Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria"

Transcripción

1 Minería de Datos Presentación de la asignatura Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012

2 Cuestiones Factuales De índole práctica Personal e infraestructura Clases a cargo de: Cristina Tîrnăucă y Domingo Gómez Horario: martes, 11:45 a 13:45, Laboratorio LSC I (ejercicios dirigidos, principalmente sobre KNIME o Weka); jueves, 9:30 a 10:30 y 10:45 a 11:45, Laboratorio LSC I (Grupo doble : dedicado principalmente a los trabajos prácticos); viernes, 11:45 a 12:45, Aula A11 (Teoría) Información actualizada sobre el desarollo de la asignatura en: moodle.unican.es personales.unican.es/tirnaucac

3 Bibliografía, I 1. Jiawei Han, Micheline Kamber: Data Mining: Concepts and Techniques Pretende una orientación práctica. 2. David Hand, Heikki Mannila, Padrhraic Smyth: Principles of data mining Un clásico. 3. Michael Berthold, Christian Borgelt, Frank Höppner, Frank Klawonn: Guide to Intelligent Data Analysis Recién salido del horno y basado en KNIME.

4 Bibliografía, II 4. Ian H. Witten, Eibe Frank: Data mining: Practical machine learning tools and techniques with Java implementations Es el libro que acompaña a Weka. 5. Ricardo Baeza-Yates, Berthier Ribeiro-Neto: Modern information retrieval Para el poquitín que tocaremos de ese tema. 6. Trevor Hastie, Robert Tibshirani, Jerome Friedman: The elements of statistical learning: data mining, inference, and prediction La base más estadística de la minería de datos.

5 Evaluación Calificación: suma de dos partes, truncada a diez puntos. Trabajos prácticos individuales: de cero a diez puntos. (El último trabajo tendrá más peso) Examen de problemas: de cero a cuatro puntos. Los trabajos: El enunciado de los primeros trabajos prácticos es el mismo para todos. El enunciado del último trabajo práctico es negociable : ha de estar relacionado con la asignatura, pero puede estarlo en mayor o menor grado, según el interés de cada alumno.

6 Trabajos Prácticos Concepto de los trabajos Los primeros: Implementación guiada de varios algoritmos de Minería de Datos. El último: A partir de un dataset que acordemos (a iniciativa tuya o mía), harás entrar en juego todo lo que hayas aprendido e intentarás completar un miniproyecto de Minería de Datos. Ingrediente básico: iniciativa personal. Según lo ambicioso que pueda ser, una extensión de este trabajo puede dar lugar a un Proyecto de Fin de Carrera.

7 Análisis de Datos Construcción de modelos descriptivos o predictivos Objetivo: Una ventaja económica o (menos frecuentemente) humana. La intención es lograrla mediante predicciones acertadas, al menos parcialmente. Predecir al azar difícilmente proporciona ventajas: queremos hacerlo mejor que al azar. Para ello, habremos de basarnos en algo. Por ejemplo, en datos disponibles. Pero si tenemos todos los datos, no hay nada a predecir. Ingrediente imprescindible: la incertidumbre. De las muchas maneras de gestionar el conocimiento incierto, la más relevante en data mining (que no la única) es el enfoque estadístico, basado en la teoría de la probabilidad.

8 Minería de Datos Interés en realidades existentes El proceso de minería de datos incluirá fases de modelado a partir de observaciones (datos) sobre una realidad compleja y existente. Taxonomía: Modelos descriptivos: Segmentación, Asociación. Modelos predictivos: Regresión, Clasificación, Priorización. Modelos supervisados, Modelos no supervisados, Sistemas de recomendación... (Nociones mutuamente no excluyentes.)

9 Regresión, I Figure: Precio según superficie (en metros cuadrados)

10 Regresión, II Figure: Precio según superficie (en metros cuadrados)

11 Regresión, III Figure: Precio según superficie (en metros cuadrados) Otras variables: número de habitaciones, número de baños, si tiene ascensor, calefacción, trastero, parking, si la comunidad tiene piscina, si el piso está situado en el centro,...

