Reglas de Asociación. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

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

Download "Reglas de Asociación. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid"

Transcripción

1 Reglas de Asociación Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

2 Reglas Proposicionales: Reglas de Clasificación Descripción de instancias: pares atributo/valor Reglas Si <antecedente> Entonces <consecuente> <antecedente> conjunción de restricciones atributo=valor <consecuente> restricción valor de la clases Si ingresos=moderados, historia=desconocida, deuda=alta Entonces riesgo=alto Reglas de asociación 2

3 Reglas de Asociación Similares a reglas de clasificación, pero Pueden predecir cualquier atributo Cualquier combinación de atributos No suelen utilizarse todas juntas Diferentes grupos muestran distintas regularidades del conjunto de datos Reglas de asociación 3

4 Datos: clima Cielo Temp Humedad Viento Jugar Soleado Alta Alta Falso No Soleado Alta Alta Cierto No Cubierto Alta Alta Falso Si Lluvioso Suave Alta Falso Si Lluvioso Fría Normal Falso Si Lluvioso Fría Normal Cierto No Cubierto Fría Normal Cierto Si Soleado Suave Alta Falso No Soleado Fría Normal Falso Si Lluvioso Suave Normal Falso Si Soleado Suave Normal Cierto Si Cubierto Suave Alta Cierto Si Cubierto Alta Normal Falso Si Lluvioso Suave Alta Cierto No Reglas de asociación 4

5 Algunas reglas de asociación Si humedad=normal, viento=falso Entonces jugar=si Si humedad=normal, jugar=si Entonces viento=falso Si viento=falso, jugar=si Entonces humedad=normal Si humedad=normal Entonces viento=falso, jugar=si Si viento=falso Entonces humedad=normal, jugar=si Si jugar=si Entonces humedad=normal, viento=falso Si Entonces humedad=normal, viento=falso, jugar=si Reglas de asociación 5

6 Aplicación Interés: descubrir combinaciones de pares atributo-valor que ocurren con frecuencia en un grupo de datos Áreas de aplicación Análisis de la cesta de la compra En general: patrón de transacciones que permite identificar clientes con patrones de comportamiento común a los que se les puede realizar ofertas personalizadas Reglas de asociación 6

7 Dificultad Gran número de posibles reglas a considerar, incluso para conjuntos de datos pequeños, debido a que el consecuente puede contener cualquier combinación de pares atributo-valor. Las técnicas convencionales, divide y vencerás, separa y vencerás, no son de utilidad Invocarlas para cada posible consecuente Podar en función del error Reglas de asociación 7

8 Limitar la generación de reglas Obtener solo reglas interesantes Se aplican a suficientes instancias Son precisas Soporte: ejemplos que satisfacen antecedente y consecuente O bien: número de instancias que cubre correctamente la regla Confianza: % de ejemplos que satisfacen el consecuente de los que hacen cierto el antecedente O bien, cociente ente el soporte y el número de instancias que satisfacen el antecedente Reglas de asociación 8

9 Ejemplo Cielo Temp Humed ad Viento Soleado Alta Alta Falso No Soleado Alta Alta Cierto No Cubierto Alta Alta Falso Si Lluvioso Suave Alta Falso Si Lluvioso Fría Normal Falso Si Lluvioso Fría Normal Cierto No Cubierto Fría Normal Cierto Si Soleado Suave Alta Falso No Soleado Fría Normal Falso Si Lluvioso Suave Normal Falso Si Soleado Suave Normal Cierto Si Jugar Si temperatura=alta Entonces humedad= alta Soporte: nº de instancias con temperatura=alta & humedad= alta, 3 Confianza: soporte dividido por nº de instancias con temperatura=alta, 75% (3/4) Cubierto Suave Alta Cierto Si Cubierto Alta Normal Falso Si Lluvioso Suave Alta Cierto No Reglas de asociación 9

10 Reglas con múltiple consecuente No es lo mismo la regla Si viento=falso, jugar=no Entonces cielo=soleado, humedad=alta Que las reglas Si viento=falso, jugar=no Entonces cielo=soleado Si viento=falso, jugar=no Entonces humedad=alta Si la primera regla supera el soporte y la confianza mínimas, también lo superaran las otras dos (lo contrario no es cierto) Además, significa que Si viento=falso, jugar=no, cielo=soleado Entonces humedad=alta Reglas de asociación 10

