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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Transcripción

1 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

2 IMAGENESpemexmorena Adquisición de Conceptos Características Generales Aprendizaje inductivo Aprender aspectos generales a partir de ejemplos con datos particulares Se trata de un aprendizaje supervisado Aprendizaje inductivo simbólico Utiliza una representación simbólica (redes semánticas, reglas, programación lógica,...) Aprendizaje inductivo subsimbólico Utiliza una representación subsimbólica (redes neuronales, conjuntos difusos) Se desarrolla por medio de algoritmos de ajuste paramétrico Con la ayuda de Universidad de Oviedo y el centro de Inteligencia Artificial 2 of 34

3 IMAGENESpemexmorena Formas Generales: de aprendizaje inductivo simbólico Si los ejemplos reflejan situaciones con múltiples objetos y relaciones entonces : Adquisición de conceptos Si los ejemplos se refieren a conjuntos atributo-valor :Clasificación supervisada Si se pretende adquirir un modelo lógico :Programación Lógica Inductiva 3 of 34

4 IMAGENESpemexmorena Definición útiles en el Aprendizaje Automático Inducción: generalizar a partir de observaciones para sintetizar conocimiento de más alto nivel Aprendizaje Inductivo: razonamiento hipotético de casos particulares a casos generales Aprendizaje: es la identificación de patrones, de regularidades, existentes en la evidencia es la predicción de observaciones futuras con plausibilidad es eliminación de redundancia = compresión de información 4 of 34

5 IMAGENESpemexmorena Una posoble definción de aprendizaje de acuerod a Mitchell(97) Un programa de ordenador APRENDE a partir de una experiencia E a realizar una tarea T (de acuerdo con una medida de rendimiento P), si su rendimiento al realizar T, medido con P, mejora gracias a la experiencia E 5 of 34

6 IMAGENESpemexmorena Que esperamos de aprender de manera automática Producir programas capaces de mejorar su rendimiento a través de la experiencia Mejorar al realizar una tarea T Respecto a una medida de rendimiento P Gracias a la utilización de la experiencia E. Construir sistemas capaces de adquirir el conocimiento necesario para realizar tareas, usando la experiencia acumulada Proporcionar a los expertos de un dominio conocimiento explícito de cómo se resuelve un determinado problema 6 of 34

7 IMAGENESpemexmorena Pero que no es Aprendizaje Automático Aprender a ordenar una lista de números Podemos hacerlo más rápido sin necesidad de la experiencia, conocemos el concepto de orden y sabemos aplicarlo 7 of 34

8 IMAGENESpemexmorena Pero que no es Aprendizaje Automático Aprender a ordenar una lista de números Podemos hacerlo más rápido sin necesidad de la experiencia, conocemos el concepto de orden y sabemos aplicarlo Aprender la velocidad a la que cae un objeto desde una cierta altura Conocemos el modelo físico que sigue ese proceso, podemos calcularlo precisa y eficientemente 7 of 34

9 IMAGENESpemexmorena Pero que no es Aprendizaje Automático Aprender a ordenar una lista de números Podemos hacerlo más rápido sin necesidad de la experiencia, conocemos el concepto de orden y sabemos aplicarlo Aprender la velocidad a la que cae un objeto desde una cierta altura Conocemos el modelo físico que sigue ese proceso, podemos calcularlo precisa y eficientemente APRENDIZAJE AUTOIMATICO: resuelve problemas que no se pueden modelar,pero de los que tenemos (o podemos adquirir) experiencias sobre su resolución 7 of 34

10 IMAGENESpemexmorena Etapas de diseño para un sistema de aprendizaje automático 1 Elegir la experiencia que usaremos para entrenar el sistema de aprendizaje 2 Definir el tipo de función objetivo que pretendemos aprender 3 Determinar la representación que utilizaremos para la función objetivo 4 Seleccionar el algoritmo de AA a utilizar y aplicarlo para aprender la función objetivo 5 Evaluar el sistema Tom Mitchell Machine Learning.pdf texto 8 of 34

11 IMAGENESpemexmorena Ejemplo donde aplica el Aprendizaje Automático Organizador de correo Electrónico variables a considerar: T= ordenar el correo electrónico entrante de acuerdo a su importancia para el usuario P= concordancia entre el orden propuesto y el orden de lectura del usuario E= gestión diaria del correo por parte del usuario Habrá que considerar: Cómo representamos las características de un correo electrónico? Usar el título, el remitente, el contenido,... Qué tipo de conocimiento es el adecuado para ordenar los correos de acuerdo a su importancia? El sistema se presta a valorar numéricamente cada correo, o a determinar si uno es más importante que otro. Cómo medir la utilidad y el rendimiento del sistema? 9 of 34

