Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas

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

Download "Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas"

Transcripción

1 Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Técnicas Yerko Halat 4 de Octubre del Concepto: Lógica Difusa Cliente Joven Las decisiones de agrupamiento de atributos no necesariamente deben ser discretas, sino que responden a una distribución de probabilidades 2 1

2 Datamining, algunas técnicas Herramientas de consulta (SQL o queries) Técnicas estadísticas OLAP Visuales Clustering/Agrupación K-nearest neighbor Árboles de Decisión Reglas de asociación Redes neuronales Cualquier técnica permite extraer más conocimiento de las fuentes de información, aunque algunas se especializan o tienen propósitos más nítidos 3 Herramientas de consultas (SQL) Útil como primer paso Fácil de utilizar Basado en la experiencia del analista Algunos estudios señalan que pueden capturar el 60-80% del conocimiento Resultados no optimizantes 4 2

3 Herramientas de consultas (SQL) Ej, base de 1000 personas con ciertas carácteristicas de perfil (edad, ingresos) indicando subscripción o no a revistas temásticas. 1. Obtener promedios 2. Contar por perfil 3. Agrupar a discreción En general todo tipo de resumenes y cruces (ver herramientas OLAP) 5 Herramientas de consultas (SQL) Subscripción múltiple Distribución de edad de los lectores 6 3

4 Herramientas de consultas (SQL) Distribución de edad de los lectores de revistas de automóviles Distribución de edad de los lectores de revistas de deportes 7 OLAP Generalmente utilizada para el preanálisis para conocer la concentración o relación entre dimensiones. Responden a preguntas con sentido práctico Limita en vista con muchas variables OLAP no aprende!!!! 8 4

5 Técnicas Visuales Método muy utilizado para encontrar patrones básicos Ajusta el sentimiento a la problemática a estudiar Idea de dispersión/ concentración Distribución de ingresos de lectores y no lectores de revistas de música. 2D 9 Técnicas Visuales Distribución de ingresos de lectores y no lectores de revistas de música. 3D 10 5

6 Clustering/Agrupación Usado para agrupamientos multidimensionales Utiliza el concepto de distancias Euclidianas para determinar afinidad al cluster. Técnicas pre y post análisis 11 Clustering/Agrupación Distancias Euclidianas: se define como la distancia entre 2 puntos de un espacio multidimencional. Edad Ingreso Crédito Cliente Cliente Diferencia Normalizada " 10 2 " 8 2! 15 Las magnitudes deben ser normalizadas o reescalables en forma lineal de acuerdo a la dispersión 12 6

7 Clustering/Agrupación 13 K-nearest neighbor Dentro del espacio multidimencional, va creando vecindades con coordenadas a los atributos K es el número de vecindades Hipótesis básica: los clientes del mismo tipo deben tener el mismo comportamiento/características. Equivalente a patrones Algoritmo: haz la vecindad dónde debe ser 14 7

8 K-nearest neighbor En el fondo es un método de búsqueda Complejidad cuadrática, con un millón de registro debe realizar 1 billón de comparaciones. Revista %Precisión Automóviles 89% Hogar 60% Deportes 74% Musica 93% Comics 92% 15 Árboles de Decisión Cómo su nombre lo indica, en cada nivel va tomando una decisión binaria en base al subconjunto generado de la decisión. En cada etapa, selecciona la variable que discrimina en mayor valor, en términos estadísticos Existen variables explicativas (fuentes) y variable explicada (destino). Predicción. Es necesario hacer un análisis conjunto del número de individuos del nodo y el % de éxito del nodo 16 8

9 Árboles de Decisión Decisión simple para compradores de revistas de automóviles 17 Árboles de Decisión Árbol de decisión de 4 niveles para los lectores de revistas de automóviles 18 9

10 Árboles de Decisión Número de clientes de acuerdo a árbol de decisión 19 Árboles de Decisión Número de clientes de acuerdo a árbol de decisión. Zoom a rama exitosa 20 10

