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

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

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

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

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

Metodologías híbridas para desarrollo de software: una opción factible para México Eréndira Miriam Jiménez Hernández y Sandra Dinora Orantes Jiménez

Metodologías híbridas para desarrollo de software: una opción factible para México Eréndira Miriam Jiménez Hernández y Sandra Dinora Orantes Jiménez Revista Digital Universitaria 1 de enero 2012 Volumen 13 Número 1 ISSN: 1067-6079 Metodologías híbridas para desarrollo de software: una opción factible para México Eréndira Miriam Jiménez Hernández y

Más detalles

2. ASPECTOS METODOLOGICOS.

2. ASPECTOS METODOLOGICOS. DETERMINANTES DEL CONSUMO TURISTICO DE LA CIUDAD DE CARTAGENA DE INDIAS PATRIMONIO HISTORICO DE LA HUMANIDAD COMO ELEMENTO INICIAL EN ESTRATEGIAS DE CITYMARKETING. ABSTRACT. This paper reflects the results

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

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

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

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

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

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

Más detalles

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

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

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

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

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

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

Desarrollo de una Aplicación Móvil para Revisar

Desarrollo de una Aplicación Móvil para Revisar Desarrollo de una Aplicación Móvil para Revisar Horarios de Atención de Tutores de la UNAD Development of a Movil Application for Check Over Office Hours of Tutors of the Unad Correa Rodríguez Arellys

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

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

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM

DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM DESARROLLO E IMPLANTANCIÓN DE UN SISTEMA ACADEMICO PARA EL ICM Sergio Bauz Olvera 1, Washington Jama 2 1 Ingeniero en Estadística e Informática 2003 2 Director de Tesis de Grado, Ing. Washington Jama.

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

3. Evaluación de alternativas tecnológicas.

3. Evaluación de alternativas tecnológicas. Desarrollo e Implementación de un DSS para Mejorar la Eficiencia del Proceso de Planeación de la Oferta Académica (Aplicación para una Universidad privada) Ruiz Galván Alejandro y Chávez Velázquez Raúl

Más detalles

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC REVISTA IIPSI FACULTAD DE PSICOLOGÍA UNMSM ISSN IMPRESA: 1560-909X ISSN ELECTRÓNICA: 1609-7445 VOL. 16 - N.º 2-2013 PP. 235-240 TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC EFFECT SIZE:

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

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

Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado

Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado Ingeniería de Software con UML Unified Modeling Language Lenguaje Unificado de Modelado 1. Introducción Unified Modeling Languaje Fuente: Booch- Jacobson-Rumbauch y diversos sitios Internet, entre otros:

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

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

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

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

Carlo Yovani Aguilar Avendaño (1). Instituto Tecnológico de Tuxtla Gutiérrez. cyovani.aguilar@gmail.com.

Carlo Yovani Aguilar Avendaño (1). Instituto Tecnológico de Tuxtla Gutiérrez. cyovani.aguilar@gmail.com. Aplicación móvil para el recorrido asistido en instalaciones basado en planos arquitectónicos, caso de estudio en el Instituto Tecnológico de Tuxtla Gutiérrez, Chiapas, México (UbicaTec). Mobile application

Más detalles

El dominio de herramientas de tecnologías de información para los alumnos de nuevo ingreso

El dominio de herramientas de tecnologías de información para los alumnos de nuevo ingreso NÚMERO 39, SEPTIEMBRE-DICIEMBRE 2007 45 El dominio de herramientas de tecnologías de información para los alumnos de nuevo ingreso DE LA UNIVERSIDAD AUTÓNOMA DE AGUASCALIENTES M.C. Francisco Javier Pinales

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

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

Cuba. Pérez González, Luis Orlando Microsoft Excel: una herramienta para la investigación. MediSur, vol. 4, núm. 3, 2006, pp. 68-71.

Cuba. Pérez González, Luis Orlando Microsoft Excel: una herramienta para la investigación. MediSur, vol. 4, núm. 3, 2006, pp. 68-71. MediSur E-ISSN: 1727-897X mikhail@infomed.sld.cu Universidad de Ciencias Médicas de Cienfuegos Cuba Pérez González, Luis Orlando Microsoft Excel: una herramienta para la investigación. MediSur, vol. 4,

Más detalles

STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico. Mejoras de la versión 17.1

STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico. Mejoras de la versión 17.1 STATGRAPHICS Centurion XVII Software de análisis de datos estadístico y gráfico STATGRAPHICS ofrece más de 230 procedimientos de Análisis Exploratorio de Datos, Estadística Descriptiva e Inferencial, Modelos