12 IMAGENESpemexmorena Otro ejemplo: tipos de Clientes de una empresa T = descubrir distintos grupos de clientes P = eficacia de la campaña de publicidad posterior E = hábitos de consumo de los clientes Habrá que considerar: Cómo representamos las características de un cliente? Selección de las características que sean más útiles para diferenciarlos Qué tipo de conocimiento necesitamos generar? En este caso pretendemos agruparlos sin disponer previamente de otros clientes que han sido agrupados No hay clases predefinidas ni valores numéricos que asignar 10 of 34

13 IMAGENESpemexmorena Técnicas de aprendizaje Aprendizaje no supervisado: el conjunto de observaciones no tienen clases asociadas Se emplea para la Descripción Objetivo: detectar regularidades en los datos Agrupaciones (clustering), contornos, asociaciones, valores anómalos Aprendizaje supervisado: cada observación incluye un valor de la clase a la que corresponde Se emplea para la Predicción Se aprende un clasificador Sirven para explicar las causas que llevan a tomar una decisión Aprendizaje por refuerzo: el sistema recibe recompensas en función de las decisiones que toma 11 of 34

14 IMAGENESpemexmorena Análisis por etapas:elegir la experiencia de entrenamiento(a) Clave en el proceso de aprendizaje: es a partir de lo que generalizamos. Si es mala, incompleta,..., saldrá seguro mal! Hay problemas en los que nos vendrá dada: Diagnóstico de enfermedades: la experiencia procederá de los datos médicos de pacientes junto al diagnóstico que los médicos hicieron Es representativa del problema? Hasta que punto estamos modelando bien el problema con la experiencia utilizada? Podemos usar maestros como modelos o no: A veces los tenemos: diagnóstico de enfermedades, calidad carne A veces procede de una variable medible: producción de leche A veces no lo necesitamos para la tarea: agrupar clientes A veces necesitaremos procesos para capturarla: gestor de correo 12 of 34

15 IMAGENESpemexmorena Análisis por etapas:elegir la experiencia de entrenamiento(b) Para los siguientes casos pueden ser: Diagnóstico de enfermedades:< variablesmdicas >< SI NO > Producción lechera:< descripcingenticadeunavaca >< Produccinanualenlitros > Organizador de correo electrónico: < remitente, ttulo, tamao >< Valoracindelusuario > < palabras[ennoen]elcorreo >< Ordendelectura > < estecorreo > loley antesque < estecorreo > Dependiendo de la representación de la experiencia elegida, estaremos enfocando el problema hacia un tipo de aprendizaje Se recomienda ver los ejemplos del la referencia detom Mitchell 13 of 34

16 IMAGENESpemexmorena Análisis por etapas:definir el tipo de función objetivo que pretendemos aprender diagnóstico de enfermedades f : paciente {SI, NO} Producción de Leche f : vaca R 14 of 34

17 IMAGENESpemexmorena Datos de entrenamiento, a) La experiencia a utilizar y el tipo de función objetivo se plasma en la definición de los datos que se emplearán para aprender El proceso de aprendizaje también se denomina entrenamiento Los datos usados durante el aprendizaje (entrenamiento) se denomina conjunto de entrenamiento Atributos Atri-1... Atr-n Clase(opcional) ejemplo 1 clase ej ejemplio m clase ej-m 15 of 34

18 IMAGENESpemexmorena Datos de entrenamiento, b) Atributos: describen los ejemplos Numéricos: no reales o enteros Simbólicos o Nominales: etiquetas sin relación de orden Clase: según su tipo estaremos ante distintos tipos de aprendizaje Aprendizaje supervisado: disponemos de una clase asociada a cada ejemplo Conjunto finito de clases simbólicas: clasificación (Ej: diagnóstico enfer) Conjunto finito de clases simbólicas con una relación de orden entre ellas o valores enteros: regresión ordinal (Ej: calidad carne) Numérica (real): regresión (Ej: producción de leche) Aprendizaje no-supervisado: sin clase No tenemos o nos interesa (Ej: tipos de clientes) 16 of 34

19 IMAGENESpemexmorena Tipos de datos de entrenamiento 17 of 34

20 IMAGENESpemexmorena Problemas con los datos de entrenamiento Mal de la dimensionalidad: muchos sistemas de Aprendizaje Automático sufren (se ralentizan) con la dimensión (no de atributos) del conjunto de entrenamiento Ruido: ejemplos con la clase mal etiquetada, o atributos con valores con ruido Sensores poco fiables, captura manual de datos, manipulación de datos, etc Atributos mal elegidos: Atributos irrelevantes para el problema: no influyen en el conocimiento que trata de inducirse Atributos redundantes (mal de la dimensionalidad) Missing values: puede ocurrir que para algunos ejemplos desconozcamos el valor de alguno de sus atributos Relación entre el número de atributos y el número de ejemplos disponibles. 18 of 34

