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

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

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

Transcripción

1 Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productivity in Construction Companies: Knowledge acquired from the databases Hernando Camargo Mila, Rogelio Flórez Díaz. Resumen l artículo presenta la forma como se pueden identificar los puntos de control en los E procesos civiles que pueden apoyar la toma de decisiones en pro de una mayor productividad, a partir de realizar minería de datos a las bases de datos de una empresa de construcción. Se presenta la metodología para realizar estos estudios, los conceptos de descubrimiento de conocimiento y minería de datos (Knowledge Discovery and Data Mining - KDD), y las estrategias y ventajas para realizar estos estudios de productividad. Abstract he article presents the way to identify checkpoints in civil works that may support decision T making to get a greater productivity. The methodology to perform these studies is introduced. Furthermore, concepts on knowledge discovery and data mining KDD, strategies and advantages for productivity studies, are introduced also. Keywords: Productivity in building companies, Knowledge discovery, KDD, Data Mining, CRISP-DM. Palabras Clave: Productividad en empresas de construcción, descubrimiento de datos, KDD, minería de datos, CRISP-DM. Recibido: Febrero 28 de 2013 Aprobado: Mayo 10 de 2014 Tipo de artículo: Investigación cientifica y tecnológica terminada. Afiliación Institucional de los autores: Universidad El Bosque. Los autores declaran que no tienen conflicto de interés.

2 Hernando Camargo Mila, Rogelio Flórez Díaz. Introducción E n temas de negocio, siempre ha sido atractivo el estudio productividad en las diferentes actividades económicas, el cómo lograr que en los diferentes proyectos las tareas se hagan de una manera mas rápida, o el cómo se pueden disminuir el consumo de recursos físicos para reducir los gastos excesivos. En el presente articulo se pretende explicar como utilizando conceptos de minería de datos se puede lograr obtener resultados de productividad en una actividad económica especifica, la construcción. Como se habla de minería de datos, se debe hablar también de un proceso que nos dicte las tareas específicas que se deben seguir para llegar a realizar una buena investigación de este tipo, como de una metodología que nos ayude a organizar estas tareas. El proceso que mas se implementa en proyectos de minería de datos es el KDD (descubrimiento de conocimiento en bases de datos), y la metodología que soporta las fases de este procedimiento es CRISP-DM. Como todos estos procesos se deben soportar a partir de unos datos almacenados, se hablara a partir de la información suministrada por una empresa Colombiana, que realiza proyectos de Construcción, con mas de 7 años de experiencia. Y se tendrá en cuenta como definición de productividad, el como realizar más actividades con la misma cantidad de recursos, o hacer lo mismo con menor capital o recursos físicos [1]. KDD El concepto de KDD (descubrimiento de conocimiento en bases de datos) nace poco después del concepto de minería de datos, ya que la minería de datos se convierte en una de las fases fundamentales en todo el proceso de adquirir conocimiento en los datos almacenado, así estos conceptos se hallan utilizado como uno solo [2]. Fig 1. Proceso de KDD KDD Sistema de Información Prepareción Minería de datos Patrones Evaluación/ Interpretación/ Visualización Conocimiento Las fases que se muestran en la Fig. 1, tienen como finalidad adquirir patrones valiosos [2], novedosos, potencialmente útiles y, en última estancia comprensibles a partir de los datos, por lo tanto, el conocimiento extraído a través de este proceso debe tener las siguientes propiedades: Válido: esto hace referencia a que los patrones deben seguir siendo precisos para datos nuevos (con cierto grado de certidumbre). Novedoso: Que aporte conocimiento tanto para el sistema, como para el usuario. Potencialmente útil: se deben buscar beneficios para el usuario. Comprensible: una información incomprensible para el usuario no es la mas útil, por esto todas las fases deben apuntar a generar conocimiento comprensible. Con lo anterior se puede observar que el proceso de KDD, pretende obtener la información que ayude a los usuarios a generar mejores resultados, ya sea por medio de una o varias iteraciones, la información obtenida siempre será evaluada y posible de interpretar. CRISP-DM Como se aclaró anteriormente, la metodología que soporta estas fases de desarrollo de KDD es CRISP DM, esta metodología se basa en un modelo de jerarquías, que se trabaja en diferentes niveles, estos niveles son: fases, tareas genéricas, tareas especializadas e instancias de proceso. 74 Revista de Tecnología Journal of Technology Volumen 13 Número 1 Págs