Más detalles

Líneas de I+D+I del Laboratorio de Investigación y Desarrollo en Ingeniería de Explotación de Información (LIDIEI GISI UNLa)

Líneas de I+D+I del Laboratorio de Investigación y Desarrollo en Ingeniería de Explotación de Información (LIDIEI GISI UNLa) Líneas de I+D+I del Laboratorio de Investigación y Desarrollo en Ingeniería de Explotación de Información (LIDIEI GISI UNLa) R. García-Martínez, D. Rodríguez, E. Baldizzoni, S. Martins Grupo Investigación

Más detalles

Instrumento para Medir la Satisfacción de un Curso de Formación Directiva en Modalidad B-Learning

Instrumento para Medir la Satisfacción de un Curso de Formación Directiva en Modalidad B-Learning Revista EDUCATECONCIENCIA. Volumen 7, No. 8. ISSN: 2007-6347 Julio- Septiembre 2015 Tepic, Nayarit. México Pp. 126-134 Instrumento para Medir la Satisfacción de un Curso de Formación Directiva en Modalidad

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

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

Programación orientada a

Programación orientada a Programación orientada a objetos con Java Pedro Corcuera Dpto. Matemática Aplicada y Ciencias de la Computación Universidad de Cantabria corcuerp@unican.es Objetivos Presentar los conceptos de la programación

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

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

Avance tecnológico en el Bachillerato a Distancia de la unam (b@unam) en línea. Abstract

Avance tecnológico en el Bachillerato a Distancia de la unam (b@unam) en línea. Abstract Experiencias de bachillerato a distancia Avance tecnológico en el Bachillerato a Distancia de la unam (b@unam) en línea Autor: Lilia Donaji Naranjo Sánchez Technological Advancement in Bachillerato a Distancia

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

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

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

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

Universidad de Castilla-La Mancha Departamento de Informática El Diseño de Software para la Gestión del Conocimiento

Universidad de Castilla-La Mancha Departamento de Informática El Diseño de Software para la Gestión del Conocimiento CURSOS DE VERANO 2002 www.uclm.es/curve2002 (Vicerrectorado de Extensión Universitaria y del Campus de Cuenca) Universidad de Castilla-La Mancha GROKIS www.inf-cr.uclm.es/www/grokis (Group for Research

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

6º Congreso Argentino de AgroInformática, CAI 2014. Plataforma web para la gestión Agro-ganadera

6º Congreso Argentino de AgroInformática, CAI 2014. Plataforma web para la gestión Agro-ganadera Plataforma web para la gestión Agro-ganadera David L. la Red Martínez Universidad Nacional del Nordeste 9 de julio 1449, (3400) Corrientes, Argentina Lisandro Yaccuzzi Universidad Nacional del Nordeste

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

Operating MATLAB by Internet

Operating MATLAB by Internet Operating MATLAB by Internet Bonifacio Castaño, Juan Llovet, Javier Sánchez University of Alcalá de Henares, Departament of mathematics. Abstract. In this work we demonstrate an interactive web-page, that

Más detalles

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Características Cree estrategias más efectivas evaluando tendencias y resultados Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas

Más detalles

Identificación de requerimientos

Identificación de requerimientos Licenciatura en Informática Administración de requerimientos Identificación de requerimientos Licenciatura en Informática Sirva este material como apoyo a los apuntes de la asignatura Administración de

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Impartido por: Juan Alfonso Lara Torralbo 1. Datos del docente NOMBRE Juan Alfonso Lara Torralbo FORMACIÓN

Más detalles

Inteligencia de Negocios (Business Intelligence)

Inteligencia de Negocios (Business Intelligence) ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS Programa de Pregrado Modalidad de Experiencia Laboral Artículo El uso de la Minería de Datos en la Inteligencia de Negocios (Business Intelligence)

Más detalles

SIMULACIÓN: HERRAMIENTA PARA GESTIONAR CADENAS DE SUMINISTROS. SIMULATION: TOOL TO MANAGE SUPPLY CHAINS.

SIMULACIÓN: HERRAMIENTA PARA GESTIONAR CADENAS DE SUMINISTROS. SIMULATION: TOOL TO MANAGE SUPPLY CHAINS. SIMULACIÓN: HERRAMIENTA PARA GESTIONAR CADENAS DE SUMINISTROS. Villanueva, A.; Ramos, P. ; Jiménez, M. Departamento de Investigación de Operaciones. Escuela de Ingeniería Industrial. Facultad de Ingeniería.