21 IMAGENESpemexmorena Problemas con los datos de entrenamiento, cont. Muchos atributos y pocos ejemplos: el conocimiento inducido puede ser poco fiable 19 of 34

22 IMAGENESpemexmorena Aprendizaje Inductivo No Supervisado 20 of 34

23 IMAGENESpemexmorena Tipos de aprendizaje: Es claro la forma de agrupar 21 of 34

24 IMAGENESpemexmorena Aprendizaje Inductivo Supervisado 22 of 34

25 IMAGENESpemexmorena Tipos de Aprendizaje Supervisado Dependiendo del número y tipo de clases: clase discreta: se conoce como clasificación Ejemplos: determinar la variedad de una especie de flores estimar el partido al que voto de una persona Si sólo hay dos clases (V y F) se conoce como aprendizaje de conceptos determinar si una persona tiene cáncer clase continua o discreta ordenada: se denomina regresión (o estimación) y regresión ordinal Ejemplos: estimar la pureza en la producción de zinc clasificar productos agroalimentarios en escalas discretas 23 of 34

26 IMAGENESpemexmorena Hipótesis del Aprendizaje Inductivo Si una hipótesis aproxima bien la función objetivo sobre un conjunto de entrenamiento suficientemente grande, también aproximará bien la función objetivo sobre los ejemplos no observados 24 of 34

27 IMAGENESpemexmorena Taxonomía del Aprendizaje 25 of 34

28 IMAGENESpemexmorena Etapa 3: Representación que utilizaremos para la función objetivo Existen diferentes tipos de funciones dependiendo de la clase de problema que estemos tratando: clasificación, regresión, agrupación,... Diferentes modelos: Simbólicos (reglas, árboles de decisión, PLI,...) Subsimbólicos (redes neuronales, svm,...) La elección depende del uso que vaya a tener Predicción: puede ser simbólico o subsimbólico Explicación: debe ser simbólico 26 of 34

29 IMAGENESpemexmorena Por ejemplo Diagnóstico de enfermedades Necesitamos conocimiento simbólico, si queremos ofrecer explicaciones. Podemos usar reglas o árboles de decisión Producción de leche Es un problema de regresión, podemos optar por representarla mediante una red neuronal Calidad de la carne Podemos usar métodos bayesianos para determinar la probabilidad de que pertenezca a cada una de las clases en función del valor de los atributos Organizador de Correo Podemos usar una solución basada en máquina de vectores soporte que nos permita ordenar los correos de acuerdo a su importancia 27 of 34

30 IMAGENESpemexmorena Etapa 3: Representación que utilizaremos para la función objetivo(cont) Al fijar la representación, estamos definiendo un espacio de búsqueda para la función h (hipótesis) con la que pretendemos aproximar la función objetivo f A este espacio se le denomina textbfespacio de hipótesis El espacio de hipótesis puede no contener a la función objetivo: por lo tanto pueden haber errores Cuanto más complejo sea el espacio de hipótesis: Más difícil será aprender la función h Más ejemplos de entrenamiento serán necesarios Pero más capacidad tendrá para aproximar la función objetivo f En muchas ocasiones, cuando no se tiene muy claro que tipo de representación es más adecuada, se prueban varias y se evalúa la calidad de las soluciones alcanzadas (evaluación) 28 of 34

31 IMAGENESpemexmorena Etapa 4: seleccionar el algortimo de Aprendizaje Automático Meta:Aplicarlo para el aprendizaje de la función objetivo 29 of 34

32 IMAGENESpemexmorena Etapa 4: seleccionar el algortimo de Aprendizaje Automático Meta:Aplicarlo para el aprendizaje de la función objetivo Para cada tipo de función objetivo, o espacio de hipótesis o tipo de conocimiento tendremos distintos algoritmos que pueden aplicarse Ej: si queremos obtener un separador lineal, podríamos usar: una red neuronal, una máquina de vectores soporte, el algoritmo OC1, y otros muchos... Es posible utilizar varios algoritmos distintos o diferentes implementaciones y comparar posteriormente su rendimiento Ej: hay muchas implementaciones diferentes de máquinas de vectores soporte con distintos sistemas de optimización A veces se selecciona el algoritmo o la implementación en función de la plataforma o de otras herramientas con las que deba utilizarse 29 of 34

