&+$),(%-.),(".#/,($#)'(#0%,.% 1.'2#$)'%3,%-.),2#4,.5#'% Gestión y Protección del Conocimiento:!

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

Download "&+$),(%-.),(".#/,($#)'(#0%,.% 1.'2#$)'%3,%-.),2#4,.5#'% Gestión y Protección del Conocimiento:!"

Transcripción

1 &+$),(%-.),(".#/,($#)'(#0%,.% 1.'2#$)'%3,%-.),2#4,.5#'% Gestión y Protección del Conocimiento:! Minería de Datos "!"#$%&'()*%!"##$%&'()*%"+,-./0)123$%4567% 8/3.)191+,*:26/*';%

2 Vamos a ver " <!A.1+21(38';%283;';%?'%(.-B8'/3;*% <!#8C:+3;%3( ';*% <!7D)-?-;%(.1+21(38';*% <!&'/-;).321-+';%E%'F'.2121-;% (.02)12-;*%

3 Materiales" G))(HIIJJJ*C133*1+,*:26/*';I/1'/B.-;I8/3.)1I/3;)'.K 1+)'8% <! L.3+;(3.'+213;*% <! &-2:/'+)321M+%'N).3*% <! &3)-;%O:'%P3/-;%3%:;3.*% <! Q+832';%3%;1)1-;%?'%1+)'.D;*%

4 Minería de datos" <! &';2:B.1/1'+)-%?'%(3).-+';$%.'8321-+';%E% )'+?'+213;%/'?13+)'%3+081;1;%?'%C.3+%23+)1?3?%?'%?3)-;%

5 Como la han definido" <! &3)3%71+1+CH%% R! S)G'%(.-2';;%-,%;'2-+?3.E%3+38E;1;%-,%83.C'%?3)3B3;';% 31/'?%3)%T+?1+C%:+;:;('2)'?%.'83)1-+;G1(;%JG12G%3.'%-,% 1+)'.';)%-.%P38:'%)-%)G'%?3)3B3;'%-J+'.;U%!"#$%&'())*+' R! S")'.3)1P'%(.-2';;%-,%'N).32)1+C%G1??'+%(.'?12)1P'%(3))'.+;%,.-/%83.C'%?3)3K%B3;';$%:;1+C%#"%)'2G+-8-C1';%3;%J'88%3;% ;)3)1;)12;%)'2G+1O:';U%!,-$#&'()))+',6)('55#7.%.0%)(#/#'2%3,%#.80(9'5#7.%:",%(,$#3,%3,% 9'.,('%#9;2*5#)'%,.%20$%3')0$%

6 Algunas aplicaciones: Gubernamentales" <! V'C:.1?3?% H% R!./'0-1#23#4-$35'%-'67839:9#'#4#:-$#'%#358':54-2:9#/-8' 2-;-2-$3-8'#'/58'<=>9358'?'12-;-2-$:9#8'%-':5412#'%-'/58' #$3-8'%-'A7-'-B-:73-$'7$#'#::9C$D' <! #B8'%&3+C'.*% <! W1C %3:)-/0)123H% R! #+081;1;%?'%1/0C'+';%E%P1;1M+%3.)1T2138*% R! V'C:1/1'+)-*% <! #( ';%/181)3.';*% <! 73+'F-%?'%2.1;1;*%

7 Seguimiento de aviones"

8 Vigilancia automática"

9 Aplicaciones militares"

10 Algunas aplicaciones: Empresa" <! 5-+,'221M+%?'%('.T8';%?'%281'+)';% R! R! =X:D%;'2)-.';%?'%83%(-B8321M+%+-%;'%2:B.'+*% R! <! &')'221M+%?'%,.3:?';% R! Q8%!"#$%&'!(")*'+"&",-(''N3/1+3%).3+;3221-+';$% (.-(1')3.1-;%?'%)3.F')3;%E%?3)-;%T+3+21'.-;%(3.3%?')'2)3.%E% /1)1C3.%,.3:?';*%% R! [3%3G-..3?-%\]]%/188-+';%4V&I3^-*% R! YA.-)'C'Z%_`]%/188-+';%?'%(3C-;I3^-%a\`b%?'%/'.23?-c*% R! d3p3?-%?'%?1+'.-*% <! e.-f'.;%?'%b-8;3%

11 Algunas aplicaciones: Ciencia" <! e1-1+,-./0)123% R! A.'?1221M+%?'%';).:2):.3%';(32138*% R! A.-(1'?3?';%/-8'2:83.';*% R! g'2-+-21/1'+)-%?'%(.-)'>+3;*% R! Q)2*% <! #+081;1;%?'%/3)'.138';%E%C'-8-C>3*% <! &';'/('^-%E%';2383B181?3?*% <! A.'?1221M+%?'8%2-/(-.)3/1'+)-%?'%;1;)'/3;% '8D2).12-;*% <-.),2#4,.5#'%1()#=5#'2>%

12 Robótica y aprendizaje"

13 hasta vida artificial"

14 Algunas aplicaciones: Internet" <! EF-G3'49$9$HI'?'125:-8#49-$35'%-' /-$H7#B-'$#372#/D' <! &')'./1+321M+%?'%';)3?-;%?'%-(1+1M+*% <! eh;o:'?3%?'%.';(:';)3;*% <! &')'221M+%?'%2-+2'()-;%a'+)1?3?';% +-/B.3?3;c% <! "+).:;-;$%P1.:;$%;(3/$%')2*% <! g'?';%;-2138';*%

15 El club de kárate de Zachary"

16 El Proceso de Extracción de Conocimiento"

17 Refinamiento progresivo" INTERPRETACIÓN Y EVALUACIÓN DATA MINING Conocimiento CODIFICACIÓN Modelos LIMPIEZA Datos Transformados SELECCIÓN Datos Procesados Datos Datos objetivo

18 Proceso de descubrimiento del conocimiento"

19 El proceso de descubrir conocimiento" <! A.-2';-%1+)'.32)1P-%'%1)'.3)1P-% <! Q+;3E-%E%'..-.% Datos Resulados% Planteamiento%! oportunidad, problema,...% Toma de decisiones%! acciones (más datos)% Proceso de Análisis de Datos Modelos%

20 Razones"!'%$05#,3'3%3,%2'% #.80(9'5#7.%,%-.),(.,)% B'.%4,.,('30%".'%,6;20$#7.%3,%3')0$%?6)(',(% 50.05#9#,.)0%'% #9;0()'.),%2'% 509;(,.$#G#2#3'3% 3,%2'%$'2#3'% 1;(,.3#E'A,%3,%2'%,6;,(#,.5#'%;'('%)09'(%3,5#$#0.,$% I,(/#5#0$%509,(5#'2,$J%=.'.5#,(0$J%,)5K%)#,.3,.%B'5#'%2'% ;,($0.'2#E'5#7.L%'3';)'5#7.%'2%#.3#/#3"0% C0%B'D%$"=5#,.),%4,.),%;'('%'.'2#E'(%)'2%5'.)#3'3%3,%3')0$% F0),.5#'%3,%509;")'5#7.%3#$;0.#G2,%?2%3,$'((0220%3,%$08)H'(,%,$%".%5",220%3,%G0),22'%

21 Datawarehouse" Fuentes Heterogéneas Almacén de Datos Cualquier acceso Datos de Negocio Extracción/Filtro/Integración Data Warehouse Explotación Web Browser Herramientas Cliente/Servidor Datos externos Aplicaciónes

22 Técnicas de análisis de datos" DATOS TRANSFORMADOS ESTADISTICA INTELIGENCIA ARTIFICIAL T. SIMBÓLICAS T. SUBSIMBÓLICAS ID3 C4.5 ETC R.N. A.G.

23 Técnicas de análisis de datos (II)" 3;:/'+%:+3%?')'./1+3?3% ';).:2):.3I%?1;).1B:21M+% )1'+'+%O:'%?')'./1+3.%8-;% (3.0/').-;%a)D2+123;% (3.3/D).123;c% (:'?'+%,: %2-+%(-2-;%?3)-;*% %W'.1T2321M+%?'%G1(M)';1;%B3;3?3;%,:+?3/'+)38/'+)'%'+%83% ';)3?>;)123% ")2%342/$%P% ';)0+%?1.1C1?3;%(-.%8-;%?3)-;% :+%/>+1/-%?'%;:(-;121-+';% (:'?'+%23():.3.%23/B1-;%';).:2):.38';% '+%8-;%?3)-;%?')'./1+3+%8-;%(3.0/').-;%E%3?'/0;%83% ';).:2):.3%?'8%/-?'8-% 3?/1)'+%,-./:8321M+%C'+D.123%2-/-% Bh;O:'?3*% B3;3?3;%,:+?3/'+)38/'+)'%'+%83% 2-/(:)321M+%a38C-.1)/-;c*%

24 Elementos básicos de entrada" <! Q0.5,;)0H%O:D%;'%O:1'.'%3(.'+?'.%a';).:2):.3%1+)'81C1B8'% E%h)18%(3.3%23?3%)1(-%?'%(.-B8'/3c*%% <! I'2#3'H%?';2.1(21M+%?'8%2-+2'()-% R! 583;1T2321M+% R! A.'?1221M+IQ;)1/321M+% R! #;-21321M+% R! #C.:(3/1'+)-% <! %1)(#G")0$H%O:D%23.32)'.>;)123;%aP3.13B8';c%;'%P3+%3% :)181i3.%(3.3%?';2.1B1.%'8%2-+2'()-% R! QF*H%;383.1-$%2.D?1)-%;-8121)3?-$%23)'C-.>3%3%83%O:'%('.)'+'2'$%***% R! L1(-;H%2-+)1+:-;$%+-/1+38';I23)'CM.12-;% <! %Q2'$,H%?1,'.'+)';%P38-.';%a')1O:')3;c%?'8%2-+2'()-% 3(.'+?1?-% R! QF*H;>$%+-$%+'2';1)3K3P38$%')2*% <! %-.$)'.5#'%0%,A,9;20H%23?3%/:';).3%3%(3.)1.%?'%83%2:38%;'% 'N).3'%'8%2-+2'()-%