11 Generación eficiente de reglas de asociación 1. Buscar combinaciones de pares atributo-valor con suficiente soporte 2. Generar, a partir de ellas, reglas con suficiente confianza Para ello, se recurre a una estructura intermedia, denominada item-set Reglas de asociación 11

12 Item sets Item: par atributo-valor Item set: conjunto de pares atributo-valor K-item set: conjunto con k items Generación de item-sets con soporte mínimo 1-item sets, 2-item sets, 3-item sets... Motivación Una condición necesaria para que un k-item set tenga soporte mínimo es que todos sus (k-1) item sets tengan soporte mínimo No es suficiente: comprobarlo sobre el conjunto de datos Reglas de asociación 12

13 Cielo Temp Humedad Viento Jugar Soleado Alta Alta Falso No Soleado Alta Alta Cierto No Cubierto Alta Alta Falso Si Lluvioso Suave Alta Falso Si Lluvioso Fría Normal Falso Si Lluvioso Fría Normal Cierto No Cubierto Fría Normal Cierto Si Soleado Suave Alta Falso No Soleado Fría Normal Falso Si Lluvioso Suave Normal Falso Si Soleado Suave Normal Cierto Si Cubierto Suave Alta Cierto Si Cubierto Alta Normal Falso Si Lluvioso Suave Alta Cierto No Reglas de asociación 13

14 104 Item sets para los datos clima con soporte mínimo=2 1-item sets 2-item sets 3-item sets 4-item sets cielo=soleado (5) cielo=soleado, temp=suave (2) cielo=soleado, temp=alta cielo=soleado, temp=alta humedad=alta (2) humedad=alta jugar=no (2) cielo=cubierto (4) cielo=soleado, temp=alta (2) cielo=soleado, temp=alta cielo=soleado, humedad=alta jugar=no (2) viento=falso, jugar=no (2) cielo=lluvioso (4) cielo=soleado, humedad=normal (2) cielo=soleado, humedad=normal jugar=si (2) cielo=cubierto, temp=alta, viento=falso, jugar=si (2)... total=12...total=47... total=39... total=6 Reglas de asociación 14

15 Generación de reglas a partir de un item set Una vez generados los item set, se pueden convertir en reglas Ejemplo humedad=normal, viento=falso, jugar=si (4) 7 (2 n -1) posibles reglas Si humedad=normal, viento=falso Entonces jugar=si 4/4 Si humedad=normal, jugar=si Entonces viento=falso 4/6 Si viento=falso, jugar=si Entonces humedad=normal 4/6 Si humedad=normal Entonces viento=falso, jugar=si 4/7 Si viento=falso Entonces humedad=normal, jugar=si 4/8 Si jugar=si Entonces humedad=normal, viento=falso 4/9 Si Entonces humedad=normal, viento=falso, jugar=si 4/12 Reglas de asociación 15

16 Reglas con soporte mínimo 2 y confianza 100% Regla de asociación Sop. Con. 1 Si humedad=normal, viento=falso Entonces jugar=si Si temp=fría Entonces humedad=normal Si cielo=cubierto Entonces jugar=si Si temp=fría, jugar=si Entonces humedad=normal Si cielo=soleado, temp=alta Entonces humedad=alta con soporte 4 5 con soporte 3 50 con soporte 2 Reglas de asociación 16

17 Generación eficiente de item sets Calcular k-item sets a partir de (k-1)-item sets con soporte mínimo Generar candidatos fusionando (k-1)-item sets con soporte mínimo Sólo candidatos que compartan (k-2) item [para no obtener k+1 item sets (ABCD) +(ABEF) =(ABCDEF)] Fusión eficiente: orden lexicográfico No todos los candidatos son válidos: Eliminar candidatos comprobando (k-1)-item sets Eliminación eficiente: tabla de hash Comprobar que los candidatos tienen soporte: contar instancias sobre el conjunto de datos Reglas de asociación 17