3 Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Fig. 2 ciclo de vida Metodología CRISP-DM Despliegue Comprensión del negocio Datos Evaluación Comprensión Preparación Modelo Las diferentes fases del ciclo de vida de la metodología CRISP - DM (Fig. 2) [3] que deben ser analizadas son: Entendimiento del negocio: en esta fase se busca generar un completo entendimiento del negocio para convertirlo en un problema de minería de datos creando un plan para alcanzar los objetivos. Entendimiento de datos: en esta fase se obtienen la información relacionada con el problema descrito y se procede a familiarizarse con esta en información para identificar posibles problemas como calidad de los datos, para detectar diferentes conjuntos que permitan generar ideas sobre el curso del proyecto y encontrar información desconocida. Preparación : se preparan los datos para ser la fuente de información del modelo de datos, se puede dividir en varias tareas como tabulaciones, documentación, selección de atributos, transformación y limpieza. Modelado: esta fase se relaciona directamente con la fase de preparación de datos, ya que es de ahí donde se aplican diferentes técnicas para generar modelos de información. Evaluación: es una de las fases más importantes en esta metodología ya que es acá donde se verifica que los objetivos del negocio estén cubiertos dentro del modelo analizado luego de las tareas de minería, en diferentes ocasiones es necesario retornar a las fases previas para cerciorarse que se hayan tenido en cuenta detalles importantes en la resolución de los problemas. Despliegue: el despliegue del modelo no significa la culminación del proyecto ya que se debe proporcionar la información suficiente al cliente para que pueda tomar acciones. Aunque esto depende de los requerimientos realizados ya que el despliegue puede ser un simple reporte o un proceso repetible de minería de datos a través de la empresa, por esto es muy común que el cliente y no el analista de datos sea el que realice esta fase. De esta manera se asegura que ninguna de las partes fundamentales de un proyecto de minería de datos se quede por fuera de análisis [3]. Minería de datos Con los procesos de minería de datos, se demuestra que utilizar los datos que se guarda en las diferentes bases de datos, es útil para obtener información que no se conocía, este conocimiento se encuentra de diferentes maneras, en forma de patrones, de relaciones, reglas de inferencias de datos, o en forma de una descripción mas concisa. Estos modelos pueden presentarse de dos tipos: Predictivos: estos modelos pretenden encontrar valores futuros o desconocidos de variables de interés, que se denominan variables objetivo o dependientes, por medio de otras variables de la base de datos que se denominan, variables independientes o predictivas. Un modelo predictivo puede ser el que se adopta para estimar el comportamiento de un producto en base a las ventas de otro producto que se pueda asemejar a este. Descriptivo: este modelo se identifica por obtener patrones que explican o resumen los datos, es decir, sirve para explotar las propiedades examinados, no para predecir nuevos datos. Por ejemplo, los supermercados buscan obtener información sobre los gustos de las personas, para dar diferentes ofertas y organizar de manera diferente sus estanterías, dando de esta manera una experiencia diferente a la hora de mercar de sus clientes. Para cumplir los objetivos de la minería de datos, existen diferentes tareas que se pueden realizar, en el caso de las Revista de Tecnología Journal of Technology Volumen 13 Número 1 Págs