33 IMAGENESpemexmorena Etapa 4: seleccionar el algortimo de Aprendizaje Automático (cont) Parámetros: todos los sistemas tienen algún tipo de parámetro Básicamente sirven para evitar dos factores: El ruido de los datos de entrenamiento El grado de ajuste a los datos Es habitual ejecutar el algoritmo de Aprendizaje Automático con distintos parámetros para evaluar y comparar su rendimiento A veces se utilizan algoritmos genéticos para ajustar los parámetros de un Aprendizaje Automático 30 of 34

34 IMAGENESpemexmorena Tecnicas utilizadas:caso No Supervisado Técnicas de clustering: Clustering jerárquicos k-means Mapas auto-organizados (SOM) [Kohonen, 95] EM [Dempster et al. 77] Cobweb [Fisher, 87] Análisis exploratorios: Estudios de correlaciones Detección datos anómalos Asociaciones y dependencias Análisis de dispersión 31 of 34

35 IMAGENESpemexmorena Tecnicas utilizadas:caso Supervisado Árboles de Decisión: Sistemas basados en reglas: Aprendizaje basado en instancias Híbridos: Redes de Neuronas Artificiales (ANN): Clasificadores Estadísticos Basados en kernels: 32 of 34

36 IMAGENESpemexmorena 5ta. Etapa: Evaluación del sistema El sistema funciona bien en la práctica? Generaliza bien en situaciones no vistas durante el entrenamiento? Tratamos de analizar si las regularidades observadas en la muestra (finita) usada en el entrenamiento se mantiene en la distribución que representa Aprendizaje supervisado: Normalmente se separan algunos ejemplos, no se utilizan para entrenar, y con ellos se evalúa la calidad de la hipótesis inducida Hay distintas técnicas de evaluación: Entrenamiento-test: dos conjuntos separados Hold-out: 66 % ejemplos para entrenar, 33 % para test Cross-Validation: se generan distintos cjtos de entrenamiento- test Leave-one-out: se entrenan con todos los ejemplos menos uno y luego se evalúa sobre ese ejemplo 33 of 34

37 IMAGENESpemexmorena Hipótesis Dada la hipótesis h obtenida a partir un sistema de aprendizaje, nos gustaría conocer varias cosas: Cuál es el mejor estimador que podemos utilizar para medir la precisión de h sobre ejemplos futuros, generados con la misma distribución D? Cuál es el error probable de ese estimador? Dado que el conjunto de datos disponible siempre será limitado, cuál es el mejor método para aprender la hipótesis y evaluar su precisión? Si empleamos dos sistemas de aprendizaje diferentes, que generan hipótesis distintas, cuál de ellas se comportará mejor? Surge una necesidad evidente de disponer de estimadores que midan la calidad de las hipótesis sintetizadas por los sistemas de aprendizaje 34 of 34

38 IMAGENESpemexmorena Error de una hipótesis: verdadero Es la probabilidad de que una hipótesis h clasifique mal un ejemplo cualquiera generado a partir de la distribución D del espacio de instancias X 35 of 34

39 IMAGENESpemexmorena Error de una hipótesis: una muestra No podemos calcular el error verdadero, pero podemos medir el error en una muestra S: error s (h) = 1 S (f (x) h(x)) x S Cómo de bueno es el error en una muestra como estimador del error verdadero? Dependemos de algún factor para hacer estimaciones del error verdadero a partir del error en una muestra? Podemos acotar el error verdadero de una hipótesis h, conocido su error en una muestra? La estadística nos ayuda a responder a estas preguntas 36 of 34

40 IMAGENESpemexmorena Evaluar la hipótesis Una opción es estimar el error verdadero La evaluación se puede realizar: Durante el aprendizaje, para seleccionar una hipótesis adecuada Al final del aprendizaje, para indicar el nivel de confianza de la hipótesis elegida Usar el error sobre los ejemplos del conjunto de entrenamiento (error de reescritura) para seleccionar la hipótesis es peligroso El sistema de aprendizaje tenderá a ajustarse en exceso a los datos de entrenamiento 37 of 34

41 IMAGENESpemexmorena Problemas con el ajuste:en exceso overfitting Una hipótesis h 1 H se sobre-ajusta a una muestra S de datos si existe una hipótesis alternativa h 2 H tal que: error s (h 1 ) < error s (h 2 ) y error D (h 1 ) > error D (h 2 ) 38 of 34

42 IMAGENESpemexmorena Sub ajuste(underfitting) Una hipótesis h 1 H se sub-ajusta a una muestra S de datos si existe una hipótesis alternativa h 2 H tal que: error s (h 1 ) > error s (h 2 ) y error D (h 1 ) > error D (h 2 ) 39 of 34

