Herramienta inteligente para la toma de decisiones basada en Minería de Datos.

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

Download "Herramienta inteligente para la toma de decisiones basada en Minería de Datos."

Transcripción

1 Herramienta inteligente para la toma de decisiones basada en Minería de Datos. Alberto Ochoa-Zezzatti 1,2, Guillermo Romo 1, Francisco Bañuelos 1, Kyra Mendhizavili 3, Halina Iztebegovič 4 & Shayera Hal 5 1 Cuerpo Académico de Desarrollo e Investigación Tecnológica, UAIE; UAZ. 2.Insituto de Computacão (Programa Postdoctorale), Universidade do UNICAMP; Radamaelli, Brasil. 3 Georgian Technology University, Tbilisi; Georgia. 4 Montenegro University, Podgorica; Montenegro. 3 Izmir University (Artificial Intelligence Laboratory), Izmir; Turkey. Resumen Durante el proceso de toma de decisiones, es necesario contar con una gran cantidad de información para que las posibilidades de errores se reduzcan al mínimo. Nosotros proponemos una herramienta inteligente para la toma de decisiones, la cuál permite organizar grandes cantidades de datos y presentarlas de maneras fáciles de interpretar para los usuarios. Por otro lado, mediante la minería de datos, esta herramienta permite el descubrimiento de patrones ocultos y la predicción de tendencias, con lo cual es posible mejorar el proceso de toma de decisiones. Abstract During the making decision process it is necessary to get lots of information to reduce as much as possible the probability of errors. We propose an intelligent tool for decision making, which allows to organize large amounts of data and present it in different ways and easy to interpret for users. Through data mining, this tool allows the discovery of hidden patterns and tendency prediction so that it is possible to improve the decision making process. Palabras claves: Herramienta inteligente, toma de decisiones, minería de datos. Keywords: Intelligent tool, decision making, data mining. I. Introducción. La toma de decisiones es un proceso común en las organizaciones durante el cual, se elige entre varias alternativas para dar solución a diferentes tipos de problemas. Este proceso de toma de decisiones es muy amplio e involucra, en la mayoría de las ocasiones, varias áreas de conocimiento. Lo más importante al momento de tomar una decisión es la información relacionada al tema en cuestión. Mientras más información se tenga, es más probable tener éxito al haber tomado determinada decisión. Las organizaciones generan grandes cantidades de información, pero el problema radica en tener esta información organizada, resumida, que sea útil y fácil de interpretar. Una herramienta inteligente para la toma de decisiones permite al usuario analizar, organizar y presentar la información de manera resumida y fácil de interpretar, y así los tomadores de decisiones pueden entender mejor el contexto o situación con lo que se mejora el proceso de toma de decisiones. II. Herramienta Inteligente para la Toma de Decisiones. II.A. Minería de datos. Las técnicas de minería de datos se basan en grandes cantidades de datos relacionados y permiten descubrir información oculta y predecir tendencias. La minería de datos es un paso en el proceso de descubrimiento de conocimiento. La minería de datos involucra el uso de sofisticadas herramientas de análisis de datos, las cuales pueden incluir modelos estadísticos como las series de tiempo vistas en [3] y regresión lineal [4], algoritmos matemáticos y métodos de aprendizaje de máquinas [1]. Tanto esta técnica como otras de Inteligencia Artificial pueden ser las que más contribuyan al

2 futuro de algunos Sistemas de Soporte a las Decisiones (DSS s) [2]. La herramienta presentada en este artículo, utiliza técnicas de minería de datos para analizar la información y presentarla al usuario de manera que sea evidente conocer ciertos patrones existentes en los datos y predecir tendencias, lo cual es muy útil en el proceso de toma de decisiones. II.B. La toma de decisiones. La toma de decisiones es un proceso que se lleva a cabo cotidianamente en todo tipo de actividades por todas las personas. Particularmente en el entorno empresarial, este proceso cobra gran importancia ya que de una correcta toma de decisiones puede depender el éxito o fracaso de una compañía. Este proceso de toma de decisiones se lleva a cabo a diferentes niveles con el fin de lograr ciertos objetivos y su efecto en el tiempo también varía desde las decisiones a corto plazo hasta las de largo plazo. Consta de varios pasos y existen diferentes modelos que los explican. A continuación se muestran algunos pasos comunes en el proceso de toma de decisiones: Identificación del problema Generación de alternativas Selección de alternativa Implantación Evaluación de resultados Figura 1. El proceso de toma de decisiones. En general los sistemas de soporte para las decisiones tienen como propósito fundamental apoyar y facilitar este proceso, a través de la obtención oportuna y confiable de información relevante [5]. II.C. Técnicas estadísticas. Las técnicas estadísticas nos permiten realizar un análisis descriptivo de los datos y hacer predicciones y lograr una mejor toma de decisiones. Se aplicaron diferentes técnicas estadísticas a los datos (recopilados mediante encuestas, los cuales se usan para alimentar el sistema), como la regresión lineal, para definir una ecuación o función que nos permita estimar la estatura promedio de una segunda generación a partir del sexo del individuo y las estaturas de los abuelos paternos y maternos. III.A. Metodología. III. Desarrollo del sistema. La herramienta que proponemos se desarrolló en lenguaje JAVA mediante el IDE (Integrated Developement Envitonment) de Borland, JBuilder. Se desarrollaron diversas funciones dentro del sistema para el manejo y presentación de datos. Es posible cargar diferentes archivos para trabajar con los datos, modificarlos y presentarlos por regiones, entre otras opciones. A partir de algunos módulos reutilizables, se aplicó reingeniería de software para adecuar dichos módulos a los requerimientos solicitados, para ello se comenzó con el diseño del sistema, siendo la función base, la carga de un archivo de datos a partir de los cuales se pueden usar las demás operaciones del sistema. IV. Herramienta desarrollada. Esta Herramienta Inteligente para la Toma de Decisiones (HITODE) presenta al usuario la información de manera organizada y resumida mostrando de forma clara ciertas características de grupos de personas asociadas con patrones en los datos recopilados. Primeramente se recabaron datos mediante encuestas a un grupo de estudiantes de nivel profesional. Estos datos incluían preguntas sobre sus gustos musicales, literarios, deportes, compras por Internet y municipio de origen, entre otros. Esta base de datos se usó para probar la funcionalidad del sistema