12 Clasificación, I Cáncer de mama (maligno / benigno) Observaciones clínicas 1 (P) Maligno? 0 (N) Tamaño del tumor

13 Clasificación, II Cáncer de mama (maligno / benigno) Observaciones clínicas 1 (P) Maligno? 0 (N) Tamaño del tumor

14 Clasificación, III Cáncer de mama (maligno / benigno) Observaciones clínicas 1 (P) Maligno? 0 (N) Tamaño del tumor

15 Clasificación, IV 1 (P) Maligno? 0 (N) Cáncer de mama (maligno / benigno) Tamaño del tumor Observaciones clínicas - La edad del paciente - El espesor del tumor - La homogeneidad del tamaño celular - La homogeneidad de la forma celular

16 Priorización, I Figure: PageRank para una red sencilla de páginas web Fuente: Wikipedia

17 Agrupación, I

18 Segmentación, II

19 Segmentación, III

20 Asociación, I ID leche pan mantequilla cerveza Table: Análisis de canasta de mercado Reglas de confianza 1: {leche } { pan } {leche } { pan, mantequilla } {pan, mantequilla } { leche } Una regla de confianza 0,5: {leche } { mantequilla }

TÓPICOS AVANZADOS DE BASES DE DATOS

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

Más detalles

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación 5.5.1. Denominación: Introducción a la Minería de Datos 5.5.2. Breve Descripción del Contenido: Introducción a la minería de datos. Aprendizaje supervisado, modelos no paramétricos y modelos generalizados

Más detalles

Secretaría de Docencia Dirección de Estudios Profesionales

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

Más detalles

Aprendizaje Computacional. Eduardo Morales y Jesús González

Aprendizaje Computacional. Eduardo Morales y Jesús González Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas

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

OPTATIVA I: MINERIA DE DATOS

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

Más detalles

GUÍA DOCENTE DE LA ASIGNATURA

GUÍA DOCENTE DE LA ASIGNATURA GUÍA DOCENTE DE LA ASIGNATURA G655 - Introducción a los Sistemas Inteligentes Grado en Ingeniería Informática Obligatoria. Curso Grado en Matemáticas Optativa. Curso Curso Académico 2014-2015 1 1. DATOS

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de

Más detalles

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

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

Más detalles

(Procesos de Minería de Datos)

(Procesos de Minería de Datos) (rocesos de Minería de Datos) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA Módulo Materia Asignatura Carácter SISTEMAS Y

Más detalles

(Data Analytics) Guía de Aprendizaje Información al estudiante

(Data Analytics) Guía de Aprendizaje Información al estudiante (Data Analytics) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación Grado en Matemáticas e Informática Módulo Materia Asignatura Carácter SISTEMAS Y SERVICIOS BASADOS EN EL

Más detalles

Prontuario. I. Titulo del curso: Minería de Datos. II. Codificación: ESTA 5504. Horas / Crédito: 3 horas semanales / 3 Créditos

Prontuario. I. Titulo del curso: Minería de Datos. II. Codificación: ESTA 5504. Horas / Crédito: 3 horas semanales / 3 Créditos Universidad de Puerto Rico Recinto de Rio Piedras Facultad de Administración de Empresas 1 2 I. Titulo del curso: Minería de Datos Prontuario II. Codificación: ESTA 5504 III. Horas / Crédito: 3 horas semanales

Más detalles

INTELIGENCIA DE NEGOCIO

INTELIGENCIA DE NEGOCIO Página 1de 9 GUIA DOCENTE DE LA ASIGNATURA INTELIGENCIA DE NEGOCIO MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO COMPLEMENTOS DE SISTEMAS DE INFORMACIÓN SISTEMAS DE INFORMACIÓN EN LA EMPRESA 4º 7º 6 Optativa

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

Weka como herramienta de data mining

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

Más detalles

Introducción a la Minería de Datos y al Aprendizaje Automático

Introducción a la Minería de Datos y al Aprendizaje Automático Introducción a la Minería de Datos y al Aprendizaje Automático Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Juan José Rodriguez Diez Grupo

