST DE UNA PAGINA DE FANS EXITOSA /7 OBTEN CLARIDAD [OBJETIVOS].. /8

Más detalles

Existaya.com Cra. 66 No. 11A-35 Of. 201 Tel: 395 9543 395 2181 - Cel. (313) 661 93 78, (313) 661 93 79 http://www.existaya.com.co

Existaya.com Cra. 66 No. 11A-35 Of. 201 Tel: 395 9543 395 2181 - Cel. (313) 661 93 78, (313) 661 93 79 http://www.existaya.com.co Cali, Abril 20 de 2009 Señor. EMILIANO ARANGO Fondo de Cultura Económica REF.: Propuesta comercial de diseño y desarrollo de Tienda Electrónica librería FCE Hacemos entrega de la cotización del diseño

Más detalles

Tema 2. Ingeniería del Software I feliu.trias@urjc.es

Tema 2. Ingeniería del Software I feliu.trias@urjc.es Tema 2 Ciclo de vida del software Ingeniería del Software I feliu.trias@urjc.es Índice Qué es el ciclo de vida del Software? El Estándar 12207 Modelos de proceso Qué es el Ciclo de Vida del SW? Definición

Más detalles

Optimización de consultas Resumen del capítulo 14

Optimización de consultas Resumen del capítulo 14 Optimización de consultas Resumen del capítulo 14 Libro: Fundamentos de Bases de Datos Silberschatz et al. 5ed. Dr. Víctor J. Sosa Agenda 1. Visión general 2. Estimación de las estadísticas de los resultados

Más detalles

Introducción. Calidad en el Desarrollo de Software. Definición de Calidad. Introducción - Resumen. Introducción

Introducción. Calidad en el Desarrollo de Software. Definición de Calidad. Introducción - Resumen. Introducción Introducción Introducción Depto. Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Misura ciò che è misurabile, e rendi misurabile ciò che non lo è Galileo Galilei Segundo Cuatrimestre

Más detalles

CAPITULO 1. Introducción a los Conceptos Generales de Bases de Datos Distribuidas

CAPITULO 1. Introducción a los Conceptos Generales de Bases de Datos Distribuidas CAPITULO 1 Introducción a los Conceptos Generales de 1.1 Preliminares Las empresas necesitan almacenar información. La información puede ser de todo tipo. Cada elemento informativo es lo que se conoce

Más detalles

Locker Room: Una Herramienta Para El Aprendizaje de Punteros Basada en La Metáfora de Las Taquillas

Locker Room: Una Herramienta Para El Aprendizaje de Punteros Basada en La Metáfora de Las Taquillas Locker Room: Una Herramienta Para El Aprendizaje de Punteros Basada en La Metáfora de Las Taquillas Carlos Martín Villanova, Tonghong Li, Claudio Soriente, Ricardo Jiménez Peris and Marta Patiño Martínez

Más detalles

COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES

COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES UNIVERSIDAD DE CALDAS FACULTAD DE INGENIERIA DEPARTAMENTO DE SISTEMAS E INFORMATICA COMPONENTES ESENCIALES DE LA HERRAMIENTA LMS MOODLE DOCUMENTO DE APOYO PARA LA IMPLEMENTACIÓN DE AULAS VIRTUALES COORDINACION

Más detalles

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES

CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES CAPÍTULO 5 ANÁLISIS DE CONVERGENCIA DEL MÉTODO BINOMIAL AL MODELO DE BLACK & SCHOLES Para la valuación de opciones hay dos modelos ampliamente reconocidos como son el modelo binomial y el modelo de Black

Más detalles

ENTORNO DE UN CURSO. Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos:

ENTORNO DE UN CURSO. Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos: ENTORNO DE UN CURSO Antes de empezar sería conveniente conocer la estructura de Moodle y entender los siguientes conceptos básicos: Cursos Categorías Cuentas de usuario y roles Perfil de usuario En Moodle,