3 HITODE integra siete módulos, los cuales se presentan en el siguiente diagrama: para poder ser usadas por el usuario. Para el uso de los módulos basados en datos de entrada, solo pueden graficarse los atributos que no son de tipo String o cadena. Por ejemplo, el atributo sexo (Figura 3) puede graficarse ya que tiene un dominio definido, en este caso sería {Masculino, Femenino}. De esta forma, con el módulo de graficación, es posible mostrar mediante un gráfico de barras la cantidad de hombres y mujeres registrados en el archivo de datos de entrada. Figura 2. Estructura de HITODE. Los módulos de carga del archivo, el de graficación de datos, el mapa por regiones, el de reportes en orden jerárquico, el módulo para la modificación de datos así como el módulo de parámetros o caras de Chernoff se basan en los datos de entrada que alimentan el sistema [6]. Los dos módulos restantes, que son el cálculo de estaturas y el modelo migratorio se desarrollaron a partir los datos de la encuesta para generar una ecuación que calcule sus respectivos valores, siendo estos módulos independientes de los nuevos datos de entrada. Primeramente, para los módulos basados en datos de entrada, es necesario cargar un archivo de datos que contenga registros con n atributos. Este archivo de texto debe tener un formato específico para poder ser leído por el sistema. Este archivo debe estar en formato CSV (Control Sobre Valor) y además debe contener tres líneas de encabezado, donde la primera línea tiene los nombres de los atributos, la segunda tiene la cantidad de opciones posibles para un atributo y la tercera línea contiene las opciones posibles para cada atributo. Figura 3. Interfaz de HITODE: Módulo de graficación. El módulo de mapa por regiones, consiste en presentar la información de ciertos atributos en un mapa dividido por regiones (Figura 4), donde el color representa el porcentaje más alto de ocurrencia de un atributo y un círculo más pequeño en cada región representa la importancia del segundo atributo de mayor ocurrencia. Por ejemplo al seleccionar el atributo cine, HITODE presentará las preferencias de género cinematográfico por región. De esta manera, permite al usuario visualizar en el mapa los dos géneros cinematográficos predominantes en cada región. Esta función resulta particularmente útil en un estudio de mercado para conocer preferencias de los consumidores, presentadas por región. El módulo de caras o parámetros de Chernoff presenta los datos por regiones mediante la técnica propuesta en [6]. Consiste en usar caras cuyas partes representan ciertos atributos de Una vez cargados los datos, los módulos basados en la carga del archivo, habilitan sus funciones, ya sea botones, áreas de texto, etc.

4 la región 3 donde su preferencia literaria es el género de ciencia ficción. Figura 4. Interfaz de HITODE mostrando los atributos por regiones. una región determinada. Así por ejemplo, si una región se caracteriza por tener un bajo índice de desempleo, tendría una boca sonriente, de lo contrario tendría una cara triste. No es posible representar todos los atributos mediante los parámetros de Chernoff, solo atributos cuyo dominio sea numérico o dicotómico, debido a que otro tipo de atributos no mostrarían información relevante al presentarse mediante estos parámetros, es decir, si existe un atributo llamado literatura por ejemplo, donde su dominio es {Poesía, Terror, Ciencia ficción, Suspenso, Historia} al tratar de ser presentado con el tamaño de los ojos de una cara de Chernoff, no sería fácil de interpretar lo que significan unos ojos grandes o unos ojos pequeños. Aunque este módulo se realizó de manera independiente, la idea original se tomó de [6]. El módulo de reportes en orden jerárquico permite hacer un filtrado de información basado en una combinación de ciertos atributos. Por ejemplo, primeramente es necesario seleccionar una región, posteriormente seleccionar un atributo como por ejemplo el tipo de literatura, entonces se despliegan las opciones de los diferentes tipos de literatura que existen en el archivo de datos de entrada y finalmente el sexo, si se desea filtrar únicamente hombres o mujeres e incluso ambos. Esta combinación de atributos nos dará como resultado por ejemplo todas las personas de sexo masculino que pertenecen a Figura 5. Interfaz de HITODE mostrando los atributos mediante caras de Chernoff. En el módulo de modificar datos, como su nombre lo indica, nos permite hacer modificaciones al archivo de datos de entrada ya sea para agregar nuevos registros o hacer correcciones a los ya existentes. Los datos se presentan en forma de tabla donde cada uno de Figura 6. Interfaz de HITODE: Módulo de modificación de datos.