43 IMAGENESpemexmorena Evaluar la hipótesis Si disponemos de muchísimos ejemplos, no hay problema en usar sólo una parte de los ejemplos para entrenar y el resto como conjunto de test para estimar el error Hold-out (23 para entrenar, 13 para test) Lamentablemente, lo normal es disponer de un conjunto de datos con pocos ejemplos No podemos lastrar el proceso de aprendizaje usando pocos ejemplos Que podemos hacer Una opción intermedia es separar parte de los ejemplos (conjunto de validación) y utilizarlos para optimizar parámetros o tomar decisiones a la hora de seleccionar la hipótesis más adecuada Usar métodos de resampling para generar distintos conjuntos de entrenamientotest 40 of 34

44 IMAGENESpemexmorena Entrenamiento, validación, test La manera más adecuada de aprender, seleccionar hipótesis y obtener una estimación adecuada del error verdadero es: Separar los ejemplos disponibles en 3 conjuntos: Conjunto de entrenamiento: para aprender hipótesis Conjunto de validación: seleccionar hipótesis, ajustar parámetros,... Conjunto de test: obtener un estimador no sesgado y con poca varianza del error verdadero Los conjuntos de validación y test deben cumplir las condiciones que indicamos antes para poder aproximar sus estimaciones mediante una distribución normal Tendremos estimadores no sesgados y con poca varianza 41 of 34

45 IMAGENESpemexmorena Método K-fold Validación Cruzada(CV) Es una manera de obtener conjuntos de entrenamiento (validación) y test cuando tenemos pocos ejemplos. Evita perder muchos ejemplos para entrenar y además podemos obtener un buen estimador del error. K-fold CV es Divide los n ejemplos en k conjuntos disjuntos (folds) Para i=1 hasta k Entrenar usando todos los folds menos i Emplear el fold i para estimar el error Devolver la media de los errores de los k folds Fin Es habitual usar k=10 y repetir el proceso para obtener un estimador aún mejor 42 of 34

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

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

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

Ingeniería en Informática

Ingeniería en Informática Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se

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

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

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

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

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

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas.

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas. El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los

Más detalles

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

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

Más detalles

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

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

CLASIFICACIÓN NO SUPERVISADA

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

Más detalles

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

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

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

VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS

VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS Dr. Gerardo Reyes Salgado Profesor-Investigador / Instituto Tecnológico de Cuautla gerardo.reyes@itcuautla.edu.mx www.itcuautla.edu.mx 1

Más detalles

La inteligencia de marketing que desarrolla el conocimiento

La inteligencia de marketing que desarrolla el conocimiento La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece

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

Práctica 11 SVM. Máquinas de Vectores Soporte

Práctica 11 SVM. Máquinas de Vectores Soporte Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han

Más detalles

Capítulo III. Manejo de Incidentes

Capítulo III. Manejo de Incidentes Manejo de Incidentes Manejo de Incidentes Tabla de contenido 1.- En qué consiste el manejo de incidentes?...45 1.1.- Ventajas...47 1.2.- Barreras...47 2.- Requerimientos...48 3.- Clasificación de los incidentes...48

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

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

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

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

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

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

Más detalles

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

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

Una investigación australiana reveló que posiblemente la disminución

Una investigación australiana reveló que posiblemente la disminución CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación

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

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

SIC 32 Activos Intangibles Costos de Sitios Web

SIC 32 Activos Intangibles Costos de Sitios Web SIC 32 Activos Intangibles Costos de Sitios Web La Interpretación SIC-32 Activos Intangibles Costos de Sitios Web se encuentra en los párrafos 7 a 10. La SIC-32 viene acompañada de Fundamentos de las Conclusiones

Más detalles

Objeto del informe. ALUMNO 1 Página: 1

Objeto del informe. ALUMNO 1 Página: 1 Nombre: ALUMNO 1 Centro: NOMBRE DEL COLEGIO Curso: 5º E. PRIMARIA Responsable: RESPONSABLE Localidad: LOCALIDAD Fecha: 21 / julio / 2015 Objeto del informe El presente informe recoge la evaluación psicológica

Más detalles

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

Más detalles

Compiladores y Lenguajes de Programación. Maria de Guadalupe Cota Ortiz

Compiladores y Lenguajes de Programación. Maria de Guadalupe Cota Ortiz Compiladores y Lenguajes de Programación Maria de Guadalupe Cota Ortiz Organizaciones que rigen las normas para estandarización de Lenguajes de Programación IEEE (Instituto de Ingenieros Eléctricos y Electrónicos)