25 Ejemplo"

26 Metodología" <! j-./:83.%'8%(.-b8'/3% <! &')'./1+3.%83%.'(.';'+)321M+%a3).1B:)-;%E%283;';c% R!?1.'2)3/'+)'% R! G3B83+?-%2-+%'N('.)-;% R! 3%(3.)1.%?'%-).3;%)D2+123;%aT8).-;c% <! "?'+)1T23.%E%.'2-8'2)3.%?3)-;%?'%'+).'+3/1'+)-% ab3;';%?'%?3)-;$%t2g'.-;$%***c% <! %A.'(3.3.%?3)-;%(3.3%3+081;1;%% <! V'8'221M+%?'%/-?'8-$%2-+;).:221M+%E%'+).'+3/1'+)-% <! %QP38:3.%8-%3(.'+?1?-% R! P381?321M+%2.:i3?3$%'N('.)-;% <! %"+)'C.3.%83%B3;'%?'%2-+-21/1'+)-%3%83%';('.3%?'% +:'P-;%?3)-;%).3;%3221-+';%

27 Clasificación de técnicas" <! A3.3/D).123;$%+-%(3.3/D).123;%% <!!.3?-%?'%;:('.P1;1M+% R! V:('.P1;3?3;$%+-%;:('.P1;3?3;$%(-.%.',:'.i-% <! L1(-%?'%1+,-./321M+%O:'%/3+'F3% R! V1/BM8123$%;:B;1/BM8123I+:/D.123$%/1N)3*% <! kh/'.-%?'%)d2+123;%'/(8'3?3;% R! V'+2188-;$%/')3K38C-.1)/-;% <! L1(-%?'%283;';% R! &1;2.')3;$%2-+)1+:3;$%?';2-+-21?3;%

28 Problemas técnicos" <! g'8321-+';%';(h.'3;$%23;:38';%-%2-1+21?'+213;*% <! &3)-;%1+2-..'2)-;%-%1+2-/(8')-;*% <! &3)-;%?1;).1B:1?-;*% <! 5-+2'()-;%O:'%23/B13+%2-+%'8%)1'/(-*% <! &3)-;%O:'%88'C3+%'+%'8%)1'/(-*% <! &3)-;%-%,-./:8321M+%?'8%(.-B8'/3%;';C3?-;*% <! 5-+2'()-;%'+%P3.1-;%+1P'8';%?'%C'+'.381i321M+*% <! "+)'C.321M+%?'%1+,-./321M+%2:381)3)1P3%E%2:3+)1)3)1P3*%

29 Problemas no técnicos" <! d3;%/0o:1+3;%+-%;-+%.';(-+;3b8';%?'%83;% (.'?1221-+';%-%283;1T2321-+';*% <! d-;%g:/3+-;%+-%;'%,>3+%?'%8-;%.';:8)3?-;*% <! d3%;381?3%+-%';%'+)'+?1b8'%(-.%'8%g:/3+-*% <! [3E%O:'%(.-( %38%;1;)'/3%8-;%P38-.';%?'%8-;% 3).1B:)-;*% <! 71'?-%?'%8-;%G:/3+-;%3%83%(D.?1?3%?'%2-+).-8*% <! 5:';)1-+';%8'C38';%E%D)123;H%(.1P321?3?$%?1;2.1/1+321M+$%')2*%

30 Aprendizaje automático?"

31 El aprendizaje" <! A-;1B8';%?'T+121-+';H%% R! Y!3+3.%2-+-21/1'+)-$%2-/(.';1M+%-%G3B181?3?%3%).3PD;%?'8% ';):?1-$%1+;).:221M+%-%'N('.1'+213*Z%% R! Y7-?1T2321M+%?'%83;%)'+?'+213;%?'%2-/(-.)3/1'+)-% /'?13+)'%83%'N('.1'+213*Z% <! Q;%:+3%(.-(1'?3?%?1;)1+)1P3%?'%8-;%;'.';%P1P-;l% <! )1'+'%2-/-%;:B(.-2';-;%,:+?3/'+)38';%83% #%#13#:9C$$%H-$-2#/9J#:9C$'E%#>832#::9C$*%

32 Niveles de aprendizaje" <! Q8%(.-2';-%?'%3(.'+?1i3F'%).3+;2:..'%3%?1;)1+)-;% +1P'8';%-%';2383;H% R! A.-2';-;%'P-8:)1P-;l% R! Q;)3B8'21/1'+)-%?'%32)-;%.'m'F-l% R! g3i-+3/1'+)-%?'%;'+)1?-%2-/h+$%el% R! A.-2';-;%2-C+1)1P-;%3B;).32)-;*% <! 53?3%:+-%?'%';)-;%+1P'8';%;'%G3%?'; ?-% (.-C.';1P3/'+)'%(3.3%3;'C:.3.%83%;:('.P1P'+213%?'% 8-;%-.C3+1;/-;%O:'%8-C.3+%:+%?-/1+1-%(8'+-%?'% '88-;*%

33 Es necesario que una máquina aprenda?" [3E%23;-;%'+%8-;%O:'%';%1/(.';21+?1B8'H% <! [3E%(.-B8'/3;%2:E3;%;-8:21-+';%;-+%?1,>218';%-% 1/(-;1B8';%?'%'N(.';3.%'N(8>21)3/'+)'l% <! A:'?'+%'N1;)1.%.'8321-+';%E%2-+'N1-+';%'+)'..3?3;% B3F-%C.3+?';%P-8h/'+';%?'%?3)-;%a/1+'.>3%?'%?3)-;cl% <! 5-+;1;)'+213%?'8%?';'/('^-%3+)'%'+).3?3;%-% ';)>/:8-;%?';2-+-21?3;$%El% <! #:)-2-..'221M+%3+)'%23/B1-;%?'%;:;%/'23+1;/-;%E%?'8%3/B1'+)'*%

34 Fuentes del aprendizaje automático" <!?$)'3*$)#5'H%(.-B8'/3;%?'%.'C.';1M+%E%';)1/321M+%3% (3.)1.%?'%:+%2-+F:+)-%?'%/:';).3;l% <! C,"(05#,.5#'$H%38%';):?13.%E%)'-.1i3.%;-B.'%83%?1+0/123% 2'.'B.38%;'%G3+%?'T+1?-%P3.1-;%/-?'8-;%?'8%,:+21-+3/1'+)-%?'%D;)'%a.'?';%+':.-+38';c*% <! F$#50204*'H%'8%';):?1-%?'%8-;%(.-2';-;%O:'%1+)'.P1'+'+%'+% '8%3(.'+?1i3F'%';%:+3%?'%83;%0.'3;%,:+?3/'+)38';%?'%83% (;12-8-C>3l% <! M,0(*'%3,2%50.)(02H%'+%1+C'+1'.>3%,.'2:'+)'/'+)'%+-;% '+2-+).3/-;%2-+%O:'%';%+'2';3.1-%2-+).-83.%:+%(.-2';-%?'8%2:38%+-%;'%?1;(-+'%:+%/-?'8-%'N(8>21)-$%El% <! -.),2#4,.5#'%'()#=5#'2H%?';2:B.1/1'+)-%?'%.'C83;$% (.-C.3/321M+%8MC123%1+?:2)1P3$%')2***%

35 Técnicas de aprendizaje automático" Técnicas Supervisado No Supervisado Clasificación Regresión Predicción Agrupamiento Asociación Tabla de Decisión Árboles de Decisión Reglas bayesianas Basado en Ejemplares Redes de Neuronas Regresión Árboles de Predicción Estimador de Núcleos Numérico K-MEDIAS Conceptual Probabilístico A Priori

36 Agrupación numérica: k-medias"

37 Agrupación conceptual: COBWEB"

38 Agrupación probabilística - EM"

39 Asociación Apriori "

40 Predicción mediante regresión" g'c.';1m+%81+'38%;1/(8'%

41 Predicción mediante regresión" g'c.';1m+%81+'38%/h8)1(8'%

42 Árboles de regresión" V>% k-% 5o]*pqV383.1-K]*r% V>% k-% 5o]*sqV383.1-%t% ]*uqq?3?k]*6%% 5o]*_qV383.1-%t% ]*sqq?3?k]*\%%

43 Estimación de núcleos (kernels)" V:((-.)%P'2)-.%/32G1+';%

44 Tablas de decisión" Ejemplo Nº Sexo Tipo Fijo A.-B3B181?3?%?'%283;1T23.%B1'+%';%?'8%`]b%% 1 Hombre Asociado No 2 Mujer Catedrático Si 3 Hombre Titular Si 4 Mujer Asociado No 5 Hombre Catedrático Si Ejemplo Nº Sexo Fijo 1 Hombre No 2 Mujer Si 3 Hombre Si 4 Mujer No 6 Mujer% Asociado No 7 Hombre Ayudante No 8 Mujer Titular Si 9 Hombre Asociado No 10 Mujer Ayudante No 11 Hombre Asociado No Ejemplo Nº Tipo Fijo 1 Asociado No 2 Catedrático Si 3 Titular Si 7 Ayudante No A.'21;1M+%?'%321'.)-;%?'8%v]]b$%(-.%8-%O:'%;'%?'?:2'%O:'%D;)3%h8)1/3%)3B83%';%83%O:'%;'%?'B'% )-/3.%2-/-%)3B83%?'%?'21;1M+%%

45 Árboles de decisión" V>% k-% k-% A-2-% 7'?1-% 7:2G-% x-p'+% #?:8)-% 73E-.% kw% V"% V"% kw% V"% kw% 5-+).3)-% V"% kw%

46 Reglas de decisión" R,42'$%;(0;0$#5#0.'2,$%D%(,2'5#0.'2,$%% Q0./,()#G#2#'3%3,%+(G02,$%,.%%(,42'$% M'G2'$%$,5",.5#'2,$%D%.0%$,5",.5#'2,$%

47 Reglas de asociación" C0%$";,(/#$'30% &'D0(%4('30$%3,%2#G,()'3%;'('%GS$:",3'%

48 Clasificadores bayesianos"! Tablas de prob. condicionales *%*%*% (av"c%%%o%]*\6% (akwc%o%]*6r%

49 Basado por ejemplares" %V'%38/32'+3%)-?3%83%)3B83%?'%1+;)3+213;H% %53;-%(3.)12:83.H%)3B83%?'%?'21;1M+% %A-23%'T21'+213%?'%2M/(:)-% NO% %#:;'+213%?'%3+081;1;%?'%1+,-./321M+%

50 Redes de neuronas artificiales" <! =V1%G32'/-;%:+3% /0O:1+3%(3.'21?3%38% 2'.'B.-%,:+21-+'%:545' <! 4+3%.'?%2-/(:';)3%(-.% :+1?3?';%a+':.-+3;*c% <! 53?3%+':.-+3%.'21B'% '+).3?3;%E%'/1)'%:+3% ;381?3*%