4 Hernando Camargo Mila, Rogelio Flórez Díaz. tareas predictivas son la clasificación y la regresión, y en el caso de las tareas descriptivas son el agrupamiento, las reglas de asociación y el análisis correlacional. En el caso del presente escrito, el tipo de minería de datos que se muestra en el proceso es, descriptiva, por medio de la tarea de clustering o agrupamiento. Esta tarea se utiliza gracias al algoritmo de K-Means que según las variables de entrada, busca encontrar grupos comunes que describen comportamientos característicos [2]. Productividad Haciendo referencia a la introducción, la productividad se puede definir cómo realizar más actividades con la misma cantidad de recursos, o hacer lo mismo con menor capital o recursos físicos. De esta manera se muestra, que existen dos factores fundamentales cuando se habla de productividad, el tiempo como factor de medición, y los recursos físicos dentro, de lo cuales alocamos la mano de obra. Factores que analizados de una manera correcta nos lleva a descifrar las claves de la productividad. Algunas de las estrategias para mejorar la productividad, son: Asesoramiento práctico (ayudar en el cómo hacer en lugar de imponer el usted debe ). Identificar y aplicar soluciones de bajo costo. Desarrollar soluciones orientadas a mejorar simultáneamente las condiciones de trabajo, la calidad de la construcción y la productividad del trabajo. Concebir mejoras adaptadas a las situaciones reales totales. Poner énfasis en la obtención de resultados concretos. Vincular las condiciones de trabajo con los demás objetivos gerenciales. Usar como técnica el aprendizaje a través de la práctica. Alentar el intercambio de experiencias. Promover la participación de los trabajadores. Diseñar correctamente los puestos de trabajo. Usar eficientemente la maquinaria. Tener servicios de bienestar en el lugar de trabajo. Mejorar las condiciones y el medio ambiente de trabajo. Las ventajas que se obtienen a partir de una mayor productividad pueden ser: Mayor competitividad. Satisfacción del cliente. Confianza de clientes y proveedores. Permanencia en el mercado a mediano y largo plazo. Disminución y cumplimiento de los plazos de entrega. Disminución de costos. Uso eficiente de los recursos naturales y de la fuerza laboral, logrando con esto la reducción de desperdicios de materias primas. Eliminación de desplazamientos innecesarios de materiales y de trabajadores. Evita atrasos en las fechas de terminación de cada elemento en la obra. La reducción de los tiempos muertos de máquinas. Ahorro de energía. Se incorporan medidas serias para controlar los efectos negativos para el entorno de accidentes imprevistos. Recuperación de espacios de trabajo inutilizados. Disminución de la rotación del personal. Mejoramiento continuo del capital humano y de un entorno que fomente la Creatividad y la innovación, así como las relaciones laborales entre trabajadores [1]. Gracias a estos conceptos, se puede enfocar de mejor manera la investigación y lograr los resultados que se esperan. Desarrollo Teniendo claros lo conceptos anteriormente descritos se puede comenzar al desarrollo del análisis, donde siguiendo los puntos de la metodología se debe: Entender el negocio: en el entendimiento se sacan conclusiones sobre que factores que se deben tener en cuenta en el análisis. Para este caso los factores son los trabajadores, las tareas que realizan, El tiempo de desarrollo, las horas extras, y la propuesta presentada. Entendimiento : se verifica que la información de los factores que se deben analizar estén completa. Preparación : si en el entendimiento de los datos se muestra una falta de información, se complementa en esta sección Modelado: en esta sección se toma la decisión de que tarea de minería de datos se utiliza, como se 76 Revista de Tecnología Journal of Technology Volumen 13 Número 1 Págs

5 Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos nombro anteriormente la tarea es agrupamiento, que, con la información de entrada que se toman de la preparación de datos, trabajadores, tareas, tiempo de desarrollo, y horas extras, se describe el comportamiento de desarrollo de las tareas por cada uno de los grupos de trabajo. Evaluación: en esta fase se evalúa si los clusters dados por las tareas de minerías si son suficientemente claros para describir los grupos de trabajos. Despliegue: al tener claro que la descripción es correcta se comienzan a tomar, decisiones acerca de los grupos de trabajo como se trabaja mas rápido teniendo en cuenta las tareas especificas. Conclusión Conocer con anterioridad los recursos necesarios para la ejecución de las tareas permite realizar una estimación de costo beneficio, proyectando de manera correcta si es conveniente realizar la tarea o no, de esta forma se ayuda a cuidar las utilidades de la empresa. La fase de la metodología, entendimiento del negocio, permitió identifica cual era la forma, en que se medía la productividad en la empresa, de esta manera se introdujeron los nuevos conceptos de productividad para ser más certeros en la toma de decisiones. En la fase de la metodología, Preparación de datos, se permitió crear un modelo de base de datos, en donde se almaceno de una forma más organizada la información de las obras civiles de la empresa. La técnica de Clustering, es muy adecuada para describir los recursos necesarios para el desarrollo de las tareas de construcción. Si se realiza esta tarea con más frecuencia e introduciendo más información al modelo, el conocimiento adquirido va a ser cada vez más valioso. Los indicadores de productividad adquiridos, por la descripción de cada uno de los clusters, permiten evidenciar si se están utilizando demasiados recursos en el desarrollo de las tareas. Referencias [1] R. Alpuche Sánchez, Impacto de la calidad total y la productividad en las empresas de construcción, [ONLINE] documentos/lic/alpuche_s_r/capitulo3.pdf [2] J. Hernández Orallo, M. J. Ramírez Quintana, C. Ferri Ramírez. Introducción a la Minería de Datos, Madrid: Pearson Prentice Hall, [3] Los Autores Hernando Camargo Mila Docente del programa Ingeniería de Sistemas de la Universidad El Bosque desde 2002 a la fecha, Distinción de la Universidad El Bosque a la Excelencia en la Docencia en el año Especialista en informática y Ciencias de la Computación, Fundación Universitaria Konrad Lorenz, Bogotá Ingeniero de Sistemas, Universidad Nacional de Colombia, Bogotá 1988, Docente del Programa en la Ingeniería de Sistemas de la Fundación Universitaria Konrad Lorenz desde 2001 a la fecha y desde el 2003 Coordinador Académico de las Facultades de Ingeniería y Matemáticas. Jefe del Departamento de Sistemas de Petróleos Colombianos Limited, Bogotá, desde 1990 a Gerencia de Proyectos informáticos en Comcel durante Gerencia de Proyectos de Outsourcing informático en Gestiontek S.A.,desde 1999 a Carrera 7B Bis , Bloque M, Piso 3, Bogotá D.C. Grupo de Investigación OSIRIS. Rogelio Florez Diaz Ingeniero de sistemas de la Universidad El Bosque, Analista de inteligencia de negocios en DirectTV. Revista de Tecnología Journal of Technology Volumen 13 Número 1 Págs