5 los atributos se encuentran organizados por columnas como se muestra en la Figura 6. En el módulo del modelo migratorio, como se mencionó anteriormente, es independiente del archivo de datos de entrada del sistema, ya que hace los cálculos estimados de migración por regiones, basada en una función generada a partir de datos obtenidos mediante encuestas. El módulo del cálculo de las estaturas se basa en una función propuesta generada a partir de un análisis estadístico y muestra el promedio de estatura para dos generaciones posteriores a las de las estaturas de los abuelos tanto paternos como maternos. Es necesario además de esta información, seleccionar el sexo del individuo para la realización del cálculo. La ecuación generada es la siguiente: Estaturas = ( Sexo) +.168( Prom_Abue_Mat) +.26( Prom_Abue_Pat) (1) Donde Sexo puede tomar valores de 1 para masculino y para femenino y Prom_abue_Mat y Prom_abue_Pat son el promedio de las estaturas de los abuelos maternos y el promedio de las estaturas de los abuelos paternos respectivamente. Los intervalos de confianza y predicción se calculan a partir de (2) y (3) que se pueden encontrar en [4] (ver esta referencia para mayor información). Se presentan en el sistema seguidos de la estatura promedio y el símbolo ±. Yˆ ± 2 1 t ˆ σ T T ) α X, ( X X X n p (2) 2 ˆ X, n p 2 Y 2 T T 1 ± tα ˆ σ (1 + X ( X X ) ) (3) Aunque los módulos del modelo migratorio así como el del cálculo de estaturas funcionan de manera independiente a nuevos datos de entrada, éstos pueden ser implementados para trabajar con un archivo de datos diferente. Estos módulos se desarrollaron con el fin de presentar información útil y simplificada sobre el archivo de datos de entrada basado en la encuesta realizada con base en los gustos y preferencias de los jóvenes Zacatecanos y que contiene atributos que posiblemente no sean muy comunes en otros archivos de datos. Figura 7. Interfaz de HITODE: Cálculo de las estaturas. V. Resultados. El objetivo de la encuesta realizada fue conocer dicha información sobre la juventud Zacatecana para diseñar estrategias de negocios que pueden funcionar para este segmento de mercado en específico. Al utilizar HITODE con el archivo de datos de entrada generado a partir de esta encuesta, fue posible analizar los datos de diversas formas y así entender de manera más sencilla las relaciones existentes entre los atributos incluidos en la encuesta. V.I Trabajo Futuro. Al aplicar las técnicas estadísticas, nos encontramos con el problema de que existía una alta entropía en los datos recopilados y debido a esto, fue muy complicado aplicar algunas de estas técnicas, por lo que fue necesario hacer una limpieza de los datos para poder trabajar con ellos. Por otro lado, debido a la gran cantidad de datos perdidos el porcentaje de predicción (seguridad) que se obtuvo con técnicas como la regresión lineal simple no fue

6 muy alto al tratar de calcular las estaturas promedio de un individuo en particular a partir de las estaturas de sus abuelos, por lo que se pretende realizar otra recopilación de nuevos datos buscando mejorar la calidad de éstos y de esta manera desarrollar una función dentro de HITODE que permita hacer análisis estadísticos con otros datos. Finalmente HITODE se pretende migrar a Web, siendo implementado utilizando XML (Estándar Markup languaje), para adecuar la información de una manera comprensible y fácilmente analizable. international conference on Knowledge discovery and data mining. 2. [4] Montgomery, D. Peck, E. Vining, G. Introducción al Análisis de Regresión Lineal. CECSA 3ra ed. México D.F. pp [5] Cohen Karen, D., Asín Lares, E. Sistemas de Información para los negocios. Mc Graw Hill, México D.F. pp [6] Chernoff H. The Use of Faces to Represent Points in K- Dimensional Space Graphically, in Journal of the American Statistical Association, Vol. 68, No. 342 (Jun., 1973), pp [7] Hughes, D. Mercadotecnia: planeación estratégica. Ed. Addison-Wesley iberoameric. México, pp VI. Conclusiones. Una herramienta inteligente para la toma de decisiones nos permite comparar y corroborar información que no es tan fácil de visualizar cuando se tienen grandes cantidades de datos. El sistema que presentamos auxilia a los encargados de toma de decisiones a visualizar estos datos de manera gráfica, y dividida por regiones lo cual resulta particularmente útil al momento de hacer estudios de mercado por mencionar un ejemplo. Reconocimientos. El primer autor desea agradecer a las Dras. Hal, e Iztebegovič por su colaboración en el desarrollo del módulo del cálculo de estaturas del sistema presentado así como su colaboración para la revisión del artículo. También desea agradecer a la Dra. Mendizhavili por su ayuda para el desarrollo y la revisión de HITODE y del presente artículo. Referencias. [1] Seifert, Jeffrey W. Data Mining: An overview. Congressional Research Service - The Library of Congress. 24. [2] Aiken, M. Liu Sheng, O. Vogel, D. Integrating expert systems with group decision support systems. ACM Transactions on Information Systems (TOIS) [3] Keogh, E. Pazzani, M. Scaling up dynamic time warping for datamining applications. Conference on Knowledge Discovery in Data. Proceedings of the sixth ACM SIGKDD