11 Árboles de Decisión Los árboles de decisión pueden contener variables como variable de decisión 21 Reglas de Asociación Ejemplo: Tenemos un base de datos con transacciones de venta (D). Qué productos se compran juntos? Venta de cerveza y pañales Proceso: Busca reglas para concluir la venta de un producto a partir de la venta del otro

12 Reglas de Asociación Confianza : La regla X ==>Y tiene confianza c si c% de lastransacciones en D con X tambien contienen Y. Ejemplo: Productos : {1, 2, 3, 4, 5} Transacciones : D = {(1, 3, 4), (2, 3, 5), (1, 2, 3, 5), (2, 5)} (2, 3) ==> (5) tiene confianza 100% (2 de 2 transacciones que contienen (2, 3) también contienen (5)) 23 Reglas de Asociación Support : La regla X==>Y tiene soporte s en el conjunto de transacciones D si s% de las transacciones en D contienen (X e Y). Ejemplo: Productos : {1, 2, 3, 4, 5} Transacciones : D = {(1, 3, 4), (2, 3, 5), (1, 2, 3, 5), (2, 5)} (2, 3) ==> (5) tiene soporte 50% (2 de 4 transacciones de D contienen (2, 3, 5)) 24 12

13 Reglas de Asociación Todas las reglas de asociación para las revistas de automóviles 25 Redes Neuronales 26 13

14 Redes Neuronales 27 Redes Neuronales 28 14

15 Redes Neuronales 29 Herramientas de Datamining Clementine (SPSS) Darwin (Oracle) DataEngine (INDECS Ltda.) Decisionhouse IBM Intelligent Miner KnowledgeSEEKER SAS Enterprise Miner Más información:

Datamining Introducción

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

Más detalles

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

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

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II

Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II Carlos A. Olarte Bases de Datos II Contenido 1 Introducción 2 OLAP 3 Data Ware Housing 4 Data Mining Introducción y Motivación Cómo puede analizarse de forma eficiente volúmenes masivos de datos? La consulta,

Más detalles

HERRAMIENTA DE INTEGRACION DE ALGORITMOS DE INDUCCION Y MAPA AUTO-ORGANIZADOS Anteproyecto de Tesis de Magíster en Ingeniería del Software

HERRAMIENTA DE INTEGRACION DE ALGORITMOS DE INDUCCION Y MAPA AUTO-ORGANIZADOS Anteproyecto de Tesis de Magíster en Ingeniería del Software HERRAMIENTA DE INTEGRACION DE ALGORITMOS DE INDUCCION Y MAPA AUTO-ORGANIZADOS Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Ing. Esteban Sal Directores: Prof. Ramòn Garcia-Martinez,

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

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

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

Más detalles

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

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones

Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones Control Informático de Gestión Tema 5: Sistemas de Apoyo a la Toma de Decisiones Índice Revisión de los sistemas de información en la empresa La información y la toma de decisiones Sistemas transaccionales

Más detalles

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Introducción... XI Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Finalidad de los sistemas de información y origen del Business Intelligence... 1 Herramientas para la toma

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

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

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

Contenido XIII. Capítulo 1. Capítulo 2. Alfaomega. Bases de datos - Reinosa, Maldonado, Muñoz, Damiano, Abrutsky

Contenido XIII. Capítulo 1. Capítulo 2. Alfaomega. Bases de datos - Reinosa, Maldonado, Muñoz, Damiano, Abrutsky XIII Contenido Capítulo 1 Estructura y tipos de bases de datos...1 1.1 Introducción... 2 1.2 Definición de base de datos... 3 1.3 Sistema de Gestión de Bases de Datos... 4 1.4 Usuarios de la base de datos...

Más detalles

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo

Algoritmos de minería de datos incluidos en SQL Server 2008 1. Algoritmo de árboles de decisión de Microsoft [MIC2009a] Cómo funciona el algoritmo 1 Algoritmos de minería de datos incluidos en SQL Server 2008 Los algoritmos que aquí se presentan son: Árboles de decisión de Microsoft, Bayes naive de Microsoft, Clústeres de Microsoft, Serie temporal

Más detalles

DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012

DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012 DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012 FLUJO DE CAPACITACIÓN Prerrequisitos Fundamentos de Programación Sentencias SQL Server 2012 Duración: 12 horas 1. DESCRIPCIÓN

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

Microsoft SQL Server Conceptos.