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

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

Más detalles

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

Introducción a la Minería de Datos (Data Mining)

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

Más detalles

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES Actualmente se vive una época donde se tiene una enorme cantidad de datos que se generan diariamente (del orden de Terabytes, Petabytes 1 (Han, Kamber, & Pei, 2012))

Más detalles

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

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

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

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

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Minería de Datos Complementos de Computación Módulo Titulación Grado en Ingeniería Informática Plan 463 45220 Periodo de impartición 1 er Cuatrimestre Tipo/Carácter

Más detalles

Minería de Datos. Vallejos, Sofia

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

Más detalles

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

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

Más detalles

Minería de Datos. Vallejos, Sofia

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

Más detalles

Introducción a la Minería de Datos

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

Más detalles

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

Más detalles

OPTATIVA I: MINERIA DE DATOS

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

Más detalles

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

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

Más detalles

Secretaría de Docencia Dirección de Estudios Profesionales

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

Más detalles

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

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

Más detalles

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

Visión global del KDD

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

Más detalles

HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio

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

Más detalles

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA CÓDIGO ASIGNATURA 1131-3 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: DATA MINING y DATA WAREHOUSE Plan 2009 Ingeniería en Informática Año: 5 (Electiva - Ingeniería de Software)

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

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

Más detalles

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

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

Más detalles

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

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

Más detalles

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN Blanca Maricela Ibarra Murrieta, Ricardo Blanco Vega y María Angélica García Fierro Departamento

Más detalles

Darío Álvarez Néstor Lemo www.autonomo.edu.uy

Darío Álvarez Néstor Lemo www.autonomo.edu.uy Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas

Más detalles

Data Mining Técnicas y herramientas

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

Más detalles

GUÍA DOCENTE TITULACIONES DE GRADO

GUÍA DOCENTE TITULACIONES DE GRADO GUÍA DOCENTE TITULACIONES DE GRADO TITULACIÓN: GRADO EN INGENIERIA INFORMATICA DE SISTEMAS DE INFORMACIÓN CURSO 2015/2016 ASIGNATURA: MINERÏA DE DATOS Nombre del Módulo o Materia al que pertenece la asignatura.

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

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile. Los futuros desafíos de la Inteligencia de Negocios Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.cl El Vértigo de la Inteligencia de Negocios CRM: Customer

Más detalles

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

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

Más detalles

INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA)

INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA) INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA) 1.- Datos de la Asignatura Código 302436 Plan 2014 ECTS 3 Carácter OPCIONAL Curso 1º Periodicidad 2er SEMESTRE Área Departamento

Más detalles

Diseño e Implementación de un Sistema para la Segmentación de Clientes de una Operadora Celular

Diseño e Implementación de un Sistema para la Segmentación de Clientes de una Operadora Celular Diseño e Implementación de un Sistema para la Segmentación de Clientes de una Operadora Celular AUTORES: Fabián Cabrera Cuenca 1, Sergio Jonathan León García 2, Ilse Lorena Ycaza Díaz 3, Juan Aurelio Alvarado

Más detalles

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información: Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,

Más detalles

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

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

Más detalles

Evaluación de modelos para la predicción de la Bolsa

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

Más detalles

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

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

Más detalles

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

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

Más detalles

Los Planes de Estudio de las carreras de grado y el proyecto sobre la factibilidad de otorgar un titulo intermedio, y