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

Integrando Información de Fuentes Relevantes para un Sistema Recomendador

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

Más detalles

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

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

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

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

SÍLABO. : Electivo : Ingeniería de Sistemas : IS0806. : VIII Ciclo : 2 de Teoría y 2 de Práctica : 03 : Ninguno

SÍLABO. : Electivo : Ingeniería de Sistemas : IS0806. : VIII Ciclo : 2 de Teoría y 2 de Práctica : 03 : Ninguno SÍLABO I. DATOS GENERALES 1.1. Nombre de la Asignatura 1.2. Carácter 1.3. Carrera Profesional 1.4. Código 1.5. Semestre Académico : 2014-I 1.6. Ciclo Académico 1.7. Horas de Clase 1.8. Créditos 1.9. Pre

Más detalles

XML: una herramienta de apoyo para la creación de cuestionarios en cursos virtuales

XML: una herramienta de apoyo para la creación de cuestionarios en cursos virtuales Experiencias de bachillerato a distancia XML: una herramienta de apoyo para la creación de cuestionarios en cursos virtuales Autor Héctor Hugo Luna Miranda XML: a support tool for creating quizzes online

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

Otto Cordero Sánchez 1, Enrique Peláez Jarrín 2

Otto Cordero Sánchez 1, Enrique Peláez Jarrín 2 UN MARCO DE TRABAJO PARA EL DESARROLLO DE APLICACIONES WEB CON COMPORTAMIENTO AUTONOMO INTELIGENTE Otto Cordero Sánchez 1, Enrique Peláez Jarrín 2 Resumen Este trabajo presenta un mecanismo para construir

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

Encuesta Permanente de Hogares

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

Más detalles

CAPÍTULO 3: METODOLOGÍA DE LA INVESTIGACIÓN

CAPÍTULO 3: METODOLOGÍA DE LA INVESTIGACIÓN CAPÍTULO 3: METODOLOGÍA DE LA INVESTIGACIÓN En este capítulo se explican los procedimientos e instrumentos que se utilizaron para obtener la información necesaria en la investigación. De acuerdo a Naresh

Más detalles

Arquitectura de Aplicaciones

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

Más detalles

MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE

MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE Thomas A. Little Ph. D Traducción Autorizada por el Autor. Traductor: MANUEL H RAMIREZ Alta Via Consulting-América Latina La Modelación y Análisis de

Más detalles

Estudio Técnico. Elemento indispensable en. la evaluación de proyectos de inversión. Mtra. Ma. Elvira López Parra, Mtra. Nora González Navarro

Estudio Técnico. Elemento indispensable en. la evaluación de proyectos de inversión. Mtra. Ma. Elvira López Parra, Mtra. Nora González Navarro Estudio Técnico. Elemento indispensable en la evaluación de proyectos de inversión Mtra. Ma. Elvira López Parra, Mtra. Nora González Navarro C.P. Susana Osobampo, Mtro. Adolfo Cano, Mtra. Rosario Gálvez

Más detalles

Pág. 7 de 11. SPSS Inc. desarrolla un módulo básico del paquete estadístico SPSS, del que han aparecido las siguientes versiones:

Pág. 7 de 11. SPSS Inc. desarrolla un módulo básico del paquete estadístico SPSS, del que han aparecido las siguientes versiones: Pág. 7 de 11 SPSS Historia Fue creado en 1968 por Norman H. Nie, C. Hadlai (Tex) Hull y Dale H. Bent. Entre 1969 y 1975 la Universidad de Chicago por medio de su National Opinion Research Center estuvo

Más detalles

Aspel-COI 6.0 Nuevas Funciones y Características

Aspel-COI 6.0 Nuevas Funciones y Características Aspel-COI 6.0 Nuevas Funciones y Características 1. Introducción Aspel-COI 6.0 es un sistema que permite procesar, integrar y mantener actualizada la información contable y fiscal de la empresa en forma

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

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

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

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

Más detalles

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

Pontificia Universidad Javeriana. TBA (Tool guide for BPM Agility) Visión y Especificación de Requerimientos. Version 1.0

Pontificia Universidad Javeriana. TBA (Tool guide for BPM Agility) Visión y Especificación de Requerimientos. Version 1.0 Pontificia Universidad Javeriana TBA (Tool guide for BPM Agility) Visión y Especificación de Requerimientos Version 1.0 Historial de Revisión del Documento Date Version Description Author 27/Ene/12 1.0

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

Comparación entre los contenidos del currículo chileno y español en el área de estadística y probabilidad

Comparación entre los contenidos del currículo chileno y español en el área de estadística y probabilidad Comparación entre los contenidos del currículo chileno y español en el área de estadística y probabilidad Morales Merino, Rodolfo, Ruiz Reyes, Karen Universidad de Granada Resumen En este trabajo presentamos

Más detalles

Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico

Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico ARTÍCULOS Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico Marisol Carrera Díaz Alumna de la Universidad Virtual del Tecnológico de Monterrey marisol.carrera@itesm.mx Resumen En