51 Neuronas artificiales"

52 Algoritmos Evolutivos" <! d3%2-/(:)321m+%'p-8:)1p3$%;'%b3;3%'+%8-;%2-+2'()-;%?'%83%'p-8:21m+%e%83%c'+d)123%(3.3%.';-8p'.% (.1+21(38/'+)'%(.-B8'/3;%?'%-()1/1i321M+*%% <! g3>2';%'+%).';%?'; ;%.' ?-;%('.-% 1+?'('+?1'+)';%'+).'%;>H% R! #8C-.1)/-;%C'+D)12-;%% R! A.-C.3/321M+%'P-8:)1P3%% R! Q;).3)'C13;%QP-8:)1P3;%%

53 Programación Evolutiva" <! ya.-c.3/3;%o:'%';2.1b'+%(.-c.3/3;z% <! 5-/(:) /'+)'%1+)'+;3*%

54 Caso práctico"

55 Construcción de clasificadores" <! 4+%283;1T23?-.%';%:+%/-?'8-%(3.3%(.'?'21.%P38-.';% +-/1+38';%-%+:/D.12-;% <! d-;%38c-.1)/-;%?'%3(.'+?1i3f'%o:'%1+28:e'%{q #% ;-+H% R! }.B-8';%E%81;)3;%?'%?'21;1M+$%283;1T23?-.';%B3;3?-;%'+% 1+;)3+213;$%VW7$%('.2'().-+';%/:8)123(3$%.'C.';1M+$%.'?';% B3E';13+3;$***% <! 7')3K583;1T23?-.';% R! e3cc1+c$%b--;)1+c$%;)32f1+c$%8-2388e%j'1cg)'?%8'3.+1+c$%***%

56 Clasificador" <! QN).3'%2-+-21/1'+)-%(-.%1+?:221M+% T')0$%3,%?.)(,.'9#,.)0% OQ2'$#=5'30$P% 1240(#)90%3,% 1;(,.3#E'A,% Q2'$#=5'30(%% a7-?'8-c% T')0$%C0% Q2'$#=5'30$%

57 Clasificador: Ciclo de diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-% Q+).'+3/1'+)-% QP38:321M+% V-8:21M+%

58 Clasificador: Ciclo de diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-%!%5-;)';%?'%3?O:1;121M+%!%j32)1B181?3?%?'8%(.-B8'/3H%'/('i3.%2-+% :+%2-+F:+)-%?'%?3)-;%Y)>(12-;Z%!%g'(.';'+)3)1P1?3?%?'%8-;%?3)-;H%23+)1?3?% E%2381?3?% Q+).'+3/1'+)-% QP38:321M+% V-8:21M+%

59 Clasificador: Ciclo de Diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-% Q+).'+3/1'+)-%!%V'8' %'8%2-+F:+)-%?'%3).1B:)-;%E% P38-.';%O:'%23.32)'.1i3.0+%8-;%?3)-;%;'Ch+H%!%,32181?3?%?'%'N).3221M+%!%1+;'+;1B181?3?%38%.:1?-%!%:)181?3?%'+%83%?1;2.1/1+321M+%?'%?3)-;% '+%P3.13;%23)'C-.>3;%!%U$'(%,2%50.05#9#,.)0%'%;(#0(#%$0G(,%,2% ;(0G2,9'% QP38:321M+% V-8:21M+%

60 Clasificador: Caracterización" <! A.-B8'/3;% R! 3).1B:)-;%1+3(8123B8';%-%1..'8'P3+)';% R! P38-.';%?';2-+-21?-;%a;:%-.1C'+%';%?1P'.;-c% <!?'%3).1B:)-;%2:3+)1)3)1P-;H%P38-.%,:'.3%?'8%.3+C-% <!?'%3).1B:)-;%2:381)3)1P-;H%:+%P38-.%/0;%'+%3).1B:)-;% +-/1+38';% R! k-%)-?-;%8-;%/-?'8-;%32'()3+%p38-.';%?';2-+-21?-;%!% ';)1/321M+% R! 7-?'8-;%?1;'^3?-;%;M8-%(3.3%).3B3F3.%2-+%3).1B:)-;% 2:3+)1)3)1P-;%!%2-?1T2321M+%+:/D.123% R! 7-?'8-;%?1;'^3?-;%;M8-%(3.3%).3B3F3.%2-+%3).1B:)-;% 2:381)3)1P-;%!%?1;2.')1i321M+%

61 Clasificador: Caracterización" <! 5-?1T2321M+%+:/D.123% R! Q+:/'.321M+%?'%P38-.';% R! W'2)-.';%23.32)'.>;)12-;% R! e1+3.1i321m+% R! L'./M/').-% <! QF'/(8-H%~.-F-$%P'.?'$%3i:8% R! Q+:/'.321M+H%Äv$s$6Å% R! W'2)-.';%23.32)'.>;)12-;H%Äav$]$]c$a]$v$]c$a]$]$vcÅ% R! e1+3.1i321m+h%äa]$]c$a]$vc$av$]cå% R! L'./M/').-H%Äav$v$vc$av$v$]c$av$]$]cÅ% <! A3.3%?')'./1+3?-;%/-?'8-;%2-+P1'+'%;:;)1):1.%8-;%]% (-.%Kv%aB1(-83.1i321M+c%(3.3%O:'%+-%;'%3+:8'+%'+%8-;% (.-?:2)-;%

62 Clasificador: Caracterización" <! &1;2.')1i321M+H% R! &1P1?1.%'8%.3+C-%?'%:+%3).1B:)-%2-+)1+:-%'+%1+)'.P38-;%E% 3;1C+3.%83%')1O:')3%?'8%1+)'.P38-% R! V1%'8%+:'P-%3).1B:)-%';%-.?1+38%;:;%P38-.';%.';(')3.0+%'8% -.?'+%1/(:';)-%(-.%8-;%8>/1)';%?'8%1+)'.P38-% R! #8C:+-;%38C-.1)/-;%:;3+%G':.>;)123;%2-/-H% <! 1+)'.P38-;%?'%1C:38%)3/3^-% <! 1+)'.P38-;%2-+%83%/1;/3%,.'2:'+213% <! L';)%! s %(3.3%83%,:;1M+%?'%1+)'.P38-;%3?E32'+)';% <! '+).-(>3H%1+)'.P38-;%2-+%'8%/'+-.%+h/'.-%?'%283;';%?1;)1+)3;%

63 Clasificador: Ciclo de Diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-%!%&'B'%2-/B1+3.%83%1+,-./321M+%?'%83;% 23.32)'.1i321-+';%?'%8-;%?3)-;%!%C0%B'D%903,20$%9,A0(,$%O:'%-).-;H%?'('+?'+%?'8%(.-B8'/3%E%?'%8-;%?3)-;%!%d3%Bh;O:'?3%?'%:+%/-?'8-%';%:+%(.-2';-%?'%,.$'D0%D%,((0(% Q+).'+3/1'+)-% QP38:321M+% V-8:21M+%

64 Clasificador: Ciclo de Diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-%!%A.-2';-%O:'%?')'./1+3%'8%/-?'8-% /'?13+)'%83%';)1/321M+%?'%;:;%(3.0/').-;%![3E%O:'%2-+;1?'.3.%'8%2-;)'%a)1'/(-c%?'%'+).'+3/1'+)-%O:'%?'('+?'%?'H%!%'8%+h/'.-%?'%(3.0/').-;%!%83%2-/(8'F1?3?%?'8%/-?'8-%!%'8%+h/'.-%?'%'F'/(8-;%:;3?-;% Q+).'+3/1'+)-% QP38:321M+% V-8:21M+%

65 Clasificador: Tipos de Algoritmos de Aprendizaje/Entrenamiento" <! 1;(,.3#E'A,%$";,(/#$'30% R! 4+%Y'N('.)-Z%283;1T23%8-;%?3)-;%(3.3%'8%'+).'+3/1'+)-%E% P381?321M+% <! 1;(,.3#E'A,%.0%$";,(/#$'30% R! V1/183.%3%3C.:(3.%a:/783-29$Hc%+-%G3E%:+%'N('.)-%'N(8>21)-%E%'8% 283;1T23?-.%2-+;).:E'%3C.:(321-+';%-%283;';%Y+3):.38';Z%2-+%8-;%?3)-;%O:'%;'%8'%(.-( *%Q8%2-+2'()-%?'%+3):.38%?'('+?'%?'%83%)D2+123%?'%3C.:(321M+%E%?'%:+3%,:+21M+%?'%;1/181):?%'+).'% (3).-+';%O:'%G3E%O:'%1+)'C.3.%'+%'8%38C-.1)/-% <! 1;(,.3#E'A,%;0(%(,8",(E0% R! 4;3%:+%Y2.>)12-Z%O:'%;'%'+23.C3%?'%(.-( %.'381/'+)321M+% 38%/-?'8-%;-B.'%;1%83%.';(:';)3%';%2-..'2)3%-%+-%

66 Clasificador: Ciclo de Diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-% Q+).'+3/1'+)-% QP38:321M+%!%7'?1.%83%B-+?3?%?'8%/-?'8-%-%;:%23(321?3?%?'% C'+'.381i321M+H%!%$0G(,'A"$),%a-P'.T))1+CcH%'8%/-?'8-%283;1T23% B1'+%8-;%(3).-+';%:;3?-;%?:.3+)'%'8% '+).'+3/1'+)-%('.-%+-%8-;%+:'P-;%(3).-+';*% A3.3%/'?1.8-$%8-;%?3)-;%283;1T23?-;%;'%?1P1?1.0+%'+%?-;%2-+F:+)-;H%!%:+-%(3.3%'+).'+3/1'+)-%a).31+1+CK;')c%!%-).-%(3.3%)';)%a)';)K;')c%!%#.,$)'G#2#3'3H%2:3+?-%P3.13+?-%81C'.3/'+)'% '8%2-+F:+)-%?'%'+).'+3/1'+)-%P3.>3%83% (.'?1221M+%?'8%/-?'8-%1+?:21?-% V-8:21M+%