Los Planes de Estudio de las carreras de grado y el proyecto sobre la factibilidad de otorgar un titulo intermedio, y RESOLUCIÓN DE CONSEJO ACADÉMICO Nº 136/2010 Tandil, 4 de octubre de 2010.- VISTO: Los Planes de Estudio de las carreras de grado y el proyecto sobre la factibilidad de otorgar un titulo intermedio, y CONSIDERANDO:

Más detalles

CONSIDERACIONES GENERALES DEL WEB MINING

CONSIDERACIONES GENERALES DEL WEB MINING CONSIDERACIONES GENERALES DEL WEB MINING Sandra Milena Leal Elizabeth Castiblanco Calderón* RESUMEN: el presente artículo describe los conceptos básicos para la utilización del Webmining, dentro de los

Más detalles

RESUMEN ANALÍTICO EN EDUCACIÓN - RAE - FACULTAD DE INGENIERÍA PROGRAMA DE INGENIERÍA CIVIL ESPECIALIZACIÓN EN GERENCIA DE OBRA BOGOTÁ D.C.

RESUMEN ANALÍTICO EN EDUCACIÓN - RAE - FACULTAD DE INGENIERÍA PROGRAMA DE INGENIERÍA CIVIL ESPECIALIZACIÓN EN GERENCIA DE OBRA BOGOTÁ D.C. FACULTAD DE INGENIERÍA PROGRAMA DE INGENIERÍA CIVIL ESPECIALIZACIÓN EN GERENCIA DE OBRA BOGOTÁ D.C. LICENCIA CREATIVE COMMONS: Atribución no comercial AÑO DE ELABORACIÓN: 2014 TÍTULO: Comparar los resultados

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Conjunto de informes y gráficos consolidados en un solo objeto que facilita la visualización y análisis de la información. 2

Conjunto de informes y gráficos consolidados en un solo objeto que facilita la visualización y análisis de la información. 2 1. BLOQUE DESCRIPTIVO 1. Título de la Buena Práctica Uso de una base de datos robusta que ayuda en la toma de decisiones (Data Warehouse), como fuente principal del Sistema de apoyo a la gestión (SAG)

Más detalles

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS

UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS UNIVERSIDAD DE SANTIAGO DE CHILE INGENIERIA COMERCIAL APLICACIÓN COMPUTACIONAL I INTELIGENCIA DE NEGOCIOS Integrante: Profesor: Maximiliano Heise Luis Ríos Fecha de entrega: miércoles 18 de abril de 2012

Más detalles

Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos.

Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos. Diseño de almacén de datos para el análisis eficiente de la información de incidentes informáticos y mantenimientos. Ing. Corso Cynthia, Ing. Luque Claudio, Ing. Ciceri Leonardo, Sr Donnet Matías Grupo

Más detalles

IMPORTANCIA ACADÉMICA APLICADA EN EL CAMPO LABORAL

IMPORTANCIA ACADÉMICA APLICADA EN EL CAMPO LABORAL IMPORTANCIA ACADÉMICA APLICADA EN EL CAMPO LABORAL Por Br. Jorge Alfonso Díaz, jorgealfidi@gmail.com RESUMEN Este articulo trata sobre la importancia de los estudios académicos en el campo laboral, ya

Más detalles

ETL: Extractor de datos georreferenciados

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

Más detalles

Parte I: Introducción

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

Más detalles

La definición del software a utilizar para la ejecución de Data Mining, permitirá desarrollar la herramienta informática de forma automatizada.

La definición del software a utilizar para la ejecución de Data Mining, permitirá desarrollar la herramienta informática de forma automatizada. 3.1 Sistema de Hipótesis 3.1.1 Hipótesis General El diseño del manual empleando Data Mining (Minería de Datos) predecirá el potencial de desarrollo de las empresas en la zona oriental asociadas a la Comisión

Más detalles

Datamining Introducción

Datamining Introducción Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Introducción Yerko Halat 2 de Octubre del 2001 1 Cuál es la diferencia entre

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

Área Académica: Sistemas Computacionales. Tema: Arquitectura de un sistema de almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas

Área Académica: Sistemas Computacionales. Tema: Arquitectura de un sistema de almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas Área Académica: Sistemas Computacionales Tema: Arquitectura de un sistema de almacén de datos Profesor: Mtro Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords Almacen de Datos, Datawarehouse,