Más detalles

SISTEMA DE INFORMACION GERENCIAL. Lic.Patricia Palacios Zuleta

SISTEMA DE INFORMACION GERENCIAL. Lic.Patricia Palacios Zuleta SISTEMA DE INFORMACION GERENCIAL Lic.Patricia Palacios Zuleta Pentaho Open BI Suite La suite Pentaho cubre principalmente las siguientes áreas: integración de datos, reportes, análisis, alertas y dashboards,

Más detalles

MATERIA : GESTION DE SERVICIOS DE TI FECHA: Marzo 18 de 2013

MATERIA : GESTION DE SERVICIOS DE TI FECHA: Marzo 18 de 2013 Tabla de contenido Métricas de la Gestión de los : Cómo Empezar... 2 Por qué realizar informes de gestión desde los datos de del Centro de Servicio al Usuario?... 2 Clasificación de los Datos de Rendimiento...

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

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

monitoreo efectivo del desempeño en entornos SAP

monitoreo efectivo del desempeño en entornos SAP INFORME OFICIAL Septiembre de 2012 monitoreo efectivo del desempeño en entornos SAP Los desafíos clave y cómo CA Nimsoft Monitor ayuda a abordarlos agility made possible tabla de contenido resumen 3 Introducción

Más detalles

CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR

CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR CAPÍTULO 4 ANÁLISIS Y DISEÑO: e-commerce CONSTRUCTOR En este capítulo se describe el análisis y diseño de un sistema, denominado e-commerce Constructor, el cual cumple con los siguientes objetivos: Fungir

Más detalles

Minería de Datos. Universidad Politécnica de Victoria

Minería de Datos. Universidad Politécnica de Victoria Minería de Datos Universidad Politécnica de Victoria 1 Motivación Nuevas Necesidades del Análisis de Grandes Volúmenes de Datos El aumento del volumen y variedad de información que se encuentra informatizada

Más detalles

INTRODUCCIÓN AL DISEÑO DE UNA ENCUESTA.

INTRODUCCIÓN AL DISEÑO DE UNA ENCUESTA. INTRODUCCIÓN AL DISEÑO DE UNA ENCUESTA. Introducción Muchos problemas de investigación requieren la recolección de datos muestrales, los cuales pueden obtenerse mediante el uso de encuestas. La finalidad

Más detalles

El Software GPS Simplificado.

El Software GPS Simplificado. El Software GPS Simplificado. Navman Wireless DIRECTOR. El Software GPS Simplificado. Una plataforma para dirigir activos de flotillas y fuerza de trabajo móvil, impulsa la eficiencia a través del uso

Más detalles

Análisis del Sistema de Información

Análisis del Sistema de Información Análisis del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 2 ACTIVIDAD ASI 1: DEFINICIÓN DEL SISTEMA... 6 Tarea ASI 1.1: Determinación del Alcance del Sistema... 6 Tarea ASI 1.2: Identificación

Más detalles

INTEGRACIÓN DE LA TECNOLOGÍA DENTRO DEL ÁREA EDUCATIVA

INTEGRACIÓN DE LA TECNOLOGÍA DENTRO DEL ÁREA EDUCATIVA INTEGRACIÓN DE LA TECNOLOGÍA DENTRO DEL ÁREA EDUCATIVA Iniciativa Intel Educación Por Paloma Hernández Arguello Carla Yussel Ruiz Lara 12 INDICE Introducción. 1 Programa Intel Educar. 2 Herramientas para

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell First Break Interpretation Using Generalized Linear Inversion Dan Hampson and Brian Russell María Virginia Mason 2 INDICE GENERAL Introducción... 3 Modelado de Refracción iterativo.. 4 Teoría de Inversión

Más detalles

Ingeniería de Software

Ingeniería de Software Ingeniería de Software MSDN Ingeniería de Software...1 Ingeniería del Software_/_ Ingeniería y Programación...1 Análisis de Requerimientos...2 Especificación...3 Diseño...4 Desarrollo en Equipo...5 Mantenimiento...6

Más detalles