Más detalles

Adaptación y Configuración de Procesos de Software Tailoring and Configuration of Software Processes

Adaptación y Configuración de Procesos de Software Tailoring and Configuration of Software Processes Adaptación y Configuración de Procesos de Software Tailoring and Configuration of Software Processes Rodolfo Villarroel Acevedo 1* 1 Pontificia Universidad Católica de Valparaíso. Avenida Brasil 2241,

Más detalles

Aplicación de Patrones de Software en el Dominio de los Simuladores de Procesos Dinámicos

Aplicación de Patrones de Software en el Dominio de los Simuladores de Procesos Dinámicos Aplicación de Patrones de Software en el Dominio de los Simuladores de Procesos Dinámicos Edith Cuéllar-Vázquez 1, Gustavo Rodríguez-Gómez 1 y Jaime Muñoz-Arteaga 2. 1 Ciencias Computacionales del Instituto

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

ESCUELA COLOMBIANA DE INGENIERÍA

ESCUELA COLOMBIANA DE INGENIERÍA ESCUELA COLOMBIANA DE INGENIERÍA ASIGNATURA: ESTADÍSTICA DEPARTAMENTO: MATEMÁTICAS PLANES DE ESTUDIO: CÓDIGO: Mnemónico ESTI Numérico 1. OBJETIVOS GENERALES Desarrollar habilidades para organizar, representar

Más detalles

Etapas del desarrollo

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

Más detalles

MONITORIZACIÓN WIRELESS DE INSTALACIÓN FOTOVOLTAICA DE 56 KW P EN EL PARQUE TECNOLÓGICO DE ANDALUCÍA BASADA EN LA TECNOLOGÍA OPC

MONITORIZACIÓN WIRELESS DE INSTALACIÓN FOTOVOLTAICA DE 56 KW P EN EL PARQUE TECNOLÓGICO DE ANDALUCÍA BASADA EN LA TECNOLOGÍA OPC MONITORIZACIÓN WIRELESS DE INSTALACIÓN FOTOVOLTAICA DE 56 KW P EN EL PARQUE TECNOLÓGICO DE ANDALUCÍA BASADA EN LA TECNOLOGÍA OPC * Sidrach-de-Cardona M., * Carretero J., * Pereña A., ** Mora-López L, **

Más detalles

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

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

Más detalles

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

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Statistics 19 IBM SPSS Decision Trees Identifique grupos y pronostique resultados con facilidad Funciones destacadas Con IBM SPSS Decision Trees podrá: Crear árboles de clasificación

Más detalles

Enl@ce: Revista Venezolana de Información, Tecnología y Conocimiento ISSN: 1690-7515 revistaenlace@gmail.com Universidad del Zulia Venezuela

Enl@ce: Revista Venezolana de Información, Tecnología y Conocimiento ISSN: 1690-7515 revistaenlace@gmail.com Universidad del Zulia Venezuela Enl@ce: Revista Venezolana de Información, Tecnología y Conocimiento ISSN: 1690-7515 revistaenlace@gmail.com Universidad del Zulia Venezuela Araujo, Rubén; Clemenza, Caterina Sistemas de información de

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

RESÚMENES LINGÜÍSTICOS PARA DATOS HISTÓRICOS

RESÚMENES LINGÜÍSTICOS PARA DATOS HISTÓRICOS RESÚMENES LINGÜÍSTICOS PARA DATOS HISTÓRICOS Felipe Acevedo, Cecilia Reyes, José Luis Martí Departamento de Informática, Universidad Técnica Federico Santa María, Av. Vicuña Mackenna 3939, San Joaquín

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

ENNEG683/01 ESTRATEGIA DE BUSINESS INTELLIGENCE

ENNEG683/01 ESTRATEGIA DE BUSINESS INTELLIGENCE ENNEG683/01 ESTRATEGIA DE BUSINESS INTELLIGENCE Profesor: José Antonio Robles Flores, Ph.D. E-mail profesor: jrobles@esan.edu.pe Horario: Lunes 7 a Jueves 10 de Julio, 2014 PRESENTACIÓN DEL CURSO Empresas

Más detalles

Índice 1 CONSULTORÍA DE LA CADENA DE SUMINISTRO 2 CÓMO LO HACEMOS? 3 METODOLOGÍA SCOR 4 NUESTRAS HERRAMIENTAS 5 QUIÉNES SOMOS?