67 Clasificador: Ciclo de Diseño" A.-B8'/3% g'2-c1?3%?'%&3)-;% 53.32)'.1i321M+% 7-?'8-% Q+).'+3/1'+)-% QP38:321M+%!%d3%'P38:321M+%('./1)'H%!%1?'+)1T23.%/'F-.3;%'+%;:;%2-/(-+'+)';%!%.'P'83.%'..-.';%'+%8-;%?3)-;%a.:1?-c%O:'%G3B.0% O:'%.'P1;3.H%!%?'%23.32)'.1i321M+%!%?'%3?O:1;121M+%aP38-.';%'..M+'-;c%!%1?'+)1T23.%8-;%%)2#/-(5''+%8-;%?3)-;%!%2-/(3.3.%?1,'.'+)';%23.32)'.1i321-+';%?'%8-;%?3)-;%2-+%'8%/1;/-%/-?'8-%!%2-/(3.3.%'8%/-?'8-%2-+%-).-;%/-?'8-;% V-8:21M+%

68 Clasificador : Evaluación" <! d3%/'?1?3%?'%b-+?3?%?'%:+%283;1t23?-.%';%83%)3;3%?'% '..-.H% R! L3;3%?'%'..-.oÇ23;-;%/38%283;1T23?-;IÇ23;-;%)-)38';% <! Q8%'..-.%/'?1?-%;-B.'%'8%2-+F:+)-%?'%'+).'+3/1'+)-%';% :+3%';)1/321M+%?'/3;13?-%-()1/1;)3% <! Q8%2-+F:+)-%?'%)';)%';%:+%2-+F:+)-%1+?'('+?1'+)'%?'% (3).-+';%O:'%;'%:;3+%(3.3%/'?1.%'8%'..-.%?'8%283;1T23?-.% <! #%P'2';%;'%:;3%:+%2-+F:+)-%?'%P381?321M+%(3.3%-()1/1i3.% 8-;%(3.0/').-;%?'8%283;1T23?-.% <! k-%)1'+'%83%/1;/3%;1c+1t2321m+%:+%'..-.%?'%:+%`b% ';)1/3?-%;-B.'%v]]%'F'/(8-;%O:'%;-B.'%v]]]]]%

69 Clasificador : Evaluación" <! d3%2:.p3%?'%3(.'+?1i3f'% R! #21'.)-%?'%283;1T23?-.H% <! 322:.32E%o%v%K%'..-.%oÇ23;-;%2-..'2)3/'+)'%283;1T23?-;%I%Ç23;-;% )-)38';% R! V'%(:'?'%-B;'.P3.%83%.'8321M+%'+).'%'8%321'.)-%E%'8%+h/'.-%?'%'F'/(8-;%?'%'+).'+3/1'+)-%'+%83%2:.P3%?'%3(.'+?1i3F'H% <! (3.3%23?3%)3/3^-%2-+;1?'.3?-%;'%'F'2:)3+%P3.1-;%'N('.1/'+)-;%?'%8-;%O:'%;'%/:';).3+%83%/'?13%E%83%P3.13+i3%

70 Clasificador : Evaluación" <! [-8?K-:)%(-.%/:';).'-%38'3)-.1-H% R! vi6%(3.3%)';)%e%si6%(3.3%'+).'+3/1'+)-% R! A.-B8'/3H%+-%.'(.';'+)3)1P1?3?%?'%83%/:';).3%38'3)-.13% <! [-8?K-:)%2-+%/:';).'-%';).3)1T23?-H% K%% t% %%%K%%K% tt%%t% %%%%%%K% %%t%%%%%%t% R! #;'C:.3.%O:'%83%?1;).1B:21M+%?'%283;';%'+%8-;%?-;%2-+F:+)-;% ';%83%/1;/3% t% t% %%%K%%t% t%k%%t% %%%%%%K% %%t%%%%%k%

71 Clasificador : Evaluación" <! W381?321M+%2.:i3?3%a2.-;;KP381?3)1-+c% R! V'%?1P1?'+%8-;%?3)-;%'+%:+%+:/'.-%4%?'%(3.)121-+';%a,-8?;c*%A*%'F*%(3.3%4%o%6% R! V'%'+).'+3%4%P'2';%E%;'%(.-/'?13%'8%'..-.%?'%23?3%)';)% R! A.-B8'/3H%+-%.'(.';'+)3)1P1?3?%?'%83;%/:';).3;% R! V-8:21M+H%P381?321M+%2.:i3?3%';).3)1T23?3% <! +%;).3)1T'?%/K,-8?%2.-;;KP381?3)1-+H% R! Q8%2-+F:+)-%?'%k%'F'/(8-;%;'%?1P1?'%38'3)-.13/'+)'%'+%/%2-+F:+)-;%?1;)1+)-;%?'% )3/3^-%kI/% R! Q8%283;1T23?-.%;'%'+).'+3%/%P'2';% R! L-?-%'8%(.-2';-%?'%P381?321M+%2.:i3?3%2-+%/%?1P1;1-+';%;'%.'(1)'%+%P'2';%E%;'% 2382:83%'8%'..-.%/'?1-% R! Q8%';)0+?3.%?'%,32)-%';%+%o%/%o%v]%

72 Clasificador: Salida" <! L3B83;%?'%?'21;1M+% <! 0.B-8';%?'%?'21;1M+I.'C.';1M+% <!.'C83;%?'%283;1T2321M+I3;-21321M+I2-+%'N2'(21-+';% <! (3.0/').-;%?'%,:+21-+';% <! 'F'/(8-;% <! 3C.:(321-+';%

73 Clasificador: Salida" <! L3B83;%?'%?'21;1M+% R! d3%,-./3%/0;%;1/(8'% R! 5-+)1'+'%8-;%3).1B:)-;%.'8'P3+)';%(3.3%83%283;1T2321M+% 1$)#49')#$90% M'$'%3,%;(03"55#7.%3,%2+4(#9'$%!,.)#22'$% V1% g'?:21?3% k-% k-% g'?:21?3% k-% V1% k-./38% j:'.)'% k-% k-./38% &DB18%

74 Clasificador: Salida" <! }.B-8';%?'%?'21;1M+% R! d-;%.030$%#.),(.0$%2-+)1'+'+%:+%3).1b:)-%?'8%o:'%;38'+% )3+)3;%.3/3;%2-/-%P38-.';%)'+C3%'8%3).1B:)-%-%2-+?121-+';% G3E3%;-B.'%8-;%P38-.';%?'%3).1B:)-% R! d-;%.030$%),(9#.'2,$%?'8%0.b-8%2-+)1'+'+%83%283;1t2321m+$% :+%2-+F:+)-%?'%283;';%-%:+3%?1;).1B:21M+% <! QF'/(8-;%

75 Clasificador: Salida" <! g'c83;%?'%583;1t2321m+% R! L1'+'+%83%,-./3H% <! #+)'2'?'+)'%-%(.'/1;3%!%2-+;'2:'+)'%-%2-+28:;1M+% R! d3%1+)'.(.')321m+%/0;%g3b1):38%(3.3%'8%3+)'2'?'+)'%';%83% 2-+F:+)1P3%a#k&c% R! Q8%2-+F:+)-%?'%.'C83;%(:'?'%1+)'.(.')3.;'H% <! Q+%-.?'+%a%-:9895$'/983cH%d3%(.1/'.3%.'C83$%'+%-.?'+$%O:'%P'% 2:/(81?-%;:%3+)'2'?'+)'%';%83%O:'%283;1T23% R! 1,%#%É%s$%5%n%`%)G'+%5v% R! 1,%e%n%_%)G'+%5s% R! a#o6$%eov$%5osc%oc%5v% <! Q+%(3.38'8-%aKLcH%V'%1+)'+)3%3(8123.%)-?3;%83;%.'C83;%E%;'% (:'?'%?3.%P3.13;%283;';% R! 1,%#%É%s$%5%n%`%)G'+%5v% R! 1,%e%n%_%)G'+%5s% R! a#o6$%eov$%5osc%oc%5v%e%5s%

76 Clasificador: Salida" <! g'c83;%?'%#;-21321m+% R! Q8%2-+;'2:'+)'%(:'?'%;'.%:+3%3;-21321M+%'+).'%3).1B:)-;% <! V'%:;3+%(3.3%-B)'+'.%.'C:83.1?3?';%'+%8-;%?3)-;*% R! 1,%#%É%s%)G'+%e%n%_% <! QF'/(8-% PredictiveApriori =================== Best rules found: 1. tear-prod-rate=reduced 12 ==> contact-lenses=none 12 acc:( ) 2. contact-lenses=soft 5 ==> astigmatism=no tear-prod-rate=normal 5 acc:( ) 3. contact-lenses=hard 4 ==> astigmatism=yes tear-prod-rate=normal 4 acc:( ) 4. age=young contact-lenses=none 4 ==> tear-prod-rate=reduced 4 acc:( )...

77 Clasificador: Salida" <! }.B-8';%?'%g'C.';1M+% R! QO:1P38'+)'%3%:+%0.B-8%?'%?'21;1M+%'+%(.-B8'/3;%?'%(.'?1221M+% +:/D.123% R! d3;%g-f3;%?'8%0.b-8%38/32'+3+%83;%/'?13;%?'%8-;%p38-.';%?'%83;%283;';%?'%8-;%'f'/(8-;%?'%'+).'+3/1'+)-%o:'%g3+%88'c3?-%(-.%';3;%.3/3;%% R! 5-/(3.3?-%2-+%:+3%'2:321M+%81+'38%-B)'+1?3%(-.%.'C.';1M+$%83;% (.'?1221-+';%?'%:+%0.B-8%(:'?'+%;'.%/0;%(.'21;3;%'+%/'?13% R! 'F'/(8-H%

78 Meta-Clasificador" <! 5-/B1+321M+%?'%P3.1-;%/-?'8-;% 1240(#)90%3,% 1;(,.3#E'A,% Q2'$#=5'30(%v% T')0$%3,%?.)(,.'9#,.)0% 1240(#)90%3,% 1;(,.3#E'A,% Q2'$#=5'30(%V% &,)'N 1;(,.3#E'A,% &,)'N Q2'$#=5'30(%% 1240(#)90%3,% 1;(,.3#E'A,% Q2'$#=5'30(%6%

79 WEKA " <! A.-C.3/3%';2.1)-%'+%x#W#%(3.3%83%/1+'.>3%?'%?3)-;% <! d12'+213%!k4% <! &'%:;-%(.1+21(38%'+%'?:2321M+$%1+P';)1C321M+%E% 3( ';% <! 53.32)'.>;)123;H% R! "+):1)1P3;%G'..3/1'+)3;%(3.3%(.'(.-2';3.%?3)-;%E%3(8123.% 38C-.1)/-;%?'%3(.'+?1i3F'%E%'P38:321M+% R! "+)'.,3i%C.0T23%?'%:;:3.1-%2-+%P1;:381i321M+%?'%?3)-;% R! Q+)-.+-%(3.3%2-/(3.3.%% <! G))(HIIJJJ*2;*J31f3)-*32*+iIÑ/8I%