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

CREACION DE UN TUTORIAL PARA RESOLVER PROBLEMAS DE FISICA

CREACION DE UN TUTORIAL PARA RESOLVER PROBLEMAS DE FISICA CREACION DE UN TUTORIAL PARA RESOLVER PROBLEMAS DE FISICA Bárcenas L. Josefina, Barojas W.Jorge Centro de Instrumentos, UNAM Laboratorio de Cognición, Cibernética y Aprendizaje de las Ciencias Circuito

Más detalles

IIC 3633 - Sistemas Recomendadores

IIC 3633 - Sistemas Recomendadores Ranking & UB-CF IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 19 TOC En esta clase 1. Definición y un poco de Historia 2. Ranking No Personalizado 3. User-Based

Más detalles

DESARROLLO DE SOFTWARE ORIENTADO. A OBJETOS: Modelo de requerimientos del RUP

DESARROLLO DE SOFTWARE ORIENTADO. A OBJETOS: Modelo de requerimientos del RUP DESARROLLO DE SOFTWARE ORIENTADO A OBJETOS: Modelo de requerimientos del RUP Adesmiro Zelada Escobedo 1*, Miguel Figueroa Martel 2 * 1 Facultad de Ingeniería y Arquitectura, Universidad Peruana Unión *

Más detalles

ASIGNATURA: Tecnologías de Información y Comunicación II

ASIGNATURA: Tecnologías de Información y Comunicación II ASIGNATURA: Tecnologías de Información y Comunicación II 53 HORAS DESCRIPCIÓN DE LA ASIGNATURA: Esta asignatura proporciona al alumno las competencias y herramientas teóricas necesarias para la aplicación

Más detalles

MANEJO DEL SOFTWARE TRANSCAD ESPECIALIZADO EN TRANSPORTE, LOGÍSTICA Y OPERACIONES.

MANEJO DEL SOFTWARE TRANSCAD ESPECIALIZADO EN TRANSPORTE, LOGÍSTICA Y OPERACIONES. MANEJO DEL SOFTWARE TRANSCAD ESPECIALIZADO EN TRANSPORTE, LOGÍSTICA Y OPERACIONES. Análisis de recorridos de los vehículos de los Transporte Público Becarios: Rolón Rocío. Tutor: Ing. Rivera Julián. Área

Más detalles

Capitulo 3. Desarrollo del Software

Capitulo 3. Desarrollo del Software Capitulo 3 Desarrollo del Software 3.1 Análisis del sistema 3.1.1 Organización de la autopista virtual Para el presente proyecto se requiere de simular una autopista para que sirva de prueba. Dicha autopista

Más detalles

MANUAL DE NAVEGACIÓN DEL SIIA-WEB versión 1.0. http://148.216.31.29:8080/siia/ PRONAD

MANUAL DE NAVEGACIÓN DEL SIIA-WEB versión 1.0. http://148.216.31.29:8080/siia/ PRONAD MANUAL DE NAVEGACIÓN DEL SIIA-WEB versión 1.0 http://148.216.31.29:8080/siia/ PRONAD II C o n t e n i d o 1 Tabla de contenido C o n t e n i d o... I 1. Bienvenido...III 2. Antes de Comenzar...III 3. Iniciando

Más detalles

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Fundamentos de Ingeniería de Software. Ingeniería en Sistemas Computacionales.

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Fundamentos de Ingeniería de Software. Ingeniería en Sistemas Computacionales. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: (Créditos) SATCA 1 Fundamentos de Ingeniería de Software Ingeniería en Sistemas Computacionales SCC-1007 2-2-4 2.- PRESENTACIÓN

Más detalles

Entidad Formadora: Plan Local De Formación Convocatoria 2010

Entidad Formadora: Plan Local De Formación Convocatoria 2010 Entidad Formadora: Enterprise Architect Comenzando Puede iniciar Enterprise Architect desde el ícono que se creó en su escritorio de Windows durante la instalación, o alternativamente: 1. Abrir el menú

Más detalles

Nombre de la asignatura: Proceso Personal para el Desarrollo de - --------------------------------------------------Software

Nombre de la asignatura: Proceso Personal para el Desarrollo de - --------------------------------------------------Software 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Proceso Personal para el Desarrollo de - --------------------------------------------------Software Carrera: Clave de la asignatura: Ingeniería en Sistemas

Más detalles

Sistema Inteligente de Exploración

Sistema Inteligente de Exploración Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración

Más detalles

Encuestas de Satisfacción

Encuestas de Satisfacción Encuestas de Satisfacción Justificación A fin de cumplir con los objetivos del Régimen Estatal de Protección Social en Salud del Estado de Zacatecas, es necesario conocer el grado de satisfacción de los

Más detalles

Carrera: ISH-1203 1-3 - 4

Carrera: ISH-1203 1-3 - 4 1.DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas practica-créditos: Proceso Personal para el Desarrollo de Software. Ingeniería en Sistemas Computacionales

Más detalles

Capítulo I. Marco Teórico

Capítulo I. Marco Teórico 1 Capítulo I. Marco Teórico 1. Justificación Hoy en día existe una gran diversidad de aplicaciones que corren sobre la World Wide Web (WWW o Web), y cada una orientada a un fin en particular, el cuál depende