Índice 1 CONSULTORÍA DE LA CADENA DE SUMINISTRO 2 CÓMO LO HACEMOS? 3 METODOLOGÍA SCOR 4 NUESTRAS HERRAMIENTAS 5 QUIÉNES SOMOS? Índice 1 CONSULTORÍA DE LA CADENA DE SUMINISTRO 2 CÓMO LO HACEMOS? 3 METODOLOGÍA SCOR 4 NUESTRAS HERRAMIENTAS 5 QUIÉNES SOMOS? 1 CONSULTORÍA DE LA CADENA DE SUMINISTRO En el futuro competiremos no entre

Más detalles

ESPECIALIZACIÓN EN ESTADÍSTICA

ESPECIALIZACIÓN EN ESTADÍSTICA MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. CONTROL DE CALIDAD

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

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

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

Profesora: I.S.C. Francisco Ángeles Ángeles. Periodo: Periodo: Julio-Diciembre 2013

Profesora: I.S.C. Francisco Ángeles Ángeles. Periodo: Periodo: Julio-Diciembre 2013 Área Académica: Informática Tema: Dreamweaver Profesora: I.S.C. Francisco Ángeles Ángeles Periodo: Periodo: Julio-Diciembre 2013 Abstract: This presentation gives an overview of the Dreamweaver editor

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

SIADC: Sistema Integrado para el Análisis del Desarrollo Cognitivo

SIADC: Sistema Integrado para el Análisis del Desarrollo Cognitivo SIADC: Sistema Integrado para el Análisis del Desarrollo Cognitivo Ing. Alejandro Fernández Gil 1 Ing. Mariam Gómez Sánchez 1 MsC. Vinelia Córdova Vázquez 1 DraC. Carmen Moret Tatay 2 alex@info.upr.edu.cu

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

Weka como herramienta de data mining

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

Más detalles

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

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

Uso de Técnicas no Supervisadas en la Construcción de Modelos de Clasificación en Ingeniería del Software

Uso de Técnicas no Supervisadas en la Construcción de Modelos de Clasificación en Ingeniería del Software Uso de Técnicas no Supervisadas en la Construcción de Modelos de Clasificación en Ingeniería del Software María N. Moreno García* y Vivian F. López Batista Departamento de Informática y Automática. Universidad

Más detalles

Manual de Preparación para la Certificación Bajo la Norma ISO 9001:2000, Orientado a Empresas del Sector Servicios en El Salvador

Manual de Preparación para la Certificación Bajo la Norma ISO 9001:2000, Orientado a Empresas del Sector Servicios en El Salvador CAPITULO V GLOSARIO DE TERMINOS Acción Correctiva Acción tomada para eliminar las causas de una no conformidad detectada u otra situación indeseable existente o defecto, para evitar su repetición. Acción

Más detalles

10778 Implementing Data Models and Reports with Microsoft SQL Server 2012

10778 Implementing Data Models and Reports with Microsoft SQL Server 2012 10778 Implementing Data Models and Reports with Microsoft SQL Server 2012 Introducción Inteligencia de negocio (BI) se está convirtiendo incrementalmente importante para compañías de diferentes tamaños

Más detalles

Distribución personalizada de Linux para uso de tableros digitales de bajo costo

Distribución personalizada de Linux para uso de tableros digitales de bajo costo Eleventh LACCEI Latin American and Caribbean Conference for Engineering and Technology (LACCEI 2013) "Innovation in Engineering, Technology and Education for Competitiveness and Prosperity" August 14-16,

Más detalles

KAIZEN College On Line. KAIZEN Institute México

KAIZEN College On Line. KAIZEN Institute México KAIZEN College On Line KAIZEN Institute México * Pueden CERTIFICACION Seis Sigma Programas KAIZEN KAIZEN-Lean Lean Seis Sigma MBB KAIZEN Ejecutivo BB LSS BB GB YB WB Facilitador KAIZEN Gemba Líder GB LSS

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

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

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

HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI

HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI HERRAMIENTA WEB PARA LA ELABORACIÓN DE TEST BAJO LA ESPECIFICACIÓN IMS-QTI Muñoz-Bouchard J.P., y Álvarez-González L.A. jp.knap@gmail.com@gmail.com, lalvarez@inf.uach.cl Grupo de Investigación en Tecnologías

Más detalles

Cómo se usa Data Mining hoy?

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

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

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

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA Pablo F. Provasi 1 Lucio J. Kleisinger 1 Francisco R. Villatoro 2 1 Dpto. de Informática, Universidad

Más detalles

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS Por qué es importante la Minería de Datos? 2 La Minería de Datos es un proceso que permite obtener conocimiento a partir de los datos

Más detalles

CAPITULO 3 INVESTIGACIÓN DE MERCADOS. Para lograr desarrollar un Plan de Mercadotecnia que esté realmente enfocado en el

CAPITULO 3 INVESTIGACIÓN DE MERCADOS. Para lograr desarrollar un Plan de Mercadotecnia que esté realmente enfocado en el CAPITULO 3 INVESTIGACIÓN DE MERCADOS Para lograr desarrollar un Plan de Mercadotecnia que esté realmente enfocado en el consumidor se deben identificar, primeramente, sus necesidades, gustos y preferencias.

Más detalles