Más detalles

Trabajo Practico N 12

Trabajo Practico N 12 Trabajo Practico N 12 Minería de Datos CATEDRA: Actualidad Informática Ingeniería del Software III Titular: Mgter. Horacio Kuna JTP: Lic. Sergio Caballero Auxiliar: Yachesen Facundo CARRERAS: Analista

Más detalles

Pontificia Universidad Católica del Ecuador Facultad o Escuela de

Pontificia Universidad Católica del Ecuador Facultad o Escuela de FORMULARIO DE PROGRAMA MICROCURRICULAR 1. DATOS INFORMATIVOS FACULTAD: CIENCIAS ADMINISTRATIVAS Y CONTABLES CARRERA: ADMINISTRACIÓN DE EMPRESAS Asignatura/Módulo: PROYECTO INTEGRADOR II Código: 16268 Plan

Más detalles

Propuesta de Métricas para Proyectos de Explotación de Información

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

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

Diplomado en sistemas integrados de gestión en el. marco de la gestión ambiental

Diplomado en sistemas integrados de gestión en el. marco de la gestión ambiental Fecha de realización: Junio 1 al 25 de agosto de 2012. 1. Presentación Con el fin de promover el desarrollo de habilidades para la planificación, establecimiento y mantenimiento de sistemas integrados

Más detalles

Aplicaciones Web que Permitan Administrar Portafolios para Gestionar el Aprendizaje

Aplicaciones Web que Permitan Administrar Portafolios para Gestionar el Aprendizaje Escuela Universitaria de Ingeniería Industrial, Informática y Sistemas Área de Computación e Informática Universidad Tarapacá Arica Aplicaciones Web que Permitan Administrar Portafolios para Gestionar

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

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

Más detalles

El Poder del Conocimiento

El Poder del Conocimiento El Poder del Conocimiento BROCHURE CURSO DE CAPACITACION Curso Básico de Análisis Predictivo - Minería de Datos y Minería de Textos (DM051) 2015 1 TABLA DE CONTENIDO 1 PRESENTACION KASPERU...4 1.1 MISIÓN...4

Más detalles

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

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

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

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

Más detalles

Área Académica: Sistemas Computacionales. Tema: Introducción a almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas

Área Académica: Sistemas Computacionales. Tema: Introducción a almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas Área Académica: Sistemas Computacionales Tema: Introducción a almacén de datos Profesor: Mtro Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords Almacén de Datos, Datawarehouse, Arquitectura

Más detalles

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis CURSOS CONENTO Una puerta abierta para que puedas desarrollar tus propios análisis Introducción Este documento recoge la lista de los cursos que ofrecemos para ayudar a nuestros clientes a incrementar

Más detalles

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

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

Más detalles

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

ALEJANDRO URIBE. Colegio (Bogotá)

ALEJANDRO URIBE. Colegio (Bogotá) Nombre completo ALEJANDRO URIBE Fecha de nacimiento Marzo 9 de 1995 Institución Educativa Colegio (Bogotá) Fecha de aplicación Noviembre 16 de 2010 Una vez aplicadas y evaluadas todas las pruebas de talentos

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

Más detalles

TÓPICOS AVANZADOS DE BASES DE DATOS

TÓPICOS AVANZADOS DE BASES DE DATOS TÓPICOS AVANZADOS DE BASES DE DATOS 1. DATOS DE LA ASIGNATURA. Nombre de la asignatura: TÓPICOS AVANZADOS DE BASES DE DATOS Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: Modulo

Más detalles

Metodología de descripción de indicadores de rendimiento de procesos para su implementación en un almacén de datos

Metodología de descripción de indicadores de rendimiento de procesos para su implementación en un almacén de datos 4 th International Conference on Industrial Engineering and Industrial Management XIV Congreso de Ingeniería de Donostia- San Sebastián, September 8 th -10 th 2010 Metodología de descripción de indicadores

Más detalles

Business Intelligence para la mejora del control de gestión

Business Intelligence para la mejora del control de gestión 3rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Business Intelligence para la mejora

Más detalles

Departamento de Ingeniería de Sistemas y Computación. Maestría en Ingeniería de Sistemas y Computación

Departamento de Ingeniería de Sistemas y Computación. Maestría en Ingeniería de Sistemas y Computación Departamento de Ingeniería de Sistemas y Computación Maestría en Ingeniería de Sistemas y Computación Maestría en Ingeniería de Sistemas y Computación Título otorgado Magíster en Ingeniería de Sistemas