Más detalles

BPMN vs UML. Los Requerimientos y el Modelo del Negocio. Autor: Norberto Figuerola

BPMN vs UML. Los Requerimientos y el Modelo del Negocio. Autor: Norberto Figuerola BPMN vs UML Autor: Norberto Figuerola Los Requerimientos y el Modelo del Negocio Normalmente, siempre que iniciamos un esfuerzo de desarrollo de software éste tiene como objetivo automatizar procesos del

Más detalles

Academia de la carrera de Licenciatura Informática del Instituto Tecnológico Aguascalientes

Academia de la carrera de Licenciatura Informática del Instituto Tecnológico Aguascalientes 1. DATOS DE LA ASIGNATURA Nombre de la Asignatura: Sistemas de Soporte a la Decisión Carrera: Licenciatura en Informática Clave de la asignatura: IFS-0406 Horas teoría - horas práctica - créditos: 4-2-10

Más detalles

Tema 1 Introducción a la Ingeniería de Software

Tema 1 Introducción a la Ingeniería de Software Tema 1 Introducción a la Ingeniería de Software Curso Ingeniería de Software UMCA Profesor Luis Gmo. Zúñiga Mendoza 1. Software En la actualidad todo país depende de complejos sistemas informáticos. Podemos

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

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software

Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software Segmentación Recursiva de Proyectos Software para la Estimación del Esfuerzo de Desarrollo Software J. Cuadrado Gallego 1, Miguel Ángel Sicilia 1, Miguel Garre Rubio 1 1 Dpto de Ciencias de la Computación,

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

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

CAROLINA GONZÁLEZ RESTREPO PREGRADO: INGENIERÍA MATEMÁTICA SEBASTIÁN RINCÓN MONTOYA PREGRADO: INGENIERÍA MATEMÁTICA

CAROLINA GONZÁLEZ RESTREPO PREGRADO: INGENIERÍA MATEMÁTICA SEBASTIÁN RINCÓN MONTOYA PREGRADO: INGENIERÍA MATEMÁTICA EVALUACIÓN Y DESARROLLO DE ESTRATEGIAS DE EXTRACCIÓN DE CARACTERÍSTICAS FACIALES EN IMÁGENES RUIDOSAS PARA LA DETECCIÓN DE EMOCIONES POR MEDIO DE SOFTWARE CAROLINA GONZÁLEZ RESTREPO PREGRADO: INGENIERÍA

Más detalles

RESUMEN 1. INTRODUCCIÓN

RESUMEN 1. INTRODUCCIÓN Análisis de dominio orientado a las características (FODA) para el desarrollo de una metodología para la evaluación personal en la especificación de requerimientos de software Manuel A. Murillo Madera,

Más detalles

Sistemas de Información 2º Semestre 2014 Dr. Eric Jeltsch F. Programa de la asignatura Sistema de Información TEL: 4-0-2

Sistemas de Información 2º Semestre 2014 Dr. Eric Jeltsch F. Programa de la asignatura Sistema de Información TEL: 4-0-2 Programa de la asignatura Sistema de Información TEL: 4-0-2 Requisitos Informales: Se espera que el alumno conozca un lenguaje de programación, así como la rigurosidad en la implementación de algunos algoritmos

Más detalles

Novedades en Crystal Reports 10

Novedades en Crystal Reports 10 Novedades en Crystal Reports 10 Basado en la estabilidad probada de la versión 9, Crystal Reports ofrece nuevas funciones y mejoras. Este capítulo presenta dichas funciones y mejoras proporcionando un

Más detalles

Software para análisis de datos VERSION OCHO ASPECTOS DESTACADOS. Mejora tus auditorías. Tienes el conocimiento. Nosotros las herramientas.

Software para análisis de datos VERSION OCHO ASPECTOS DESTACADOS. Mejora tus auditorías. Tienes el conocimiento. Nosotros las herramientas. Software para análisis de datos VERSION OCHO ASPECTOS DESTACADOS Mejora tus auditorías. Tienes el conocimiento. Nosotros las herramientas. Acerca de IDEA Mejora el rendimiento de tus auditorías y aumenta

Más detalles

MARCO METODOLÓGICO CAPITULO III

MARCO METODOLÓGICO CAPITULO III MARCO METODOLÓGICO CAPITULO III CAPITULO III MARCO METODOLÓGICO En esta sección se presenta el tipo de investigación, las técnicas de recolección de datos y finalmente la metodología utilizada para el

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

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

CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED

CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED CAPITULO V. IMPLEMENTACIÓN DE UNA HERRAMIENTA INTEGRADA DE RED En el presente capitulo se presenta una aplicación que aborda una herramienta de monitoreo de redes para soportar estudios de disponibilidad.

Más detalles

David Jordi Vallet Weadon.