Más detalles

Unidad III. Planificación del proyecto de software

Unidad III. Planificación del proyecto de software Planificación del proyecto de software Unidad III 3.1. Aplicación de herramientas para estimación de tiempos y costos de desarrollo de software: GANTT, PERT/CPM, uso de software para la estimación de tiempos

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

Mantenimiento de Sistemas de Información

Mantenimiento de Sistemas de Información de Sistemas de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ACTIVIDAD MSI 1: REGISTRO DE LA PETICIÓN...4 Tarea MSI 1.1: Registro de la Petición... 4 Tarea MSI 1.2: Asignación de la Petición... 5 ACTIVIDAD

Más detalles

Gestión y Desarrollo de Requisitos en Proyectos Software

Gestión y Desarrollo de Requisitos en Proyectos Software Gestión y Desarrollo de Requisitos en Proyectos Software Ponente: María Jesús Anciano Martín Objetivo Objetivo Definir un conjunto articulado y bien balanceado de métodos para el flujo de trabajo de Ingeniería

Más detalles

Semana de dieta (X) 1 2 3 4 5 Peso en Kg (Y) 88.5 87 84 82.5 79

Semana de dieta (X) 1 2 3 4 5 Peso en Kg (Y) 88.5 87 84 82.5 79 . Una persona se somete a una dieta de adelgazamiento durante cinco semanas. A continuación se detalla su peso al término de cada una de esas semanas: Semana de dieta X) 2 3 4 Peso en Kg Y) 88. 87 84 82.

Más detalles

Sistemas de Recuperación de Información

Sistemas de Recuperación de Información Sistemas de Recuperación de Información Los SRI permiten el almacenamiento óptimo de grandes volúmenes de información y la recuperación eficiente de la información ante las consultas de los usuarios. La

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D.

ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus José Carlos Vega Vilca, Ph.D. UNIVERSIDAD DE PUERTO RICO FACULTAD DE ADMINISTRACION DE EMPRESAS INSTITUTO DE ESTADISTICA ANÁLISIS ESTADÍSTICO Calculadora Gráfica TI 83 Plus, Ph.D. Presentación Este curso ofrece al estudiante, la posibilidad

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

Estimar, descomponer y comparar el error de mala clasificación

Estimar, descomponer y comparar el error de mala clasificación Estimar, descomponer y comparar el error de mala clasificación Evaluando y analizando el comportamiento de algoritmos de inducción de clasificadores Aritz Pérez, Pedro Larrañaga e Iñaki Inza Intelligent

Más detalles

Otras medidas descriptivas usuales

Otras medidas descriptivas usuales Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.

Más detalles

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS

TECNÓLOGO EN INFORMÁTICA PLAN DE ESTUDIOS Administración Nacional de Universidad de la República Educación Pública Facultad de Ingenieria CF Res..0.07 Consejo Directivo Central Consejo Directivo Central Res..05.07 Res. 17.0.07 TECNÓLOGO EN INFORMÁTICA

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

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

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

Más detalles

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL 1. Electrónica Digital Antes de empezar en el tema en cuestión, vamos a dar una posible definición de la disciplina que vamos a tratar, así como su ámbito

Más detalles

Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI

Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention

Más detalles

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.

Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:

Más detalles

Seminario Aplicaciones de las Redes Neuronales (WebSOM)

Seminario Aplicaciones de las Redes Neuronales (WebSOM) Seminario Aplicaciones de las Redes Neuronales (WebSOM) Inteligencia Artificial 5 o Informática IA curso 2012-2013 CCIA Noviembre 2012 IA 1213 (CCIA) Seminario WebSOM Noviembre-2012 1 / 12 Usos de los

Más detalles

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO

EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO EL ANÁLISIS DE CONGLOMERADOS EN LOS ESTUDIOS DE MERCADO I. INTRODUCCIÓN Beatriz Meneses A. de Sesma * En los estudios de mercado intervienen muchas variables que son importantes para el cliente, sin embargo,

Más detalles

Para optimizar este proceso lo dividiremos en etapas y deberemos tener bien claro el objetivo que debemos alcanzar en cada una de ellas:

Para optimizar este proceso lo dividiremos en etapas y deberemos tener bien claro el objetivo que debemos alcanzar en cada una de ellas: ETAPAS DEL PROCESO DE SELECCIÓN DE PERSONAL EN LAS EMPRESAS FAMILIARES En la actualidad muchas empresas familiares han evolucionado intentando aplicar técnicas adecuadas para el proceso de Selección de

Más detalles

Diseños de Investigación 40 conceptos que debes conocer

Diseños de Investigación 40 conceptos que debes conocer Diseños de Investigación 40 conceptos que debes conocer 1. El método científico: Se puede realizar desde dos enfoques distintos, hipotético deductivo y analítico inductivo. Con frecuencia los dos ocurren