Más detalles

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

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

Más detalles

Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix

Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix Presentación Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y éxito de

Más detalles

SISTEMA DE APROBACIÓN DE MICROCRÉDITO BASADO EN PATRONES DE POBREZA

SISTEMA DE APROBACIÓN DE MICROCRÉDITO BASADO EN PATRONES DE POBREZA SISTEMA DE APROBACIÓN DE MICROCRÉDITO BASADO EN PATRONES DE POBREZA Fabrício Echeverría 1, María Eugenia Andrade Ramírez 2, Enrique Guido Anchundia Aguirre 3, Néstor Alejandro Uyaguari Espinoza 4. 1 Director

Más detalles

MAESCENTICS: Plataforma masiva de enseñanza virtual de las ciencias exactas y naturales

MAESCENTICS: Plataforma masiva de enseñanza virtual de las ciencias exactas y naturales MAESCENTICS: Plataforma masiva de enseñanza virtual de las ciencias exactas y naturales Alejandro Piedrahita Ospina, MSc. Profesor de tecnologías para enseñanza Maestría en Enseñanza de las Ciencias Exactas

Más detalles

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

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

Más detalles

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

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

Más detalles

DiplomadosOnline.com

DiplomadosOnline.com Diplomado en Míneria de Datos DiplomadosOnline.com Formando profesionales capaces de identificar y aplicar las metodologías adecuadas, para el descubrimiento de patrones ocultos en la información en apoyo

Más detalles

El rol de las herramientas estadísticas en un sistema de gestión de la calidad.

El rol de las herramientas estadísticas en un sistema de gestión de la calidad. CENTRO DE INGENIERIA DE LA CALIDAD CALI COLOMBIA www.cicalidad.com info@cicalidad.com El rol de las herramientas estadísticas en un sistema de gestión de la calidad. Introducción: El presente documento

Más detalles

Diplomado en Big Data

Diplomado en Big Data 160 horas Diplomado en Big Data BROCHURE, 2015 Contenido Quienes somos?... 3 Presentación del Programa... 4 Perfíl del Facilitador. 5 Objetivos.. 6 Información General.. 7 Plan de Estudio... 8-9 Plan de

Más detalles

Licenciatura en Sistemas de Información

Licenciatura en Sistemas de Información Plan de Estudio Carrera Licenciatura en Sistemas de Información Universidad Nacional del Nordeste UNNE Octubre 2009 I. Denominación Denominación de la carrera: Licenciatura en Sistemas de Información Denominación

Más detalles

Cualificación de Experto en gestión energética (Gestor Energético) en el sector civil: nivel 6

Cualificación de Experto en gestión energética (Gestor Energético) en el sector civil: nivel 6 Cualificación de Experto en gestión energética (Gestor Energético) en el sector civil: nivel 6 REQUISITOS MÍNIMOS DE ACCESO AL PROCESO DE CUALIFICACIÓN Y CONTENIDOS ONLINE SUGERIDOS CONOCIMIENTOS BÁSICOS

Más detalles

Desarrollo de un cluster computacional para la compilación de. algoritmos en paralelo en el Observatorio Astronómico.

Desarrollo de un cluster computacional para la compilación de. algoritmos en paralelo en el Observatorio Astronómico. Desarrollo de un cluster computacional para la compilación de algoritmos en paralelo en el Observatorio Astronómico. John Jairo Parra Pérez Resumen Este artículo muestra cómo funciona la supercomputación

Más detalles

How organizations are influenced by Business Analytics? Octubre 2014

How organizations are influenced by Business Analytics? Octubre 2014 How organizations are influenced by Business Analytics? Octubre 2014 El boom de los datos Fuente: Gestión. Artículo: Big Data: La nueva moneda en el mundo de los negocios. Martes, 07 de octubre del 2014

Más detalles

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

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

Más detalles

HERRAMIENTAS DE GESTIÓN DE LA INNOVACIÓN

HERRAMIENTAS DE GESTIÓN DE LA INNOVACIÓN HERRAMIENTAS DE GESTIÓN DE LA INNOVACIÓN - Introducción - Herramientas generales - Herramientas de producto - Herramientas de gestión - Herramientas de proceso - Introducción En el actual escenario socioeconómico,