David Jordi Vallet Weadon. <david.vallet@uam.es> David Jordi Vallet Weadon 1 Introducción Durante las últimas décadas, la personalización ha sido aplicada en diferentes campos de la informática, tanto en la rama científica como

Más detalles

Curso de Spring Framework

Curso de Spring Framework Todos los Derechos Reservados Global Mentoring 2012 Experiencia y Conocimiento para tu Vida 1 Spring es un proyecto de código abierto (open source), originalmente creado por Rod Johnson y descrito en su

Más detalles

Estudios de Imagen y Posicionamiento Por Gregorio de Villa, Director General Grupo GDV

Estudios de Imagen y Posicionamiento Por Gregorio de Villa, Director General Grupo GDV Estudios de Imagen y Posicionamiento Por Gregorio de Villa, Director General Grupo GDV Los estudios de imagen y posicionamiento proveen a la gerencia de mercadotecnia de valiosa información para la toma

Más detalles

http://www.cem.itesm.mx/extension/ms

http://www.cem.itesm.mx/extension/ms Diplomado Programación orientada a objetos con Java y UML Las empresas necesitan contar con sistemas de información modernos, ágiles y de calidad para alcanzar sus objetivos y ser cada vez más competitivos

Más detalles

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos

Mejores prácticas para el éxito de un sistema de información. Uno de los problemas de información dentro de las empresas es contar con datos ANEXO VI. Mejores prácticas para el éxito de un sistema de información Uno de los problemas de información dentro de las empresas es contar con datos importantes del negocio y que éstos estén aislados

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

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

Environmental Business Intelligence NEA

Environmental Business Intelligence NEA 1-1 Environmental Business Intelligence NEA 2-3 NanoEnvi Analyst (NEA) La herramienta NanoEnvi Analyst desarrollada por Ingenieros Asesores S.A. es una potente aplicación de cálculo que permite representar

Más detalles

Charlas UTN: La importancia del ERP en la organización empresarial

Charlas UTN: La importancia del ERP en la organización empresarial Charlas UTN: La importancia del ERP en la organización empresarial Darío Bonamino Analista de Sistemas Gte. Tecnología TRON Software Dario_bonamino@tron.com.ar AGENDA DE LAS REUNIONES PRIMERA PARTE Qué

Más detalles

CONTENIDO. Business Objects

CONTENIDO. Business Objects CONTENIDO CAPÍTULO I. INTRODUCCIÓN 3 CAPÍTULO II: INTRODUCCIÓN A LA PLATAFORMA 4 INGRESO A LA PLATAFORMA 4 INTERFAZ DEL USUARIO 5 CAPÍTULO III: REPORTES 7 VISUALIZACIÓN Y CONSULTAS DE UN REPORTE 7 GUARDAR

Más detalles

Microeconomía. Contador Público CPC-1034 2-2-4

Microeconomía. Contador Público CPC-1034 2-2-4 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: (Créditos) SATCA 1 Microeconomía Contador Público CPC-1034 2-2-4 2.- PRESENTACIÓN Caracterización de la asignatura.

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

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

Más detalles

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

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

Más detalles

Análisis de dominancia usando ruby-statsample. Introducción. Instalación de Ruby y gemas. Windows

Análisis de dominancia usando ruby-statsample. Introducción. Instalación de Ruby y gemas. Windows Análisis de dominancia usando ruby-statsample Introducción El análisis de dominancia(azen y Bodescu, 2003), es un método para determinar la importancia relativa de uno o más predictores en comparación

Más detalles

Estudio de mercados. M.I.A. Gabriel Ruiz Contreras gabriel2306@prodigy.net.mx

Estudio de mercados. M.I.A. Gabriel Ruiz Contreras gabriel2306@prodigy.net.mx Estudio de mercados M.I.A. Gabriel Ruiz Contreras gabriel2306@prodigy.net.mx COMPETENCIA ESPECIFICA Identificar y analizar los tipos de investigación aplicables en el estudio de mercado: cuantitativa,

Más detalles

Índice. Acerca de PenReader... 2. Cómo empezar... 2. Ajustes de PenReader... 4. Estándar... 4. Perfiles... 5. Reconocimiento... 6. Registrar...

Índice. Acerca de PenReader... 2. Cómo empezar... 2. Ajustes de PenReader... 4. Estándar... 4. Perfiles... 5. Reconocimiento... 6. Registrar... Índice Acerca de PenReader... 2 Cómo empezar... 2 Ajustes de PenReader... 4 Estándar... 4 Perfiles... 5 Reconocimiento... 6 Registrar... 7 Acerca del programa... 7 Ajustes avanzados de reconocimiento...

Más detalles

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

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación. Tema: ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación Tema: SISTEMA DE PRESUPUESTO DE MATERIALES Y MANO DE OBRA ELECTRICA SIPREME Freddy Roddy Briones Ruiz 1, Glenda

Más detalles

APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES

APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES APLICATIVO WEB PARA LA ADMINISTRACIÓN DE LABORATORIOS Y SEGUIMIENTO DOCENTE EN UNISARC JUAN DAVID LÓPEZ MORALES CORPORACIÓN UNIVERSITARIA SANTA ROSA DE CABAL CIENCIAS Y TECNOLOGÍAS DE INFORMACIÓN Y COMUNICACIÓN

Más detalles

JAVA EE 5. Arquitectura, conceptos y ejemplos.