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

INDICADORES PRESENTADO POR: LUIS DARÍO TÉLLEZ RAMÍREZ

INDICADORES PRESENTADO POR: LUIS DARÍO TÉLLEZ RAMÍREZ PRESENTADO POR: LUIS DARÍO TÉLLEZ RAMÍREZ CONTENIDO GENERALIDADES DE LA MEDICIÓN CLASIFICACIÓN DE FORMULACIÓN O AJUSTE DE GENERALIDADES DE LA MEDICIÓN EN EL SECTOR PÚBLICO La medición consiste en revisar

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

Unidad 1. Fundamentos en Gestión de Riesgos

Unidad 1. Fundamentos en Gestión de Riesgos 1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.

Más detalles

Creación y administración de grupos de dominio

Creación y administración de grupos de dominio Creación y administración de grupos de dominio Contenido Descripción general 1 a los grupos de Windows 2000 2 Tipos y ámbitos de los grupos 5 Grupos integrados y predefinidos en un dominio 7 Estrategia

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

GESTIÓN DE PROYECTOS DE SOFTWARE

GESTIÓN DE PROYECTOS DE SOFTWARE GESTIÓN DE PROYECTOS DE SOFTWARE LA PLANIFICACIÓN de proyectos se define como la predicción de la duración de las actividades y tareas a escala individual. LA ESTIMACIÓN se define como la predicción de

Más detalles

Enfoque del Marco Lógico (EML)

Enfoque del Marco Lógico (EML) Enfoque del Marco Lógico (EML) Qué es el EML? Es una herramienta analítica que se utiliza para la mejorar la planificación y la gestión de proyectos tanto de cooperación al desarrollo como de proyectos

Más detalles

Ingeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007

Ingeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007 Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el

Más detalles

Identificación fácil de los clientes adecuados

Identificación fácil de los clientes adecuados PASW Direct Marketing 18 Especificaciones Identificación fácil de los clientes adecuados Sabemos que le gustaría que sus programas de marketing sean lo más rentables posible y sabemos que conocer la información

Más detalles

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7

MATEMÁTICAS ESO EVALUACIÓN: CRITERIOS E INSTRUMENTOS CURSO 2014-2015 Colegio B. V. María (Irlandesas) Castilleja de la Cuesta (Sevilla) Página 1 de 7 Página 1 de 7 1 CRITERIOS DE EVALUACIÓN 1.1 SECUENCIA POR CURSOS DE LOS CRITERIOS DE EVALUACION PRIMER CURSO 1. Utilizar números naturales y enteros y fracciones y decimales sencillos, sus operaciones

Más detalles

Activos Intangibles Costos de Sitios Web

Activos Intangibles Costos de Sitios Web SIC-32 Interpretación SIC-32 Activos Intangibles Costos de Sitios Web Esta versión incluye las modificaciones procedentes de las NIIF nuevas y modificadas emitidas hasta el 31 de diciembre de 2006. La

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

Curso de Inteligencia Artificial

Curso de Inteligencia Artificial Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras

Más detalles

PROGRAMA GENERAL DE PRÁCTICAS EN LA MAESTRIA EN PSICOLOGIA CLINICA Y DE LA SALUD. Entre otras cosas, con las prácticas se pretende que el alumnado:

PROGRAMA GENERAL DE PRÁCTICAS EN LA MAESTRIA EN PSICOLOGIA CLINICA Y DE LA SALUD. Entre otras cosas, con las prácticas se pretende que el alumnado: PROGRAMA GENERAL DE PRÁCTICAS EN LA MAESTRIA EN PSICOLOGIA CLINICA Y DE LA SALUD. Las practicas supervisadas en el programa de la maestría en psicología clínica y de la salud (MPCS), se orientan tanto

Más detalles

ANÁLISIS MODAL DE FALLOS EFECTOS (A. M. F. E.)

ANÁLISIS MODAL DE FALLOS EFECTOS (A. M. F. E.) ANÁLISIS MODAL DE FALLOS EFECTOS (A. M. F. E.) Y 1. INTRODUCCIÓN Este documento describe paso a paso el proceso de identificación, evaluación y prevención de deficiencias en los productos o servicios.

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica C1. Capacidad para la resolución de los problemas matemáticos que puedan plantearse en la ingeniería. Aptitud para aplicar

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

I.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O.

I.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. Este programa está destinado a los alumnos que han promocionado a cursos superiores sin haber superado esta materia.