Más detalles

340455 - REIN-I7P23 - Recuperación de la Información

340455 - REIN-I7P23 - Recuperación de la Información Unidad responsable: 340 - EPSEVG - Escuela Politécnica Superior de Ingeniería de Vilanova i la Geltrú Unidad que imparte: 723 - CS - Departamento de Ciencias de la Computación Curso: Titulación: 2015 GRADO

Más detalles

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

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

Más detalles

PROGRAMA DE ASIGNATURA

PROGRAMA DE ASIGNATURA PROGRAMA DE ASIGNATURA 01. Carrera Lic. En Administración de Negocios Internacionales Lic. En Dirección del Factor Humano Lic. En Comercialización x Lic. En Tecnología Informática Lic. En Administración

Más detalles

Minería de datos (Presentación del curso)

Minería de datos (Presentación del curso) Minería de datos (Presentación del curso) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 10 Forma de evaluar

Más detalles

Academia de la carrera de Licenciatura Informática del Instituto Tecnológico Aguascalientes

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

Más detalles

Bases de datos y bases de conocimiento

Bases de datos y bases de conocimiento Bases de datos y bases de conocimiento MSC-0202 Nombre de la asignatura: Bases de datos y bases de conocimiento Línea de trabajo: Tecnologías Web Tiempo de dedicación del estudiante a las actividades de:

Más detalles

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

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

Más detalles

Manual de Instalación

Manual de Instalación Manual de Instalación MANUAL DE INSTALACIÓN... 1 1. REQUERIMIENTOS DEL SISTEMA... 2 1.1 Hardware... 2 1.2 Software... 2 2. MANUAL DE INSTALACIÓN... 3 2.1 Descargar instalador Weka... 3 2.2 Instalación

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

Métodos Exploratorios en Minería de Datos

Métodos Exploratorios en Minería de Datos Métodos Exploratorios en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración:

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

Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial

Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial Grado en INFORMÁTICA 4º curso Modalidad: Presencial Sumario Datos básicos 3 Breve descripción de la asignatura 4 Requisitos previos 4 Objetivos 4 Competencias 5 Contenidos 6 Metodología 6 Criterios de

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

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia GUÍA DOCENTE Curso Académico 2015/16 1. Técnicas de Análisis Estadístico basado en Inteligencia Artificial 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la

Más detalles

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/ laura SADIO 12, 13 y 14 de Marzo de 2008 grupo de PLN en FaMAF http://www.cs.famaf.unc.edu.ar/ pln/

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

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

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/~laura SADIO 26 de Marzo, 9 y 23 de Abril y 7 de mayo de 2010 grupo de PLN en FaMAF http://www.cs.famaf.unc.edu.ar/~pln/

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

Grado en Ambientales Geología. Curso 2015/16

Grado en Ambientales Geología. Curso 2015/16 DATOS DE LA ASIGNATURA Asignatura: Estadística y Tratamiento de Datos Código: CCAA: 757709203 Geología: 757609107 Doble Titulación: 7572141109 Módulo: Materias Instrumentales Materia: Estadística/Statistics

Más detalles

Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez

Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez Técnicas Estadísticas en Análisis de Mercados Lo que no se mide, lo que de alguna manera no se capta, NO EXISTE. Teodoro Luque Martinez Xavier Barber: xbarber@goumh.es (en asunto SIEMPRE 3º Grado Estadística

Más detalles

PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Datamining y Aprendizaje Automático

PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Datamining y Aprendizaje Automático CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Datamining y Automático 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Grado en

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

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

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

Más detalles

Carrera: TID-1015 SATCA1 2-2 - 4

Carrera: TID-1015 SATCA1 2-2 - 4 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: SATCA1 Ingeniería del Conocimiento Ingeniería en Tecnologías de la Información y Comunicaciones TID-1015 2-2 - 4 2.-

Más detalles

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN DE BASES DE DATOS FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:

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

GUÍA DOCENTE TITULACIONES DE GRADO

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

Más detalles

Minería de datos para descubrir estilos de aprendizaje

Minería de datos para descubrir estilos de aprendizaje Minería de datos para descubrir estilos de aprendizaje ELENA DURÁN ROSANNA COSTAGUTA Universidad Nacional de Santiago del Estero, Argentina 1. Introducción Felder y Silverman (1988) afirman que los estudiantes

Más detalles

270028 - CAIM - Búsqueda y Análisis de Información Masiva

270028 - CAIM - Búsqueda y Análisis de Información Masiva Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 723 - CS - Departamento de Ciencias de la Computación Curso: Titulación: 2015 GRADO EN INGENIERÍA INFORMÁTICA (Plan

Más detalles

Problemas de clasificación: problemas de localización

Problemas de clasificación: problemas de localización Problemas de clasificación: problemas de localización Emilio Carrizosa Facultad de Matemáticas Universidad de Sevilla ecarrizosa@us.es Belén Martín-Barragán Facultad de Matemáticas Universidad de Sevilla

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

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

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA Enrique Puertas epuertas@uem.es Francisco Carrero fcarrero@uem.es José María Gómez Hidalgo jmgomez@uem.es Manuel de Buenaga buenga@uem.es

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Módulo Titulación SISTEMAS INTELIGENTES EN LA EMPRESA MÉTODOS AVANZADOS EN ORGANIZACIÓN INDUSTRIAL OPTATIVAS GRADO EN INGENIERÍA EN ORGANIZACIÓN INDUSTRIAL

Más detalles

Métricas de complejidad para la transformación del problema de detección de cáncer basado en

Métricas de complejidad para la transformación del problema de detección de cáncer basado en Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49 Índice 1 Planteamiento

Más detalles

Introducción a la Prospección de Datos Masivos ( Data Mining )

Introducción a la Prospección de Datos Masivos ( Data Mining ) Temario Introducción a la Prospección de Datos Masivos ( Data Mining ) José Hernández Orallo jorallo@dsic.upv.es Transparencias y otra documentación en: http://www.dsic.upv.es/~jorallo/master/ Máster de

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Estructura de Sistemas Operativos Entornos Tecnológicos Módulo Titulación Graduado en Ingeniería Informática (463) Graduado en Ingeniería Informática de

Más detalles

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

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

Más detalles

ENSIA 605 Inteligencia de Negocios y Minería de Datos

ENSIA 605 Inteligencia de Negocios y Minería de Datos ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías

Más detalles

ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE. ASIGNATURA Conceptos, practicas y retos en data mining. CURSO ACADÉMICO - SEMESTRE 2015-16 - Segundo semestre

ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE. ASIGNATURA Conceptos, practicas y retos en data mining. CURSO ACADÉMICO - SEMESTRE 2015-16 - Segundo semestre ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Conceptos, practicas y retos en data mining CURSO ACADÉMICO - SEMESTRE 2015-16 - Segundo semestre GA_10AK_103000389_2S_2015-16 Datos Descriptivos Nombre

Más detalles

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Sergio Valero Orea 1, Alejandro Salvador Vargas 1, Marcela

Más detalles

Testing de software UTN FRC - ISI UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL CÓRDOBA INGENIERÍA EN SISTEMAS DE INFORMACIÓN

Testing de software UTN FRC - ISI UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL CÓRDOBA INGENIERÍA EN SISTEMAS DE INFORMACIÓN Testing de software UTN FRC - ISI Aportes al Desarrollo Profesional Formación de un Tester Profesional para la Participación en la toma de decisiones estratégicas de un proyecto. Evaluación, clasificación

Más detalles

Introducción a la Prospección de Datos Masivos ( Data Mining )

Introducción a la Prospección de Datos Masivos ( Data Mining ) Introducción a la Prospección de Datos Masivos ( Data Mining ) José Hernández Orallo jorallo@dsic.upv.es Transparencias y otra documentación en: http://www.dsic.upv.es/~jorallo/master/ Máster de Ingeniería