Microsoft SQL Server Conceptos. Microsoft Conceptos. Microsoft 2005 es una plataforma de base de datos a gran escala de procesamiento de transacciones en línea (OLTP) y de procesamiento analítico en línea (OLAP). La siguiente tabla muestra

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

UN PASEO POR BUSISNESS INTELLIGENCE UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE Técnicas, herramientas y aplicaciones María Pérez Marqués Business Intelligence. Técnicas, herramientas y aplicaciones María Pérez Marqués ISBN: 978-84-943055-2-8 EAN: 9788494305528

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

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

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

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

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

Visión global del KDD

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

Más detalles

TESIS DE MAGÍSTER EN INGENIERÍA DEL SOFTWARE

TESIS DE MAGÍSTER EN INGENIERÍA DEL SOFTWARE TESIS DE MAGÍSTER EN INGENIERÍA DEL SOFTWARE HERRAMIENTA DE INTEGRACION DE ALGORITMOS DE INDUCCION Y MAPAS AUTO-ORGANIZADOS AUTOR: ING. ESTEBAN RICARDO SAL DIRECTORES: M. ING. PAOLA BRITOS M. ING. CLAUDIO

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

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. Objetivo: Al final de la unidad el alumno comprenderá la presencia de estas herramientas informáticas (programas Datamining))

Más detalles

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas...

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... , INDICE Introducción, ; XVII Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... Aproximación al concepto de minería de datos... El proceso de extracción del conocimiento... Técnicas de minería

Más detalles

OLAP y Minería de Datos: Introducción

OLAP y Minería de Datos: Introducción OLAP y Minería de Datos: Introducción Carlos Hurtado L. churtado@dcc.uchile.cl Departamento de Ciencias de la Computación Universidad de Chile OLAP y Minería de Datos: Introducción, DCC, U. de Chile, 2do

Más detalles

Tome mejores decisiones mediante la inteligencia predictiva

Tome mejores decisiones mediante la inteligencia predictiva IBM SPSS Modeler Professional Funciones destacadas Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas de minería de datos intuitivo y visual. Crea y valide

Más detalles

Introducción Qué es Minería de Datos?

Introducción Qué es Minería de Datos? Conceptos Básicos Introducción Qué es Minería de Datos? Extracción de información o de patrones (no trivial, implícita, previamente desconocida y potencialmente útil) de grandes bases de datos. Introducción

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

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software

Gestión del Fraude. Pilar Sirvent, Arquitecto Senior de Software Gestión del Fraude Pilar Sirvent, Arquitecto Senior de Software Áreas de Apoyo Gestión del Fraude Grandes Cantidades de Datos (Big Data) Volumen - Variedad - Velocidad Integración Visión 360º Análisis

Más detalles

Inteligencia artificial

Inteligencia artificial Inteligencia artificial Minería de datos Contenido Tendencias de crecimiento Habilitadores tecnológicos Qué es Minería de Datos? Datos, información y conocimiento Hipótesis de Minería de datos Generación

Más detalles

Por qué DW y DM? Data Warehouse and Data Mining. Información en las empresas. Data Warehouse

Por qué DW y DM? Data Warehouse and Data Mining. Información en las empresas. Data Warehouse Data Warehouse and Data Mining José A. Royo http://www.cps.unizar.es/~jaroyo email: joalroyo@unizar.es Departamento de Informática e Ingeniería de Sistemas Por qué DW y DM? Mayor poder de procesamiento

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

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1 ÍNDICE Introducción... XV Capítulo 1. El concepto de Data Mining... 1 Introducción... 1 Una definición de Data Mining... 3 El proceso de Data Mining... 6 Selección de objetivos... 8 La preparación de los