18 Ejemplo (A B C), (A B D), (A C D), (A C E), (B C D) Si orden lexicográfico, sólo fusionar 3-item sets con 2 primeros elementos iguales No considerar (A C D) y ( B C D) Generaría (A B C D): (A B C) y (A B D) han de ser 3- item sets y se habría generado antes Candidatos 4-item sets (A B C D) Si (A C D E) No, por (C D E) Almacenar (k-1)-item sets en tabla de hash Comprobar soporte mínimo: una pasada sobre base de datos Reglas de asociación 18

19 Generación de reglas a partir de item sets Generar todas las posibles reglas a partir de un k-item set tiene un coste exponencial: (2 k - 1) humedad=normal, viento=falso, jugar=si (2 3-1) posibles reglas Si humedad=normal, viento=falso Entonces jugar=si Si humedad=normal, jugar=si Entonces viento=falso Si viento=falso, jugar=si Entonces humedad=normal Si humedad=normal Entonces viento=falso, jugar=si Si viento=falso Entonces humedad=normal, jugar=si Si jugar=si Entonces humedad=normal, viento=falso Si Entonces humedad=normal, viento=falso, jugar=si Reglas de asociación 19

20 Generación eficiente de reglas (I) Si una regla con dos consecuentes tiene soporte y confianza mínima Si viento=falso, jugar=no Entonces cielo=soleado, humedad=alta Las reglas con un consecuente obtenidas del mismo item set también han de tenerlas Si cielo=soleado, viento=falso, jugar=no Entonces humedad=alta Si humedad=alta, viento=falso, jugar=no Entonces cielo=soleado Reglas de asociación 20

21 Generación eficiente de reglas Generar reglas con c consecuentes a partir de reglas con (c-1) consecuentes del mismo item set Una regla con c consecuentes tiene soporte si todas las reglas con (c-1) consecuentes generadas del mismo item set tiene soporte Comprobar confianza de las reglas obtenidas Procedimiento similar al cómputo de item sets con soporte mínimo Reglas de asociación 21

22 Ejemplo Reglas 1-consecuente Si cielo=soleado, viento=falso, jugar=no Entonces humedad=alta Si humedad=alta, viento=falso, jugar=no Entonces cielo=soleado Regla 2-consecuente Si viento=falso, jugar=no Entonces cielo=soleado, humedad=alta Comprobar confianza: antecedente, tabla de hash Reglas de asociación 22

23 Algoritmo Apriori Algoritmo para el computo eficiente de reglas de asociación (Agrawal y colaboradores, 1993) 1. Generación eficiente de item sets 2. Generación eficiente de reglas 1 pasada conjunto de datos por cada tamaño de item set considerado Reglas de asociación 23

24 Reglas de asociación: discusión (I) Generalmente se aplica a bases de datos muy grandes Interés en algoritmos eficientes Pocas pasadas base de datos Aun así, se obtienen muchas reglas Reglas de asociación 24

25 Reglas de asociación: discusión (II) Disminuir acceso base de datos Generar k-item set y (k+1) item set simultaneamente Se consideran algunos (k+1) item set innecesarios Se recorren menos veces los datos Interesante si no todos caben en memoria Reglas de asociación 25

26 Reglas de asociación: discusión (III) Generar menos reglas Limitar el número de reglas obtenidas Especificar un soporte inicial elevado Disminuir iterativamente el soporte, hasta obtener el nº de reglas deseado Otras medidas sobre las reglas Reglas de asociación 26

27 Referencias [AIS93a] R. Agrawal, T. Imielinski, and A. Swami. Database mining: A performance perspective. IEEE Transactions on Knowledge and Data Engineering, 5(6): , [AIS93b] R. Agrawal, T. Imielinski, and A. Swami. Mining association rules between sets of items in large databases. In P. Buneman and S. Jajodia, editors, Proceedings of the ACM SIGMOD International Conference on Management of Data, Washington, DC, pages , New York, ACM. [AS94] R. Agrawal and R. Srikant. Fast algorithms for mining association rules in large databases. In J. Bocca, M. Jarke, and C. Zaniolo, editors, Proceedings of the International Conference on Very Large Databases, Santiago, Chile, pages , San Francisco, 1994.Morgan Kaufmann. [CJY96] M.S. Chen, J. Jan, and P. S. Yu. Data mining: An overview from a database perspective. IEEE Transactions on Knowledge and Data Engineering, 8(6): , [TSK06] Pang-Ning Tan, Michael Steinbach, and Vipin Kumar. Introduction to Data Mining. Addison Wesley, [Web03] Geoffrey I. Webb. Association rules. In Nong Ye, editor, The Handbook of Data Mining, pages Lawrence Erlbaum Associates, Mahwah, New Jersey, Reglas de asociación 27