80 Libro basado en WEKA (o viceversa)" T')'%&#.#.4L%F('5)#5'2% &'5B#.,%!,'(.#.4%M002$% '.3%M,5B.#:",$%% OI,50.3%?3#)#0.P% -'.%WK%X#)),.%?#G,%Y('.Z% 7-.C3+% 3:,/3++%s]]`% "Vek%]KvsK]pp_]rK]%%

81 Formato de fichero de datos para WEKA" <! j-./3)-%#gjj% R! Q;)0%,-./3?3%(-.%?-;%;'221-+';H% <! 53B'2'.3% <! &3)-;% R! d3%23b'2'.3%2-+)1'+'h% % 1. Title: Iris Plants Database % % 2. Sources: % (a) Creator: R.A. Fisher % (b) Donor: Michael Marshall % (c) Date: July, 1988 iris 5w7QkL#g"wV% sepallength sepalwidth petallength petalwidth class {Iris-setosa,Iris-versicolor,Iris-virginica} &Q5d#g#5"Ök%&Q%#Lg"e4LwV%

82 Tipos de Atributos WEKA" <! k:/d.12-;%ak47qg"5c% <! k-/1+38';% <! 53?'+3%?'%)'N)-%aVLg"k!c% <! <name> date [<date-format>]%c% R! &-+?'%'8%,-./3)-%?'%,'2G3%(-.%?','2)-%';%ÜEEEEK77K??% [[H//H;;Ü%

83 Sección de Datos, formato ARFF" <! $;1C:1'+?-%'8%-.?'+%?'%?'T+121M+%?'% 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-versicolor 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-virginica 5.0,3.6,1.4,0.2,Iris-virginica 5.4,3.9,1.7,0.4,Iris-setosa <! 4.4,?,1.5,?,Iris-setosa

84 Inicio"

85 El Explorer" <! A.'(.-2';;H% R! V'8'221M+%?'%83%,:'+)'%?'%?3)-;%E% (.'(3.321M+%aT8).3?-c*% <! 583;;1,E% R! j32181?3?';%(3.3%3(8123.%';o:'/3;%?'%283;1t2321m+$%'+).'+3.%/-?'8-;% E%'P38:3.%;:%(.'21;1M+% <! 58:;)'.%% R! #8C-.1)/-;%?'%3C.:(3/1'+)-% <! #;;-213)'% R! #8C-.1)/-;%?'%Bh;O:'?3%?'%.'C83;%?'%3;-21321M+% <! V'8'2)%#)).1B:)';% R! eh;o:'?3%;:('.p1;3?3%?'% ;:B2-+F:+)-;%?'%3).1B:)-;%.'(.';'+)3)1P-;% <! W1;:381i'% R! ['..3/1'+)3%1+)'.32)1P3%?'% (.';'+)321M+%C.0T23%'+%s&*%

86 Explorer" <! A.'(-2';3?-%?'%8-;%?3)-;% R! A:'?'+%1/(-.)3.;'%?3)-;%'+%?1,'.'+)';%,-./3)-;H%#gjj$% 5VW$%B1+3.1-;$***% R! V'%(:'?'+%1/(-.)3.%?'%:+3%4gd%-%?'%:+3%B3;'%?'%?3)-;% VXd% R! d-;%?3)-;%;'%(:'?'+%(.-2';3.%:)181i3+?-%yt8).-;z% R! [3E%T8).-;%?1;(-+1B8';%(3.3H% <! &1;2.')1i3.$%+-./381i3.$%;'8' %3).1B:)-;$% ).3+;,-./3.$%2-/B1+3.***%

87

88

89

90 Aplicación de un filtro: Discretización"

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114 Clustering (Agrupamiento)" <! #(.'+?1i3F'%+-%;:('.P1;3?-% R! wbf')1p-h%?3?-;%'f'/(8-;%;1+%')1o:')3.%a2-+%283;'c$%?')'./1+3.% :+%2-+F:+)-%?'%C.:(-;%a28:;)'.;c%'+%8-;%O:'%;'%(:'?'+%?1P1?1.% <! k-%g3e%p3.13b8'%3%(.'?'21.$%;1+-%;'%(.')'+?'%?';2:b.1.% :+3%';).:2):.3%'+%8-;%?3)-;*%% R! QF'/(8-H% <!!.:(-;%?'%281'+)';%2-+%C:;)-;%;1/183.';%'+%81B.-;$%/h;123$% ')2*$%(3.3%3+081;1;%?'%/'.23?-% <! V:'8'%;'.P1.%?'%(:+)-%?'%(3.)1?3%(3.3%?';(:D;%G32'.%:+% 3+081;1;%?'%283;1T2321M+%;-B.'%8-;%28:;)'.;% <! L1(-;%?'%)D2+123;H% R! #C8-/'.3)1P3;%E%?1P1;-.3;% R! k:/d.123;h%f%k/'?13;$%q7% R! 5-+2'():38';H%28:;)'.Is%E%2-BJ'B%

115 Explorer: Clustering (Agrupamiento)" <! Q+%{Q #%G3E%38C-.1)/-;%(3.3%'+2-+).3.% 3C.:(3/1'+)-%?'%1+;)3+213;%;1/183.';% R! fk7'3+;$%q7$%5-bj'b*%ák/'3+;$%j3.)g';)j1.;)$***% <! d3;%3c.:(321-+';%(:'?'+%;'.%p1;:381i3?3;%e% 2-/(3.3?3;%2-+%83;%3C.:(321-+';%a?'%'N1;)1.c%.'38';% <! d3%283;'%?'%:+%'f'/(8-%;'%?3%(-.%83%?1;)3+213%2-+% -).-;%-BF')-;% <! d3%;381?3%?'8%38c-.1)/-%?'%3(.'+?1i3f'%';%'8%/1;/-% 2-+F:+)-%-%:+%;:B2-+F:+)-%?'%8-;%'F'/(8-;%?'% '+).'+3/1'+)-%

116 Explorer: Clustering" <! V:(-+1'+?-%:+%2-+F:+)-%?'%'F'/(8-;%' v $%*%*%*%$%' v]] H% R! 583;';H% <! &1;F:+)3;$%;1+%;-83(3/1'+)-% R! 5vH%'v$%*%*%*%$%'_u% R! 5sH%'`]$%*%*%*%$%'v]]% <! 5-+%;-83(3/1'+)-% R! 5vH%'v$%'s$%'6$%*%*%*% R! 5sH%'s$%*%*%*% R! W'2)-.';%23.32)'.>;)12-;H% <! &1;F:+)3;$%;1+%;-83(3/1'+)-% R! 'vh%avl%]c% R! 'sh%a]l%vc% R! ***% <! 5-+%;-83(3/1'+)-% R! 'vh%a]lpl%]lsc% R! 'sh%a]l\l%]l_c% R! ***%

117 Explorer: Clustering" <! x'.3.o:>3;h%:+%c.:(-%o:'%';)0%?'+).-%?'%-).-%c.:(-$% ')2**% <! g'(.';'+)321m+%/'?13+)'%?'+?-c.3/3;h%83%38):.3%?'% :+3%3C.:(321M+%1+?123%83%;1/181):?%'+).'%;:;% ;:BC.:(-;%

118

119

120

121

122 Explorer: Selección de Atributos" <! V'%(:'?'%1+P';)1C3.%O:'%;:B2-+F:+)-%?'%3).1B:)-;% ;-+%8-;%/0;%.'8'P3+)';%(3.3%.'381i3.%/-?'8-;%?'% (.'?1221M+% <! d3;%)d2+123;%?'%;'8'221m+%?'%3).1b:)-;%2-+)1'+'+%?-;% (3.)';H% R! 4+3%)D2+123%?'%Bh;O:'?3% <! B';)KT.;)$%,-.J3.?%;'8'2)1-+$%.3+?-/%'NG3:;)1P'$% C'+')12%38C-.1)G/$%.3+f1+C% R! 4+3%)D2+123%?'%'P38:321M+% <! 2-..'8321M+$%J.3(('.$%C $%2G1K2:3?.3?-$***% <! A.02)123/'+)'%2:38O:1'.%2-/B1+321M+%';)0% ('./1)1?3%

123

124 Explorer: Visualización de Datos" <! ['..3/1'+)3%/:E%h)18$%(*'*%;1.P'%(3.3%?')'./1+3.%%83%?1T2:8)3?%?'8%(.-B8'/3$%P'.%?1;).1B:21-+';$%83% 'N1;)'+213%?'%2-..'8321-+';$***% <! A:'?'+%P1;:381i3.;'%3).1B:)-;%31;83?-;%-%(-.%(3.';% <! d3;%283;';%;'%2-?1t23+%'+%2-8-.';% <! w(21m+%yf1))'.z%(3.3%p'.%?3)-;%-2:8)3?-;% <! j:+21m+%?'%i--/%

125 Explorer: Visualización de Datos" <! [1;)-C.3/3;% R!.'(.';'+)3+%83%?1;).1B:21M+%?'%:+%3).1B:)-% R! 53?3%B3..3%?'8%G1;)-C.3/3%;'%(:'?'%(3.)1.%(3.3%/-;).3.%83%?1;).1B:21M+%'+%8-;%P38-.';%?'%:+%;'C:+?-%3).1B:)-%

126 Explorer: Visualización de Datos" <! &13C.3/3;%?'%?1;('.;1M+H% R! 53?3%(:+)-%.'(.';'+)3%:+%'F'/(8-%;1):3?-%;'Ch+%8-;% P38-.';%?'%?-;%3).1B:)-;*%53?3%(:+)-%(:'?'%.'(.';'+)3.;'% 2-+%:+%2-8-.%-%,-./3%?1;)1+)3%;'Ch+%'8%P38-.%?'%:+%)'.2'.% 3).1B:)-%a(*%'F*%83%283;'c%

127

128

129

130 Ejercicio práctico I" <! g'(')1.%83%'n('.1'+213%3+)'.1-.%:;3+?-%{'f3*% <! d-;%?3)-;%;'%;:/1+1;).3+%2-+%{'f3*% <! L3/B1D+%';)0+%'+%83%J'BH%% G))(HIIJJJ*C133*1+,*:26/*';I/1'/B.-;I8/3.)1I/3;)'.K1+)'8% 583;1T23.%83%';('21'%;'Ch+%;:%m-.H% d3.c-%?'8%;d(38-*% #+2G-%?'8%;D(38-*% d3.c-%?'8%(d)38-*% #+2G-%?'8%(D)38-*% 583;';H%% MD'N-358#&'MD'O-289:5/572'&'MDO92H9$9:#'