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

Construcción de cubos OLAP utilizando Business Intelligence Development Studio

Construcción de cubos OLAP utilizando Business Intelligence Development Studio Universidad Católica de Santa María Facultad de Ciencias e Ingenierías Físicas y Formales Informe de Trabajo Construcción de cubos OLAP utilizando Business Intelligence Development Studio Alumnos: Solange

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

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

Más detalles

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

Carrera Plan de Estudios Contacto

Carrera Plan de Estudios Contacto Carrera Plan de Estudios Contacto La Ingeniería en es una licenciatura de reciente creación que responde a las necesidades tecnológicas de la sociedad y la comunicación. Cada teléfono móvil, tableta electrónica

Más detalles

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 CARACTERÍSTICAS GENERALES a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 b) Título que se otorga Ingeniero/a en Sistemas Inteligentes c) Espacio donde se imparte

Más detalles

PERFIL DE CARGOS. I. Identificación del Cargo. Objetivo del Cargo.

PERFIL DE CARGOS. I. Identificación del Cargo. Objetivo del Cargo. PERFIL DE CARGOS I. Identificación del Cargo. Nombre del cargo Personal a cargo Analista de Datos Junior No tiene II. Objetivo del Cargo. Encargado de crear procesos ETL mediante Pentaho Kettle y Data

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

Oracle Database 11g para Data Warehousing e Inteligencia de Negocios. Informe Ejecutivo de Oracle Julio de 2007

Oracle Database 11g para Data Warehousing e Inteligencia de Negocios. Informe Ejecutivo de Oracle Julio de 2007 Oracle Database 11g para Data Warehousing e Inteligencia de Negocios Informe Ejecutivo de Oracle Julio de 2007 Oracle Database 11g para Data Warehousing e Inteligencia de Negocios Introducción... 3 Integrar...

Más detalles

Data Warehousing - Marco Conceptual

Data Warehousing - Marco Conceptual Data Warehousing - Marco Conceptual Carlos Espinoza C.* Introducción Los data warehouses se presentan como herramientas de alta tecnología que permiten a los usuarios de negocios entender las relaciones

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

DATA WAREHOUSE DATA WAREHOUSE

DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE DATA WAREHOUSE Autor: Roberto Abajo Alonso Asignatura: Sistemas Inteligentes, 5º Curso Profesor: José Carlos González Dep. Ing. Sistemas Telemáticos, E.T.S.I. Telecomunicación Universidad

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

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

Business Intelligence: Competir con Información

Business Intelligence: Competir con Información Business Intelligence: Competir con Información Reus, 16 de Noviembre de 2011 Página 1 Página 2 Sumario Sistemas de Información - Introducción Introducción Business Intelligence Datawarehouse OLAP Data

Más detalles

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

Más detalles

Algoritmos. Jordi Gironés Roig PID_00197284

Algoritmos. Jordi Gironés Roig PID_00197284 Algoritmos Jordi Gironés Roig PID_00197284 CC-BY-NC-ND PID_00197284 Algoritmos Los textos e imágenes publicados en esta obra están sujetos excepto que se indique lo contrario a una licencia de Reconocimiento-NoComercial-SinObraDerivada

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

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

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

Más detalles

Sistemas de Datos. Rendimiento de la Base de datos. Procesamiento de consultas y administración del rendimiento

Sistemas de Datos. Rendimiento de la Base de datos. Procesamiento de consultas y administración del rendimiento Rendimiento de la Base de datos. Procesamiento de consultas y administración del rendimiento Esquema de la clase 1. Procesamiento de consultas 2. El optimizador del DBMS 3. Los Ajustes del Rendimiento

Más detalles

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

Más detalles

APOYO PARA LA TOMA DE DECISIONES

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

Más detalles

Tecnologías de Información y Comunicación II

Tecnologías de Información y Comunicación II Tecnologías de Información y Comunicación II WEB MINING WEB MINING Como Concepto Webmining es una metodología de recuperación de la información que usa herramientas de la minería de datos para extraer