JAVA EE 5. Arquitectura, conceptos y ejemplos. JAVA EE 5. Arquitectura, conceptos y ejemplos. INTRODUCCIÓN. MODELO DE LA APLICACIÓN JEE5. El modelo de aplicación Java EE define una arquitectura para implementar servicios como lo hacen las aplicaciones

Más detalles

Maximiza los ingresos no aeronáuticos del Aeropuerto

Maximiza los ingresos no aeronáuticos del Aeropuerto Maximiza los ingresos no aeronáuticos del Aeropuerto Recopilación de datos de ventas de los concesionarios Inteligencia de negocio y análisis de comportamiento FACTURA Gestión de arrendamientos Automatización

Más detalles

Transformación de modelos en el proceso de obtención de Modelos Conceptuales partiendo de BPMN

Transformación de modelos en el proceso de obtención de Modelos Conceptuales partiendo de BPMN Transformación de modelos en el proceso de obtención de Modelos Conceptuales partiendo de BPMN Fernández Taurant, Juan Pablo Marciszack, Marcelo Martín Universidad Tecnológica Nacional, Facultad Regional

Más detalles

Objetivos Generales. Objetivos específicos. Que el estudiante:

Objetivos Generales. Objetivos específicos. Que el estudiante: ASIGNATURA: MÉTODOS NUMPERICOS I (ANÁLISIS Y PROCESAMIENTO DE LOS DATOS EXPERIMENTALES CON INTRODUCCIÓN A LA COMPUTACIÓN) Objetivos Generales Comprender y manejar los conceptos relacionados con el manejo,

Más detalles

Arturo Cepeda Pérez. Software Engineering Tutor

Arturo Cepeda Pérez. Software Engineering Tutor Software Engineering Tutor M A N U A L D E U S U A R I O Tabla de contenidos 1. Software Engineering Tutor... 1 2. Entorno... 2 2.1. Vista Modelo... 3 2.2. Vista Diagrama... 4 2.3. Vista Propiedades...

Más detalles

Habilidades y Herramientas para trabajar con datos

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

Más detalles

Automatizador de Procesos

Automatizador de Procesos Automatizador de Procesos Más que un workflow, esta aplicación es un BPM (Business Process Management), una completa plataforma de automatización de procesos, diseñada para apoyar la transformación empresarial;

Más detalles

PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES

PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla

Más detalles

DISEÑO DE UN CURSO INTERACTIVO Y ADAPTATIVO DE PROCESADORES DE LENGUAJES

DISEÑO DE UN CURSO INTERACTIVO Y ADAPTATIVO DE PROCESADORES DE LENGUAJES Alfonseca, M., Carro, R.M., Pulido, E. and Rodríguez, P. (2000): Diseño de un curso interactivo y adaptativo de procesadores de lenguajes. Proceedings of JENUI 2000: VI Jornadas sobre la Enseñanza Universitaria

Más detalles

Sistema de Control Domótico

Sistema de Control Domótico UNIVERSIDAD PONTIFICIA COMILLAS ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI) INGENIERO EN ELECTRÓNICA Y AUTOMATICA PROYECTO FIN DE CARRERA Sistema de Control Domótico a través del bus USB Directores:

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

Bases de datos para toma de decisiones

Bases de datos para toma de decisiones 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Bases de datos para toma de decisiones Lic. en Informática 3-2-8 2.- HISTORIA DEL

Más detalles

Dirección General de Educación Superior Tecnológica

Dirección General de Educación Superior Tecnológica Dirección General de Educación Superior Tecnológica 1. Datos Generales de la asignatura Nombre de la asignatura: Clave de la asignatura: Créditos (Ht-Hp_ créditos): Carrera: Proceso Personal para el Desarrollo

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

INTELIGENCIA DE NEGOCIO 2015-2016

INTELIGENCIA DE NEGOCIO 2015-2016 INTELIGENCIA DE NEGOCIO 2015-2016 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos. Ciencia de Datos Tema 4. Modelos de Predicción: Clasificación,

Más detalles

Red de Revistas Científicas de América Látina y el Caribe, España y Portugal. Universidad Autónoma del Estado de México

Red de Revistas Científicas de América Látina y el Caribe, España y Portugal. Universidad Autónoma del Estado de México PUZZLE: Revista Hispana de la Inteligencia Competitiva EMECOM Consultores, S.L direccion@revista-puzzle.com ISSN (Versión impresa): ISSN (Versión en línea): 1696-8573 ESPAÑA 2005 Alessandro Comai FACTORES

Más detalles

Capítulo 4 Análisis y Resultados

Capítulo 4 Análisis y Resultados 58 Capítulo 4 Análisis y Resultados Al terminar la aplicación desarrollada con Django se han cumplido los objetivos planteados al principio de la propuesta. Los objetivos fueron planteados para cumplir

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

Herramienta Software y Método para Modelar Aplicaciones Web Independientes de Dispositivo

Herramienta Software y Método para Modelar Aplicaciones Web Independientes de Dispositivo Oferta Tecnológica: Herramienta Software y Método para Modelar Aplicaciones Web Independientes de Dispositivo Referencia: TO-OOH_METHOD IRC-CENEMES Innovation Relay Centre INNOVATION and SME Program EU

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

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

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

Más detalles

INTELIGENCIA DE NEGOCIO 2014-2015

INTELIGENCIA DE NEGOCIO 2014-2015 INTELIGENCIA DE NEGOCIO 2014-2015 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos. Ciencia de Datos Tema 4. Modelos de Predicción: Clasificación,

Más detalles

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

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

Más detalles

Análisis de Datos. Práctica de métodos predicción de en WEKA

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

Más detalles

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