Más detalles

ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB. (Modificada en 2008) (IV Difusión)

ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB. (Modificada en 2008) (IV Difusión) ANEXO 26-A COMITÉ PERMANENTE DE INTERPRETACIÓN SIC N 32 ACTIVOS INTANGIBLES COSTOS DE SITIOS WEB (Modificada en 2008) (IV Difusión) Interpretación SIC-32 Activos Intangibles - Costos de Sitios Web Referencias

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

S P I N. Selling. Neil Rackham (1988) Profesor: Luis Mª García Bobadilla

S P I N. Selling. Neil Rackham (1988) Profesor: Luis Mª García Bobadilla S P I N Selling Neil Rackham (1988) Ver página web y newsletter de www.huthwaite.com SPIN Selling Para ventas a gran escala Método basado en investigación Los métodos tradicionales de entrenamiento de

Más detalles

6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS

6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS 6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS Esquema del capítulo Objetivos 6.1. 6.. 6.3. 6.4. ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS COEFICIENTES DE CONTINGENCIA LA

Más detalles

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son

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

CRM. Customer Relationship Management Sistema de Gestión Inteligente de Mercadeo y Ventas. Sistema de Gestión Inteligente de Mercadeo y Ventas

CRM. Customer Relationship Management Sistema de Gestión Inteligente de Mercadeo y Ventas. Sistema de Gestión Inteligente de Mercadeo y Ventas CRM Customer Relationship Management Sistema de Gestión Inteligente de Mercadeo y Ventas Sistema de Gestión Inteligente de Mercadeo y Ventas Customer Relationship Management (Administración de Relaciones

Más detalles

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012 Bases de Datos Documentales Curso 2011/2012 Miguel Ángel Rodríguez Luaces Laboratorio de Bases de Datos Universidade da Coruña Introducción Hemos dedicado la primera mitad del curso a diseñar e implementar

Más detalles

MANUAL DE PROCESOS, CONTROLES, INDICADORES Y RIESGOS

MANUAL DE PROCESOS, CONTROLES, INDICADORES Y RIESGOS MANUAL DE PROCESOS, CONTROLES, INDICADORES Y RIESGOS Departamento del Meta Entre los elementos más eficaces para la toma de decisiones en Administración, se destaca lo relativo a los PROCESOS, CONTROLES,

Más detalles

ANEXO : PERFILES. Guía de Comunicación Digital para la Administración General del Estado. ANEXO PERFILES

ANEXO : PERFILES. Guía de Comunicación Digital para la Administración General del Estado. ANEXO PERFILES ANEXO : PERFILES Guía de Comunicación Digital para la Administración General del Estado. ANEXO PERFILES ANEXO: PERFILES. 3 1. REQUISITOS ANTES DE TENER EL SITIO WEB. 4 1.1 TOMA DE REQUISITOS. 4 1.2 ANÁLISIS

Más detalles

Hotetec CALL CENTER. Hotetec WEB HOTEL. Hotetec CHANNEL MANAGER. Hotetec MOBILE BOOKING

Hotetec CALL CENTER. Hotetec WEB HOTEL. Hotetec CHANNEL MANAGER. Hotetec MOBILE BOOKING Hotetec WEB HOTEL Hotetec CHANNEL MANAGER Hotetec CALL CENTER Hotetec MOBILE BOOKING Tus contenidos tienen la calidad necesaria? Son suficientemente representativos? Tu Web Account realiza un análisis

Más detalles

Código del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa

Código del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa Código del programa: PEMDE Programa Experto en MANEJO DE DATOS CON EXCEL Modalidad: Virtual Descripción del programa 1 Presentación del programa Justificación Microsoft Excel es la herramienta de manejo

Más detalles

Parámetros y estadísticos

Parámetros y estadísticos Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población

Más detalles

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza

Más detalles

Guía Práctica para el Diseño de Proyectos Sociales

Guía Práctica para el Diseño de Proyectos Sociales Guía Práctica para el Diseño de Proyectos Sociales Marcela Román C. CIDE INTRODUCCION Las Políticas de focalización de la acción social del Estado y, en particular la educativa, están fundamentalmente

Más detalles

Electrónica Digital II

Electrónica Digital II Electrónica Digital II M. C. Felipe Santiago Espinosa Aplicaciones de los FPLDs Octubre / 2014 Aplicaciones de los FPLDs Los primeros FPLDs se usaron para hacer partes de diseños que no correspondían a

Más detalles

por Miguel Crespo Celda

por Miguel Crespo Celda PRACTICA DE TACTICA: LA ANTICIPACION 1. Definición. La anticipación en tenis significa adivinar cuáles son las intenciones del contrario de forma que el jugador se pueda preparar adecuadamente para reaccionar.

Más detalles