Más detalles

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales DIPLOMADOS Colección: Postales Universidad de Chile Diplomado en Business Intelligence 2015 Por qué La Universidad de Chile? No cualquier Diplomado No cualquier Universidad Es la institución de educación

Más detalles

Bases de Datos Avanzadas Introducción Curso Maestría

Bases de Datos Avanzadas Introducción Curso Maestría Bases de Datos Avanzadas Introducción Curso Maestría Por Elizabeth León Guzmán, Ph.D. Profesora Asociada Ingeniería de Sistemas Grupo de Investigación MIDAS Agenda 1. Qué son Bases de Datos? Datos, Información,

Más detalles

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Unidad Administrativa Especial de Gestión Pensional y Contribuciones Parafiscales de la Protección Social UGPP Objeto: ADQUISICIÓN

Más detalles

BIG DATA. Jorge Mercado. Software Quality Engineer

BIG DATA. Jorge Mercado. Software Quality Engineer BIG DATA Jorge Mercado Software Quality Engineer Agenda Big Data - Introducción Big Data - Estructura Big Data - Soluciones Conclusiones Q&A Big Data - Introducción Que es Big Data? Big data es el termino

Más detalles

Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos

Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos Análisis del rendimiento académico en los estudios de informática de la Universidad Politécnica de Valencia aplicando técnicas de minería de datos R. Alcover 1, J. Benlloch 2, P. Blesa 3, M. A. Calduch

Más detalles

DOCTORADO EN CIENCIAS COMPUTACIONALES

DOCTORADO EN CIENCIAS COMPUTACIONALES DOCTORADO EN CIENCIAS COMPUTACIONALES Objetivos El programa de Doctorado en Ciencias Computacionales, tiene el propósito esencial de formar profesionales con las siguientes características: Amplio dominio

Más detalles

Inteligencia de Negocio

Inteligencia de Negocio UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

Técnica de Inteligencia Artificial en Minería de Datos

Técnica de Inteligencia Artificial en Minería de Datos Doctor en Filosofía, fue profesor titular de Lógica e Inteligencia Artificial de la Facultad de Psicología de la Universidad Complutense de Madrid. Se formó en Informática en HP y UNISYS, colaborando como

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios Planificación del Módulo 4 Denominación: MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA 39 créditos ECTS -21básicos y 18 obligatorios- Este módulo está integrado por tres materias que se imparten en tres cursos

Más detalles

Carrera: Ingeniería Bioquímica SATCA * 3-2-5

Carrera: Ingeniería Bioquímica SATCA * 3-2-5 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Estadística Carrera: Ingeniería Bioquímica Clave de la asignatura: BQF-1007 SATCA * 3-2-5 2.- PRESENTACIÓN Caracterización de la asignatura. Esta asignatura

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACTULTAD DE ESTUDIOS SUPERIORES ACATLÁN MINERIA DE DATOS CON APLICACIONES TESIS QUE PARA OBTENER EL TITULO DE LICENCIADA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN

Más detalles

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

Más detalles

Trabajo Practico N 12

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

Más detalles

Manual imprescindible SQL Server 2012 (c) Francisco Charte Ojeda

Manual imprescindible SQL Server 2012 (c) Francisco Charte Ojeda Manual imprescindible SQL Server 2012 (c) Francisco Charte Ojeda Agradecimientos Introducción Gestores de bases de datos Servidores de bases de datos Microsoft SQL Server 2012 Qué puede hacer con SQL Server

Más detalles

Fases del KDD: Recogida de Datos. El Proceso del KDD. FASES. Fases del KDD: Recogida de Datos. Fases del KDD: Recogida de Datos. Proceso detallado:

Fases del KDD: Recogida de Datos. El Proceso del KDD. FASES. Fases del KDD: Recogida de Datos. Fases del KDD: Recogida de Datos. Proceso detallado: Minería de 2. El Proceso de KDD José Hernández Orallo jorallo@dsic.upv.es Máster y Cursos de Postgrado del DSIC Universitat Politècnica de València Temario 1. Introducción a la Minería de (DM) 1.1. Motivación