Más detalles

FUNDACION UNIVERSITARIA LUIS AMIGÓ LICENCIATURA EN EDUCACIÓN BÁSICA CON ÉNFASIS EN TECNOLOGÍA E INFORMÁTICA

FUNDACION UNIVERSITARIA LUIS AMIGÓ LICENCIATURA EN EDUCACIÓN BÁSICA CON ÉNFASIS EN TECNOLOGÍA E INFORMÁTICA FUNDACION UNIVERSITARIA LUIS AMIGÓ LICENCIATURA EN EDUCACIÓN BÁSICA CON ÉNFASIS EN TECNOLOGÍA E INFORMÁTICA CARTA DESCRIPTIVA DEL CURSO «DISEÑO DE MATERIAL EDUCATIVO» PLAN DE ESTUDIOS 1102 4 DT02 CRÉDITOS

Más detalles

DIAGNOSTICO DE NECESIDADES DE CAPACITACION. www.rrhh-web.com

DIAGNOSTICO DE NECESIDADES DE CAPACITACION. www.rrhh-web.com DIAGNOSTICO DE NECESIDADES DE CAPACITACION Por qué es necesario diagnosticar? Para satisfacer plenamente las necesidades detectadas y que obstaculizan el logro de los objetivos de la empresa Para apoyar

Más detalles

Universidad de Murcia Facultad de Comunicación y Documentación Titulación de Diplomado en Biblioteconomía y Documentación Curso Académico 2007-2008

Universidad de Murcia Facultad de Comunicación y Documentación Titulación de Diplomado en Biblioteconomía y Documentación Curso Académico 2007-2008 Universidad de Murcia Facultad de Comunicación y Documentación Titulación de Diplomado en Biblioteconomía y Documentación Curso Académico 2007-2008 1. Identificación 1.1. De la asignatura Nombre de la

Más detalles

MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos

MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos Tipo: investigación/mixto Promueve: Departamento de Control Automático, Departamento de Matemática Interdisciplinaria y Departamento de Matemática

Más detalles

PROGRAMAS DE POSTGRADO Y DESARROLLO PROFESIONAL CON ESTRUCTURA MODULAR Curso 2015/2016

PROGRAMAS DE POSTGRADO Y DESARROLLO PROFESIONAL CON ESTRUCTURA MODULAR Curso 2015/2016 Curso académico 2015-2016 Aprendizaje Estadístico y Data Mining (Plan 09) del 15 de enero al 30 de septiembre de 2016 (fechas según módulos) Características: material impreso, material multimedia, actividades

Más detalles

Encuesta de innovación tecnológica en la industria manufacturera. Experiencia de Panamá

Encuesta de innovación tecnológica en la industria manufacturera. Experiencia de Panamá Subred de Indicadores de Innovación PROYECTO DE REVISIÓN DEL MANUAL DE BOGOTÁ Coordinador: Gustavo Lugones glugones@ricyt.edu.ar Encuesta de innovación tecnológica en la industria manufacturera. Experiencia

Más detalles

Resumen. 1.1 Knowledge discovery in databases

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

Más detalles

UNIDAD I INTRODUCCIÓN. Funciones y aplicaciones de la estadística

UNIDAD I INTRODUCCIÓN. Funciones y aplicaciones de la estadística UNIDAD I INTRODUCCIÓN Funciones y aplicaciones de la estadística 1 INTRODUCCIÓN Hay varias razones por las que el alcance de la estadística y la necesidad de estudiar la estadística han crecido de manera

Más detalles

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

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

Más detalles

EL DATA SCIENTIST MAS QUE UNA MODA

EL DATA SCIENTIST MAS QUE UNA MODA EL DATA SCIENTIST MAS QUE UNA MODA JULIO 2015 AGENDA Origen y Evolución Qué conocimientos y skills deben tener? Cómo son los actuales Data Scientist? Dónde están ubicados en las empresas? SAS Data Scientist

Más detalles

Autor: Ing. Mario Lázaro Basulto Núñez

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

Más detalles

Aplicación de la minería de datos al Sistema Cubano de Farmacovigilancia

Aplicación de la minería de datos al Sistema Cubano de Farmacovigilancia ARTÍCULOS ORIGINALES Aplicación de la minería de datos al Sistema Cubano de Farmacovigilancia Application of data mining to the Cuban Pharmacovigilance System Omar Calzadilla Fernández de Castro I ; Giset

Más detalles

Fundación de la Industria de la Construcción

Fundación de la Industria de la Construcción Fundación de la Industria de la Construcción Ing. José Pablo García García Director General Septiembre 24, 2014 1 Fundación de la Industria de la Construcción La Fundación de la Industria de la Construcción

Más detalles