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

Minera de datos aplicada a la detección de Cáncer de Mama

Minera de datos aplicada a la detección de Cáncer de Mama Minera de datos aplicada a la detección de Cáncer de Mama Eugenio Hernández Martínez Universidad Carlos III de Madrid 100039081@alumnos.uc3m.es Rodrigo Lorente Sanjurjo Universidad Carlos III de Madrid

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

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2 Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor AUTORES: Teodora Sofía Argoti Doylet 1, Soraya Freire Oliveros 2, Carmen Orozco Roggiero 3, Juan Alvarado O. 4 1 Egresada de Licenciada

Más detalles

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Yegny Amaya, Edwin Barrientos, Universidad Francisco de Paula Santander, Colombia Diana Heredia Vizcaíno, Universidad

Más detalles

Nombre del formato: Instrumentación Didáctica del Periodo Fecha: 06-Agosto-2012

Nombre del formato: Instrumentación Didáctica del Periodo Fecha: 06-Agosto-2012 Referencia a las Normas ISO 9001:2008 y 14001:2004 Página 1 de 5 INSTITUTO TECNOLÓGICO DE CHETUMAL SUBDIRECCIÓN ACADÉMICA DEPARTAMENTO SISTEMAS Y COMPUTACIÓN INSTRUMENTACIÓN DIDÁCTICA DEL SEMESTRE AGOSTO

Más detalles

HORARIOS CIENCIAS FISCALES

HORARIOS CIENCIAS FISCALES HORARIOS CIENCIAS FISCALES SEMESTRE: I SECCION: 01 AULA 06 LAPSO ACADÉMICO 2012-I HORA LUNES MARTES MIERCOLES JUEVES VIERNES 07:00 07:50 07:50 08:40 08:45 Matemática General I Comprensión y expresión lingüística

Más detalles

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

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

Más detalles

Presentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática

Presentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática Presentación Introducción a las técnicas de reconocimiento de patrones Materia de doctorado en ingeniería/informática Tópicos de minería de datos Materia optativa de LCC Docente: Pablo M. Granitto Horarios:

Más detalles

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación Contenido del Curso Descubrimiento de Conocimiento a partir de Datos ISISTAN UNCPBA sschia@exa.unicen.edu.ar http://www.exa.unicen.edu.ar/catedras/dbdiscov/ Introducción al KDD Etapas Pre-procesamiento

Más detalles

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID d e p a r t a m e n t o d E 0.8 300 0.6 I O 0.4 250 0.2 50 100 200 150 200 250 www.eio.uva.es 300 150 universidad de valladolid e s t a d í s t i c a Ver.norm media desv. estand. o p e r a t i v a i n

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

Perfilamiento de usuarios para detectar en tiempo real el fraude en la banca online T23: Banca electrónica y pago seguro

Perfilamiento de usuarios para detectar en tiempo real el fraude en la banca online T23: Banca electrónica y pago seguro Perfilamiento de usuarios para detectar en tiempo real el fraude en la banca online T23: Banca electrónica y pago seguro Fabrizio Malfanti CTO Dotforce/ Intelligrate fabrizio.malfanti@intelligrate.it http://rake.intelligrate.eu

Más detalles

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

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

Más detalles

PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso

PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso PROGRAMA DE CURSO Código Nombre CC5206 Introducción a la Minería de Datos Nombre en Inglés Introduction to Data Mining SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

GUÍA DOCENTE DE LA ASIGNATURA

GUÍA DOCENTE DE LA ASIGNATURA Grado en Ingeniería Informática ( Obligatoria ) GUÍA DOCENTE DE LA ASIGNATURA G656 - Sistemas de Información Curso Académico 2013-2014 1 1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo

Más detalles

ESTUDIO DE FALLOS EN EL MANTENIMIENTO RELACIONANDO BASE DE DATOS Y FIABILIDAD. FASE I

ESTUDIO DE FALLOS EN EL MANTENIMIENTO RELACIONANDO BASE DE DATOS Y FIABILIDAD. FASE I WICC 2012 207 ESTUDIO DE FALLOS EN EL MANTENIMIENTO RELACIONANDO BASE DE DATOS Y FIABILIDAD. FASE I Abet Jorge Eduardo (1), Carrizo, Blanca Rosa (2), Corso, Cynthia Lorena (3), González, Gustavo (4) GICAPP

Más detalles

TÉCNICAS DE SIMULACIÓN

TÉCNICAS DE SIMULACIÓN ASIGNATURA DE MÁSTER: TÉCNICAS DE SIMULACIÓN Curso 2015/2016 (Código:22201221) 1.PRESENTACIÓN La simulación es una de las técnicas más utilizadas en Metodología de las Ciencias del Comportamiento, y un

Más detalles

DISEÑO E IMPLEMENTACION DE UN SISTEMA PARA PREDICCION DE ENFERMEDADES TROPICALES TRANSMITIDAS POR VECTORES ARTRÓPODOS EN LA CIUDAD DE GUAYAQUIL

DISEÑO E IMPLEMENTACION DE UN SISTEMA PARA PREDICCION DE ENFERMEDADES TROPICALES TRANSMITIDAS POR VECTORES ARTRÓPODOS EN LA CIUDAD DE GUAYAQUIL DISEÑO E IMPLEMENTACION DE UN SISTEMA PARA PREDICCION DE ENFERMEDADES TROPICALES TRANSMITIDAS POR VECTORES ARTRÓPODOS EN LA CIUDAD DE GUAYAQUIL AUTORES Sara Martha Castillo Fiallos 1, Mario Eugenio Clavijo

Más detalles

DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software

DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software Tesista: Director propuesto: Ing. Gustavo A. Ferrero M. Ing.

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

"Big Data Analysis" (Métodos especiales para bases de datos gigantes)

Big Data Analysis (Métodos especiales para bases de datos gigantes) "Big Data Analysis" (Métodos especiales para bases de datos gigantes) Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad

Más detalles

Identificación de Estilos de Aprendizaje en Alumnos Universitarios de Computación de la Huasteca Hidalguense mediante Técnicas de Minería de Datos

Identificación de Estilos de Aprendizaje en Alumnos Universitarios de Computación de la Huasteca Hidalguense mediante Técnicas de Minería de Datos Identificación de Estilos de Aprendizaje en Alumnos Universitarios de Computación de la Huasteca Hidalguense mediante Técnicas de Minería de Datos Felipe de Jesús Núñez Cardenas 1, Raúl Hernández Palacios

Más detalles

Darío Álvarez Néstor Lemo www.autonomo.edu.uy

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

Más detalles

SISTEMAS DE REPRESENTACIÓN Y PROCESAMIENTO AUTOMÁTICO DEL CONOCIMIENTO Licenciatura en Documentación

SISTEMAS DE REPRESENTACIÓN Y PROCESAMIENTO AUTOMÁTICO DEL CONOCIMIENTO Licenciatura en Documentación Página 1de 8 GUIA DOCENTE DE LA ASIGNATURA SISTEMAS DE REPRESENTACIÓN Y PROCESAMIENTO AUTOMÁTICO DEL CONOCIMIENTO Licenciatura en Documentación TITULACIÓN CÓDIGO CURSO CUATRIMESTRE CRÉDITOS TIPO Licenciatura

Más detalles

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES

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

Más detalles

Denominación: Negocios Inteligentes

Denominación: Negocios Inteligentes Denominación: Negocios Inteligentes Clave: Semestre: 7º 8º Carácter: Optativa de Elección Profesionalizante Tipo: Teórica Modalidad: Curso UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA

Más detalles

Ingeniería del Software Web

Ingeniería del Software Web Guía docente de Ingeniería del Software Web titulación: Grado en Ingeniería Informática código: 100520021 tipo: Obligatoria curso: 4º semestre: 1º créditos ECTS: 6 Profesorado profesor: número despacho:

Más detalles

Un simulador empresarial como herramienta práctica para la asignatura de Aprendizaje Automático

Un simulador empresarial como herramienta práctica para la asignatura de Aprendizaje Automático Un simulador empresarial como herramienta práctica para la asignatura de Aprendizaje Automático Raquel Fuentetaja, Silvia de Castro, Javier García, Fernando Borrajo Fernando Fernández, Daniel Borrajo Departamento

Más detalles

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

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

Más detalles

OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS

OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS OBTENCIÓN DE PATRONES Y REGLAS EN EL PROCESO ACADÉMICO DE LA UNIVERSIDAD DE LAS CIENCIAS INFORMÁTICAS UTILIZANDO TÉCNICAS DE MINERÍA DE DATOS Ernesto González Díaz 1, Zady Pérez Hernández 2, Ivet Espinosa

Más detalles

Presentación. Estructuras de Datos y Algoritmos (EDA) Profesorado. Profesorado. Grado en Ingeniería Informática. Profesorado (Dpto.

Presentación. Estructuras de Datos y Algoritmos (EDA) Profesorado. Profesorado. Grado en Ingeniería Informática. Profesorado (Dpto. Estructuras de Datos y Algoritmos (EDA) Grado en Ingeniería Informática Grupo:422 (tardes) Profesora: Yolanda Villate Curso en Moodle: https://moodle2.unizar.es/add/course/view.php?id=739 Estructuras de

Más detalles

PLAN DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA. 1. Datos descriptivos de la asignatura

PLAN DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA. 1. Datos descriptivos de la asignatura PLAN DOCENTE DE LA ASIGNATURA ESTADÍSTICA APLICADA 1. Datos descriptivos de la asignatura Nombre de la asignatura: Estadística Aplicada Área: Marketing e Investigación de Mercados Perfil: Investigación

Más detalles

Escuela Universitaria de Ciencias Empresariales. Máster Oficial en Dirección y Planificación del Turismo

Escuela Universitaria de Ciencias Empresariales. Máster Oficial en Dirección y Planificación del Turismo Escuela Universitaria de Ciencias Empresariales Máster Oficial en Dirección y Planificación del Turismo GUÍA DOCENTE DE LA ASIGNATURA: Curso Académico 2012-2013. V2. Aprobada en Consejo de Gobierno el310112

Más detalles

1. Entender los principios de Business Intelligence y sus implicancias para la innovación en los negocios.

1. Entender los principios de Business Intelligence y sus implicancias para la innovación en los negocios. ENFIN748 Business Intelligence y Data Mining Financiero Profesor: PhD. David Díaz E-mail Profesor: ddiaz@unegocios.cl E-mail Tareas: BI-DM@unegocios.cl PRESENTACIÓN DEL CURSO El objetivo de éste curso

Más detalles

Facultad de Derecho. Grado en Derecho

Facultad de Derecho. Grado en Derecho Grado en Derecho Facultad de Derecho Grado en Derecho GUÍA DOCENTE DE LA ASIGNATURA: Comunicación y recursos para juristas Curso Académico 2012/2013 1. Datos Descriptivos de la Asignatura Asignatura: Código:

Más detalles

Random Forests. Felipe Parra

Random Forests. Felipe Parra Applied Mathematics Random Forests Abril 2014 Felipe Parra Por que Arboles para Clasificación PERFIL DE RIESGO: definir con qué nivel de aversión al riesgo se toman decisiones Interpretación intuitiva

Más detalles

Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos

Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos Yegny Karina Amaya Torrado a, Edwin Barrientos Avendaño a, Diana Judith Heredia Vizcaíno b a Universidad Francisco de

Más detalles

FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4

FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4 FACULTAD DE ENFERMERIA MAESTRÌA EN ENFERMERIA PROGRAMA DEL CURSO ESTADÌSTICA AVANZADA CODIGO MC1114 REQUISITOS EG2113 CREDITO: 4 REQUISITO LICENCIATURA EN ENFERMERÌA PROFESOR 1. Justificación. Se requiere

Más detalles