Más detalles

Capítulo 12: Indexación y asociación

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

Más detalles

SISTEMAS INFORMATICOS I

SISTEMAS INFORMATICOS I SISTEMAS INFORMATICOS I DATAMINING Contenidos Introducción Datamining vs otras técnicas Ejemplos del Datamining Conceptos relacionados con el Datamining Aplicaciones del datamining Modelado del datamining

Más detalles

Creatividad Aplicada. al Análisis de Datos

Creatividad Aplicada. al Análisis de Datos Creatividad Aplicada Creatividad Aplicada al Análisis al Análisis de Datos de Datos Enrique Rodríguez 28/09/2011 Creatividad Aplicada a la Investigación Creatividad Investigación Técnicas Herramientas

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

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

Monitor de Estadísticas de IDECanarias

Monitor de Estadísticas de IDECanarias Monitor de Estadísticas de IDECanarias Deepak P. Daswani 1, J. J. Rodrigo 1 y J. Rosales 2 1 Depto. de Ingeniería GRAFCAN. Cartográfica de Canarias, S.A C/ Panamá 34, Naves 8 y 9 Santa Cruz de Tenerife

Más detalles

Detección de perfiles de liderazgo en Sistemas Colaborativos Soportados por Computadoras

Detección de perfiles de liderazgo en Sistemas Colaborativos Soportados por Computadoras Detección de perfiles de liderazgo en Sistemas Colaborativos Soportados por Computadoras María Florencia Bugarini Directora: Dra. Silvia Schiaffino Codirector: Mg. Patricio García UNICEN Abril 2011 Motivación

Más detalles

Las mejores prácticas

Las mejores prácticas IBM DB2 para Linux, UNIX, y Windows Las mejores prácticas Administración de datos XML Matthias Nicola Laboratorio Silicon Valley de IBM Susanne Englert Laboratorio Silicon Valley de IBM Administración

Más detalles

Oracle Database 11g para almacén de datos e inteligencia empresarial

Oracle Database 11g para almacén de datos e inteligencia empresarial Documento técnico de Oracle Abril de 2011 Oracle Database 11g para almacén de datos e inteligencia empresarial Introducción Oracle Database 11g es una plataforma completa de base de datos para almacén

Más detalles

ORIENTAMAT ORIENTACIÓN PROFESIONAL

ORIENTAMAT ORIENTACIÓN PROFESIONAL ORIENTAMAT ORIENTACIÓN PROFESIONAL ! Formación académica! Trayectoria profesional! Experiencia personal! Matemáticos en el mercado laboral! Análisis de Redes Sociales! Next Best Activity (NBA)! Sendas

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS

Más detalles

El objetivo de este capítulo es explicar con detalle con detalle cada una de las tecnologías

El objetivo de este capítulo es explicar con detalle con detalle cada una de las tecnologías CAPÍTULO II Inteligencia Empresarial El objetivo de este capítulo es explicar con detalle con detalle cada una de las tecnologías de la inteligencia empresarial que se mencionaron en el capítulo I y cómo

Más detalles

DIRIGIDO A: * Origen y Evolución * Fundamentos * Componentes * Casos. * Arquitectura * Bases de Datos * Data Warehousing * OLAP * Software de Apoyo

DIRIGIDO A: * Origen y Evolución * Fundamentos * Componentes * Casos. * Arquitectura * Bases de Datos * Data Warehousing * OLAP * Software de Apoyo DIRIGIDO A: Profesionales ue presenten interés en especializarse en el ámbito de minería de datos e inteligencia de negocios, insertos en empresas del sector público o privado en áreas relacionadas con

Más detalles

Capítulo 4. Análisis de datos y presentación de resultados

Capítulo 4. Análisis de datos y presentación de resultados Capítulo 4. Análisis de datos y presentación de resultados 4.1 Métodos de minería de datos Como se mencionó anteriormente un método de minería de datos es el mecanismo que crea modelos de minería de datos.

Más detalles

Minería de Datos. Universidad Politécnica de Victoria

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

Más detalles

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