131 Ejercicio práctico II" <! 5-+F:+)-%?'%?3)-;%?'%(3;3F'.-;%?'8%L1)3+12*% <!

132 Ejercicio práctico III" <! #+081;1;%?'%8-;%38:/+-;%?'%;'8'2)1P1?3?*% <! V'C:1.%83%C:>3%(:B8123?3%'+%83%J'B*%

133 Comentarios finales" <! 5:3+?-%;M8-%;'%)1'+'%:+%/3.)188-$%)-?-;%8-;% (.-B8'/3;%(3.'2'+%283P-;*% <! Q;%1/(-.)3+)'%?';2:B.1.%O:'%(.-B8'/3;%;'%(:'?'+% '+,.'+)3.%2-+%';)3;%)D2+123;*% <! àe%o:d%+-z% <F(,4".)'$>%

M1. FUNDAMENTOS DE MINERÍA DE DATOS

M1. FUNDAMENTOS DE MINERÍA DE DATOS MÁSTER OFICIAL DE LA UNIVERSIDAD DE GRANADA "SOFT COMPUTING Y SISTEMAS INTELIGENTES" M1. FUNDAMENTOS DE MINERÍA DE DATOS J.L. CUBERO, F. BERZAL, F. HERRERA Dpto. Ciencias de la Computación e I.A. Universidad

Más detalles

UNIDAD No. 2 CAD para WLAN, Administración y Seguridad en Redes de Datos

UNIDAD No. 2 CAD para WLAN, Administración y Seguridad en Redes de Datos UNIDAD No. 2 CAD para WLAN, Administración y Seguridad en Redes de Datos ) 9; # 2 G9 #2 B;2 # 2 #2?8:2 - A =B# 2## # #B22 A82 2>H#22 >;9

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

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

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

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

Nicolás Ibarra M. Director Ressac Chile

Nicolás Ibarra M. Director Ressac Chile PROGRAMASDI SE ÑADOS PARAT I MAXI MI ZAL APRE SE NCI ADET U E MPRE SAE NL ASREDESSOCI AL E S CONL OSCURSOSDEAUL ARE SSAC DE SCUBREL OSCURSOSQUE DI SE ÑAMOSPARAT I E f ñ p p q ñ ym mp f q b,p p p E p g

Más detalles

Tutorial Weka 3.6.0 Ricardo Aler 2009

Tutorial Weka 3.6.0 Ricardo Aler 2009 Tutorial Weka 3.6.0 Ricardo Aler 2009 Contenidos: 0. Descarga 1. Entrar al programa 2. El Explorer: 2.0. El Explorer: Preprocesamiento (preprocess) 2.1. El Explorer, Clasificación (classify) 2.2. El Explorer,

Más detalles

$%# ! "#$% &' *& & -& **. *+ #$/0$% % &' &)* (*& &*& ()& +&', . & # *+ &(* & //$ % & 1 &*+ % * & & &* & *2&, +& *3& (* & *& &

$%# ! #$% &' *& & -& **. *+ #$/0$% % &' &)* (*& &*& ()& +&', . & # *+ &(* & //$ % & 1 &*+ % * & & &* & *2&, +& *3& (* & *& & !"#! "#$% &' &( )*'*+&,&(*+&& *& & -& **. *+ #$/0$% % &' &)* (*& &*& ()& +&',. *+#$$% '&)*(*&&*& #. & # *+ &(* & * )&(&*&0, %" //$ % & 1 &*+ % * & & &* # % &'&( )*'&)* & *2&, +& *3& (* & *& & -&4 )&(*&&*&

Más detalles

Aprendizaje Automático (Machine Learning)

Aprendizaje Automático (Machine Learning) Aprendizaje Automático (Machine Learning) Introducción a las Tecnologías del Habla 2 o cuatrimestre 2014 Agustín Gravano Tenemos N puntos en el plano. (2,17) (5,16) Tenemos N puntos en el plano. (15,14)

Más detalles

UNIVERSITAT ROVIRA I VIRGILI LA EDUCACIÓN PARA LA SALUD EN LOS CICLOS MEDIO Y SUPERIOR DE EDUCACIÓN PRIMARIA EN LA COMARCA DEL BAIX CAMP Pilar Moreno

UNIVERSITAT ROVIRA I VIRGILI LA EDUCACIÓN PARA LA SALUD EN LOS CICLOS MEDIO Y SUPERIOR DE EDUCACIÓN PRIMARIA EN LA COMARCA DEL BAIX CAMP Pilar Moreno "$%&' "$&&%() "$%&' "$ * %()' " + $ '', "$%&' "-$-( -&' "&$&/" ' "0'1, 23,&- 4-& '0%-(*&+&$",&- 4-& '0%-(*&&+&$",&- 4-& '0%-(*&(+&$""& '(&' %&0(%%() 1, 5 /6 -(*&,, &- ('&,1 -$- 7( -&'&")7(%8&$( -%(& '('9%-(%

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

Motores de aluminio de aplicación general Tamaños 56-100

Motores de aluminio de aplicación general Tamaños 56-100 3 Motor Nº. V CL. EFF 1 IP Hz r/min kw A IEC 34-1 Cos. kg EFF 1 3 Motor CL. IP IEC 34-1 Nº. V Hz r/min kw A Cos. EFF 1 3 Motor CL. IP IEC 34-1 Nº. V Hz r/min kw A Cos. kg kg Motores de aluminio de aplicación

Más detalles

PLAN GENERAL DE ORDENACIÓN URBANA DE VALLE DE TRAPAGA TRAPAGARAN NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES

PLAN GENERAL DE ORDENACIÓN URBANA DE VALLE DE TRAPAGA TRAPAGARAN NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES PLAN GENERAL DE ORDENACIÓN URBANA DE VALLE DE TRAPAGA TRAPAGARAN INDICE DEL ANEXO II. CLASIFICACIÓN DE USOS DEL SUELO SECCIÓN A. NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES

Más detalles

&'( ')&* * ** +&*&,)-*+&). & * &.( )*&/& */ - &.*&)0 ))( 1&*20 - ( 3+)).-)* --.*.2.+* - )*). & &) *)/&*.+.2 *-' 4

&'( ')&* * ** +&*&,)-*+&). & * &.( )*&/& */ - &.*&)0 ))( 1&*20 - ( 3+)).-)* --.*.2.+* - )*). & &) *)/&*.+.2 *-' 4 !""# $ % &'( ')&* * ** +&*&,)-*+&). & * &.( )*&/& */ - &.*&)0 ))( 1&*20 - ( 3+)).-)* --.*.2.+* - )*). & &) *)/&*.+.2 *-' 4!""# !. 56- )* 7)-5 &&( 5 *&)0 ))( 1&*20 - *),+) &. 6+ 8( )&9 :::::::::::::::::::

Más detalles

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

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

Más detalles

NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES A. PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES RENOVABLES

NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES A. PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES RENOVABLES PLAN GENERAL DE ORDENACIÓN URBANA DE MUNDAKA INDICE DEL ANEXO II. CLASIFICACIÓN DE USOS DEL SUELO SECCIÓN A. NOTAS DESCRIPTIVO-NORMATIVAS DE LA PRODUCCIÓN Y EXTRACCIÓN DE RECURSOS NATURALES A. PRODUCCIÓN

Más detalles

2 $ "! "! " # $ % & ' ( " ) " " ( ( " $ * & ' ( " ) " + *, " $ $ - ( " &

2 $ ! !  # $ % & ' (  )   ( (  $ * & ' (  )  + *,  $ $ - (  & !"!"# 2 $ "!"!"# $ % &'(") ""(("$* &'(") "+*,"$$ -( " & 3./"", "0. "-( 1 ( 2 3/3 4 5.. 6 * 5 0"3 +"*03-(" 4 -( * 4,"".. 6 7))8!"#% 5 4 -( 2..9:;(99 ?+(>@.#%7A". %7 ".( $%%... %" -=

Más detalles

Sumario... 5 Prólogo... 7. Unidad didáctica 1. Introducción a la minería de datos... 9. Objetivos de la Unidad... 10

Sumario... 5 Prólogo... 7. Unidad didáctica 1. Introducción a la minería de datos... 9. Objetivos de la Unidad... 10 ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la minería de datos... 9 Objetivos de la Unidad... 10 1. Origen y motivación... 11 2. El proceso de descubrimiento

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

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

!!" # $ $$ # % & ' ! " #!$ % & ' %' $ % ( ) )

!! # $ $$ # % & ' !  #!$ % & ' %' $ % ( ) ) !!" $ $$ % ' (! "!$ % ' %' $ % ( ) ) ) ) $$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$* *$ $ +$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$

Más detalles

MINISTERIO DE EDUCACIÓN Concurso Nacional de Matemática Educación Preuniversitaria Curso 2009 2010 Temario por Grados

MINISTERIO DE EDUCACIÓN Concurso Nacional de Matemática Educación Preuniversitaria Curso 2009 2010 Temario por Grados MINISTERIO DE EDUCACIÓN Concurso Nacional de Matemática Educación Preuniversitaria Curso 009 010 Temario por Grados Nombre: Grado: Escuela: Provincia: Municipio: Número C.I.: Calif: La distribución de

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

!" #$ $ " %!!& %! % $$! $))%)!$)!) *) ++ ,--.

! #$ $  %!!& %! % $$! $))%)!$)!) *) ++ ,--. !" #$ $ " %!!& %! % $'" '"(( $$! $))%)!$)!) *) ++,--. / #$$!+ '"$$$$(#)!00!'0 %! $!1$ )!" #$ $ " %!!& %! % $'" '"((/ &0,--.) 2!$)!) *) ++ 333333333333333333333333333333333333333333333333333333333333333333333

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

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

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

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

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

5 Geometría analítica plana

5 Geometría analítica plana Solucionario Geometría analítica plana ACTIVIDADES INICIALES.I. Halla las coordenadas del punto medio del segmento de extremos A(, ) y B(8, ). El punto medio es M(, 8)..II. Dibuja un triángulo isósceles

Más detalles

2. Geométricamente: Hay dos métodos:

2. Geométricamente: Hay dos métodos: Ejercicio realizado por José Francisco Ramón Prados Enunciado: 1. Dado el ortoedro de vértices ABFDCHGE representado en la figura, indicar que vectores son equipolentes a los dados. Expresar las diagonales

Más detalles

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

Más detalles

Servicios de Salud Para Las Escuelas de el Departamento de Educacion del Condado de Monroe

Servicios de Salud Para Las Escuelas de el Departamento de Educacion del Condado de Monroe 2014 Sc S P Ec Dptt Ecc C M FAVOR DE REGRESAR ESTA PAGINA DESPUES DE HAVER MARCADO UNA DE AS OPSIONES QUE SE MENCIONAN ABAJO ME ESTOY INSCRIBIENDO EN A CINICA DIRIGIDA POR A ESCUEA, INCUYENDO AS PRESCRIPCIONES

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

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

Introducción. La geometría analítica es el estudio de la geometría mediante un sistema de coordenadas que lleva asociada un álgebra.

Introducción. La geometría analítica es el estudio de la geometría mediante un sistema de coordenadas que lleva asociada un álgebra. GEOMETRIA ANALITICA Luis Zegarra. Sistema Unidimensional 153 Introducción La geometría analítica es el estudio de la geometría mediante un sistema de coordenadas que lleva asociada un álgebra. Dos problemas

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

Oficina Económica y Comercial de la Embajada de España en Rusia. Rusia: Pavimentos y Revestimientos Cerámicos

Oficina Económica y Comercial de la Embajada de España en Rusia. Rusia: Pavimentos y Revestimientos Cerámicos Oficina Económica y Comercial de la Embajada de España en Rusia Estudios de Mercado Rusia: Pavimentos y Revestimientos Cerámicos Estudios de Mercado Rusia: Pavimentos y Revestimientos Cerámicos Este estudio

Más detalles

P A R T E I I C r í t i c a r y j u s t i f i c a r s e CAPITULO 5 El imperio de la crítica S o b r e l a s o c i o l ó g i c a d e l r i e s g o y e l d e l i t o t e c n o l ó g i c o s Si el científico,

Más detalles

!"#$%%&'"$&!$" ( )%& $"% %& $% %&& $*+!$%&

!#$%%&'$&!$ ( )%& $% %& $% %&& $*+!$%& !"#$%%&'"$&!$" ( )%& $"% %& $% %&& $*+!$%&,& $"%%&! &-.!"%%& / 012 1 "%%(& $34! $%&.556 !"#$%%&'"$&!$" ( )%& $"% %& $% %&& $*+!$%&,& $"%%&! &-.!"%%& / 7$"&# $## $#&9%#%&: $;&!!+& :% "%%(&

Más detalles

PROGRAMA DE PROFESIONALIZACION A DISTANCIA

PROGRAMA DE PROFESIONALIZACION A DISTANCIA AM00 ADMINISTRACION DE EMPRESAS TURISTICAS Y HOTELERAS E D B D A C C E C A AF99 ADMINISTRACION FINACIERA DE EMP. TURISTICAS Y HOT. C E D D A B C A D E AG99 ADMINISTRACION GENERAL C C B A C E D B A D AO01

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

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

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

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

PLAN DE TRABAJO DOCENTE 2013

PLAN DE TRABAJO DOCENTE 2013 PLAN DE TRABAJO DOCENTE 2013 1. DATOS DE LA ASIGNATURA Nombre: Procesamiento Analítico de Datos Código: Nivel: Grado Carácter: Optativo Área curricular a la que pertenece: Administración Carrera: Contador

Más detalles

! "# #$ % &$'# $ ( #) * +,,,,,,,,

! # #$ % &$'# $ ( #) * +,,,,,,,, !!" ! " $ % &$' $ ( ) * +,,,,,,,, ! "!!$ $ %&'()% - " ) %*+, $ - $ ',,,,,,,,,,,,,,,,,,,,,,,,, *),,,,,,,,,,,,,,,,,,,,,,,,,,,-. % ',,,,,,,,,,,,,,,,,,,,,,,,,,,, / 0'! 1$+$,,,,,,, 20"*)3.!),,,,,,,,,4 20"+$)%

Más detalles

BILLETES. 50 PESETAS 25 de noviembre. Banco de España. Madrid. Sin serie. Con serie B92a

BILLETES. 50 PESETAS 25 de noviembre. Banco de España. Madrid. Sin serie. Con serie B92a BILLETES ALFONSO XIII AÑO REF. DESCRIPCIÓN 1889 B81 25 PESETAS 1 de junio. Banco de España. Madrid. Sin serie 1889 B82 50 PESETAS 1 de junio. Banco de España. Madrid. Sin serie 1889 B83 100 PESETAS 1 de

Más detalles

Historial de Salud del Pasciente

Historial de Salud del Pasciente Ht S Pct Nb Pct: Tf: Dct Cbc: ccó Fch Nct: Fc Fc T Hj/ 504 IEP xpt: S N Ht Mc Pct ADD/ADHD S N Ef Czó S N A S N R Ifcc R S N Pb ñ c S N Sg N S N Tt c g SI N Ní S N Pb tt/tt S N Nct Pt S N Cc/c S N Tt Ep

Más detalles

TA LO GO R E T E N E S H O R Q U I L L A

TA LO GO R E T E N E S H O R Q U I L L A 1 3C G 2014 1 3etenes orquilla Marca Modelo CC پ0ٹ9o po ef. Medidas P P CC 50 50 1992-1998 retenes horquillas 455017 MG-D2 31,7x42x7/9 P P 50 50 1990-1992 retenes horquillas 455017 MG-D2 31,7x42x7/9 P

Más detalles

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

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

Más detalles

Uso de herramienta libre para la generación de reglas de asociación, facilitando la gestión eficiente de incidentes e inventarios.

Uso de herramienta libre para la generación de reglas de asociación, facilitando la gestión eficiente de incidentes e inventarios. Uso de herramienta libre para la generación de reglas de asociación, facilitando la gestión eficiente de incidentes e inventarios. Ing. Corso, Cynthia Lorena, Ing. Gibellini Fabián Departamento de Ingeniería

Más detalles

TFG Educational Data Mining & Learning Analytics

TFG Educational Data Mining & Learning Analytics TFG Educational Data Mining & Learning Analytics Estudio de las Matriculaciones de A.D.E. en la UOC Autor: Antonio Blanco Carpintero Tutor: Ramón Caihuelas Quiles Introducción Educational Data Mining Soporte

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

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

CUESTIONARIO DE EVALUACIÓN DE LAS NECESIDADES DE CAPACITACIÓN. Índice

CUESTIONARIO DE EVALUACIÓN DE LAS NECESIDADES DE CAPACITACIÓN. Índice CUESTIONARIO DE EVALUACIÓN DE LAS NECESIDADES DE CAPACITACIÓN Índice A. Información general B. Dirección C. Equipo de dirección D. Personal E. Distribución del espacio F. Seguridad G. Colecciones H. Investigación

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

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

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

( # % )* $ # ) * )* $ # % +, $ ) * $ % - $, $.# $ +/ +('),()*&# $% ## &-'% +!'.(!.'%+# "/.&)(%()"& +,!)(%+.&)(),%$

( # % )* $ # ) * )* $ # % +, $ ) * $ % - $, $.# $ +/ +('),()*&# $% ## &-'% +!'.(!.'%+# /.&)(%()& +,!)(%+.&)(),%$ !" %"&!'%!%()&! " "! % " % & ' &' ( % ) ) ) % +, ) %," %, -,. +/ +('),()& % &-'% +!'.(!.'%+ "/.&)(%()"& +,!)(%+.&)(),% )+ 0" ( 0 Código Seguro de verificación:. Permite la verificación de la integridad

Más detalles

ESCUELA INTERNACIONAL DE IDIOMAS Avenida Pedro de Heredia, Calle 49a #31-45, barrio el Libano 6600671

ESCUELA INTERNACIONAL DE IDIOMAS Avenida Pedro de Heredia, Calle 49a #31-45, barrio el Libano 6600671 Página: Pág: 1 HORARIOS DE CLASES IDIOMAS Jornada: M Sem:01 Curso:01 A.1.1 AA A.1.1 AA A.1.1 AA 11:00AM-12:00PM VIONIS VIONIS Jornada: M Sem:01 Curso:02 A.1.1 AB A.1.1 AB A.1.1 AB VIONIS VIONIS Jornada:

Más detalles

! "!!! $%&! )* +!, -. /! +!!!! 0 1)* +, !! 6! +! ')!,

! !!! $%&! )* +!, -. /! +!!!! 0 1)* +, !! 6! +! ')!, " " # $%& & '(( )* +, -. / + 0 1')2+,(), 1)* +, 1 /3 43 5 3 %& 6 + '), # % 5'&7 13% 1& " 8 & 3 53 7 53 4 &77. &0 9 & % 03 0 (& : ; 77 #53% 73 & 9 7 )6 2< &2 /+3, 37 7 &3 (& $ (< " 8 / = ' > & = # #?&/

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

Data Mining. Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014

Data Mining. Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014 Data Mining Hugo Alatrista-SALAS PUCP, GRPIAA Labs. halatrista@pucp.pe http://hugo.alatristasalas.free.fr/ 17 de noviembre de 2014 Outline La información y el proceso KDD 1 La información y el proceso

Más detalles

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

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

Más detalles

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

Grupo de investigación en Minería de Datos http://mida.usal.es

Grupo de investigación en Minería de Datos http://mida.usal.es Departamento de Informática y Automática Postgrado en Informática y Automática MÁSTER EN SISTEMAS INTELIGENTES ASIGNATURAS Introducción a la Minería de Datos Minería Web María N. Moreno García http://avellano.usal.es/~mmoreno

Más detalles

GUITAR CHORD CHARTS/ACORDES DE GUITARRA

GUITAR CHORD CHARTS/ACORDES DE GUITARRA GUITAR CHORD CHARTS/ACORDES DE GUITARRA The following symbols are used in the guitar diagrams: Barre String not to be played Open String to be played Augmented chord Diminished chord Half diminished chord

Más detalles

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

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

Más detalles

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

! "#"" $%"&%!#$ % ''(%))* +,)-., &/) * ) 0 &/)! * $) % #$ 1' &/)! * ) 2 3 % "/ (,445

! # $%&%!#$ % ''(%))* +,)-., &/) * ) 0 &/)! * $) % #$ 1' &/)! * ) 2 3 % / (,445 ! "#"" $%"&%!#$ % ''(%* +,-., &/ * 0 &/! * $ % #$ 1' &/! * 2 3 % "/ (,445 66 % 6 666 1, 6, * $ &, 6+ " $ / + 65 $$ /, 5 656, 7, 8. 65, 1. 65+ " - 655 $9-65. - 65- " - 65: : 65; & & : 65< ",$/=> ; 6564

Más detalles

!" " "!"! # "! $% "!! & " ' $% "! ' ( ( ( $! # "!

!  !! # ! $% !! &  ' $% ! ' ( ( ( $! # ! !" " "!"! # "! $% "!! & " ' $% "! ' ( ( ( $! # "! !" #$%&"%'!$( + / ) + ; *+ + K *+* ) 8 K *+,, 88 E *+ +* -' "( " &$-' (+ 8 E *+ + '(&-'.#'/% "01$%"%#' + 8 E *+ +2 '(&-'.#'/%!" $'(($%+ 8 /? *+ + -$#"($!"

Más detalles

Guía docente de la asignatura

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

Más detalles

La Historia Chocolate

La Historia Chocolate Proyecto Cacao Centroamérica La Historia del Cacao y del Chocolate COLECCIÓN ESCUELAS DE CAMPO En el Proyecto Cacao Centroamérica (PCC) del CATIE (Centro Agronómico Tropical de Investigación y Enseñanza),

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

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

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

MEMORIA PARA LA SOLICITUD DE VERIFICACIÓN DEL TÍTULO DE GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

MEMORIA PARA LA SOLICITUD DE VERIFICACIÓN DEL TÍTULO DE GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS MEMORA PARA LA SOLCTUD DE VERFCACÓN DEL TÍTULO DE GRADO EN ADMNSTRACÓN Y DRECCÓN DE EMPRESAS " "$%&'(&) %)*, ) %"- %)*.,-, %"- %)*. /1,&, %"- %)*( 3 "-45678* ))& $%" ): " "$%)&- ;& 3 ;< $"))&=6= )*& "$%3

Más detalles

Implantación de un proyecto de Knowledge Center con una herramienta comercial (Synera)

Implantación de un proyecto de Knowledge Center con una herramienta comercial (Synera) Página 1 de Páginas 80,,, Implantación de un proyecto de Knowledge Center con una herramienta comercial (Synera) Alumno : ETIG Consultor : Ramón Carihuelas Barcelona, 18 de Junio del 2004 Página 2 de Páginas

Más detalles

FIJACIONES NORMALIZADAS

FIJACIONES NORMALIZADAS FIJACIONES NORMALIZADAS para cilindros serie 449 conforme norma ISO 21287 Serie 434 FIJACIONES NORMALIZADAS ISO 21287 - ISO 15552 - AFNOR NF ISO 15552 - DIN ISO 15552 Charnela macho MT4 Escuadras de extremo

Más detalles

Créditos E. C. T. S. (European Credit Transfer System) Ingeniería Informática

Créditos E. C. T. S. (European Credit Transfer System) Ingeniería Informática FACULTAD DE INFORMÁTICA E. C. T. S. (European Credit Transfer System) Ingeniería Informática Ingeniería Técnica en Informática de Gestión Ingeniería Técnica en Informática de Sistemas Ingeniería Informática

Más detalles

VL1. ... con 1 cámara. ... con guías integradas S5. ... con guías integradas

VL1. ... con 1 cámara. ... con guías integradas S5. ... con guías integradas Cilindro sin vástago original UNIVER, la gama más versátil para resolver problemas de automatización y posicionamiento... con 1 cámara Perfil extrusionado de aluminio mm. Carrera hasta 6 m. Diversas posibilidades

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

Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning

Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning Introducción Qué es aprendizaje automatizado e inferencia inductiva"? Para qué sirve? (ejemplos/aplicaciones) Tareas de aprendizaje Representación de datos Enfoques usados Concept learning: algoritmos

Más detalles

CTSPC - CA SPANISH TRANSLATION, 2000. Silvia Alvarez Shahabaznia

CTSPC - CA SPANISH TRANSLATION, 2000. Silvia Alvarez Shahabaznia CTSPC - CA SPANISH TRANSLATION, 2000 Silvia Alvarez Shahabaznia Western Psychological Services (WPS) is the publisher of the CTS. Permission from WPS is required to reproduce copies of this instrument.

Más detalles

!!"!# $!%#"!#"&'#(#)#%#*! #)(%)'+, % %#'% %#')& '"((('!)"&%% )%() % )%##'%((-.(#*()%"'!+/%- ( (" ) $! %!% %! % %'+ % (2% )+(!

!!!# $!%#!#&'#(#)#%#*! #)(%)'+, % %#'% %#')& '((('!)&%% )%() % )%##'%((-.(#*()%'!+/%- ( ( ) $! %!% %! % %'+ % (2% )+(! !!"!# $!%#"!#"&'#(#)#%#*! #)(%)'+, % %#'% %#')& '"((('!)"&%% )%() % )%##'%((-.(#*()%"'!+/%- "0!)' ("!#!)1#'+,"&%#) (#/ ( (" ) $! %!% %! % %'+ % (2% )+(!" # ) % & ) 3%- (##)%#+(#(#)& '#%(#*$)' )%#!)%#3%

Más detalles

PLAZAS LIMITADAS WWW.MAKEATUVIDA.NET WWW.JARDIBOTANIC.ORG INSCRÍBETE! FREEDOM MAJA FI DISTINT ISTINTO MÁS INFO: INSCRIPCIONES: / Asturia.

PLAZAS LIMITADAS WWW.MAKEATUVIDA.NET WWW.JARDIBOTANIC.ORG INSCRÍBETE! FREEDOM MAJA FI DISTINT ISTINTO MÁS INFO: INSCRIPCIONES: / Asturia. Ñ D D Z Ó U Y B B M V Ó M G G jy j P K ó b xm y : W ñ y é xvz fm / g y fó bj y V km / f 1 3 5 7 8 10 10 12 14 15 17 17 22 24 ó y m mím b! F -, m Dm m ó y m bá b gé m fz m / V q vó FDM f m mé j í bj g g

Más detalles

"###################################################################$ 0 1*#############################################$

###################################################################$ 0 1*#############################################$ !"#"! ! " # $ $! % & " ########################################################$ %&% '##################################################( %&% ' ####################################################) *

Más detalles

Versión 2.27.0. Listado de las principales correcciones, mejoras, novedades y adecuaciones incluidas en la versión 2.27.0.

Versión 2.27.0. Listado de las principales correcciones, mejoras, novedades y adecuaciones incluidas en la versión 2.27.0. Versión 2.27.0 Listado de las principales correcciones, mejoras, novedades y adecuaciones incluidas en la versión 2.27.0. Julio del 2015. WIN Software S.A.S 1 Introducción La presente versión 2,27 que

Más detalles

9 VECTORES Y RECTAS EN EL PLANO

9 VECTORES Y RECTAS EN EL PLANO 9 VECTRES RECTAS EN EL PLAN EJERCICIS PRPUESTS 9. Dibuja cuatro vectores equipolentes al vector AB de la figura que tengan sus orígenes en los puntos, C, D y E. D E AB C D C E 9. En la figura siguiente,

Más detalles

INDICE ...2 ...3 ...15 ...20 !...42 "#!...45 PLAN PAIS PLAN DECENAL DE INFANCIA (2004 2015) PARA COLOMBIA. ... 15 ... 17 ... 24 ... 28 ... 32 ...

INDICE ...2 ...3 ...15 ...20 !...42 #!...45 PLAN PAIS PLAN DECENAL DE INFANCIA (2004 2015) PARA COLOMBIA. ... 15 ... 17 ... 24 ... 28 ... 32 ... INDICE...2...3...15... 15... 17...20 21... 24... 28... 32... 36!... 38 "... 40 # "... 41!...42 "#!...45 DOCUMENTO BORRADOR PARA LA DISCUSIÓN NACIONAL 1 $%&'()*+,,*$*+%&-.()*+&*/01$ /2*.0&+)*+&/&%3+*&*$*-&+)*&.0($*/$0)&/+(/

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

Evaluación de modelos para la predicción de la Bolsa

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

Más detalles

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

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

Más detalles

CEIBA es una entidad privada, no lucrativa ajena a fines políticos religiosos, destinada al servicio humanitario.

CEIBA es una entidad privada, no lucrativa ajena a fines políticos religiosos, destinada al servicio humanitario. ! " # $ " $ %&'& Consultor: Ismael Gómez Sánchez Revisión y Coordinación: Elías Raymundo Raymundo (Multiservicios Agroindustriales) Edición y Diseño de Portada y Contraportada: Melissa Reyes Muñoz. CEIBA

Más detalles

Preparación para la XLVII Olimpiada Matemática Española (II) Soluciones

Preparación para la XLVII Olimpiada Matemática Española (II) Soluciones Preparación para la XLVII Olimpiada Matemática Española (II) Soluciones Eva Elduque Laburta y Adrián Rodrigo Escudero 5 de noviembre de 010 Problema 1. Construir un triángulo conocidos 1. un lado, su ángulo

Más detalles

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA

UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INGENIERÍA INFORMÁTICA ANÁLISIS DE DATOS USANDO MODELOS ESTADÍSTICOS SOBRE UN DATAWAREHOUSE ACADÉMICO PARA

Más detalles

DISEÑO E IMPLEMENTACIÓN DE UN QUADCOPTER BASADO EN MICROCONTROLADOR ARDUINO

DISEÑO E IMPLEMENTACIÓN DE UN QUADCOPTER BASADO EN MICROCONTROLADOR ARDUINO TRABAJO FIN DE GRADO EN INGENIERÍA EN TECNOLOGÍAS INDUSTRIALES DISEÑO E IMPLEMENTACIÓN DE UN QUADCOPTER BASADO EN MICROCONTROLADOR ARDUINO AUTOR: VÍCTOR RAMOS VICEDO TUTOR: RAÚL ESTEVE BOSCH Curso Académico:

Más detalles

NOTA TÉCNICA. FECHA: 29 de marzo de 2011. Airbag DTC Codes NºPSA.15

NOTA TÉCNICA. FECHA: 29 de marzo de 2011. Airbag DTC Codes NºPSA.15 NOTA TÉCNICA FECHA: 29 de marzo de 2011 Airbag DTC Codes NºPSA.15 7150 Defecto información velocidad vehículo : No 71AD Defecto presente en el calculador de detección de choque con peatón : No 7362 Defecto

Más detalles