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación ESTUDIO DE TECNICAS DE DATA MINING APLICADAS AL ANALISIS DE DATOS GENERADOS CON LA METODOLOGIA BLENDED LEARNING Marcelo Omar Sosa, Sosa Bruchmann Eugenia Cecilia Departamento Computación/Facultad de Ciencias

Más detalles

Las reglas de asociación tienen diversas aplicaciones como:

Las reglas de asociación tienen diversas aplicaciones como: Capítulo 4 Reglas de Asociación El objetivo de las reglas de asociación es encontrar asociaciones o correlaciones entre los elementos u objetos de bases de datos transaccionales, relacionales o datawarehouses.

Más detalles

Minería de reglas de asociación con programación genética gramatical

Minería de reglas de asociación con programación genética gramatical Minería de reglas de asociación con programación genética gramatical José María Luna Juan Luis Olmo José Raúl Romero Sebastián Ventura Departamento de Informática y Análisis Numérico, Universidad de Córdoba

Más detalles

Detección de Patrones de Bajo Rendimiento Académico y Deserción Estudiantil con Técnicas de Minería de Datos

Detección de Patrones de Bajo Rendimiento Académico y Deserción Estudiantil con Técnicas de Minería de Datos Detección de Patrones de Bajo Rendimiento Académico y Deserción Estudiantil con Técnicas de Minería de Datos Ricardo Timarán Pereira, Ph.D. Departamento de Sistemas, Facultad de Ingeniería, Universidad

Más detalles

WEB MINING FOR IDENTIFYING PATTERNS

WEB MINING FOR IDENTIFYING PATTERNS Minería de uso Web para la identificación de patrones Castaño P. Andres P. * Resumen La minería Web es la aplicación de técnicas de minería de datos para descubrir patrones de uso de los usuarios desde

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

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

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

Más detalles

TID Artículos. 1 Pan, leche, huevos 2 Pan, pañales, cerveza 3 Leche, pañales, cerveza 4 Pan, leche, pañales, cerveza 5 Pan, leche, huevos, cerveza

TID Artículos. 1 Pan, leche, huevos 2 Pan, pañales, cerveza 3 Leche, pañales, cerveza 4 Pan, leche, pañales, cerveza 5 Pan, leche, huevos, cerveza Reglas de asociación Fernando Berzal, berzal@acm.org Reglas de asociación Introducción Definiciones Patrones frecuentes Reglas de asociación Extracción de reglas de asociación Identificación de patrones

Más detalles

Un enfoque inteligente para asistir en la planificación de proyectos ágiles

Un enfoque inteligente para asistir en la planificación de proyectos ágiles Un enfoque inteligente para asistir en la planificación de proyectos ágiles Guillermo Rodríguez, Luis Berdún, Álvaro Soria, Analía Amandi y Macelo Campo ISISTAN Research Institute (CONICET-UNICEN) Campus

Más detalles

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

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

Más detalles

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

Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información

Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información Impacto de la Complejidad del Dominio en las Variaciones del Comportamiento de Procesos de Explotación de Información Marcelo López Nocera Programa de Maestría en Ingeniería de Sistemas de Información.

Más detalles

Text Mining Introducción a Minería de Datos

Text Mining Introducción a Minería de Datos Text Mining Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/~laura SADIO 12 de Marzo de 2008 qué es la minería de datos? A technique using software tools

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Otros aspectos Procesado de la entrada Procesado de la salida Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Procesado de la entrada 1. Motivación y tareas

Más detalles

IIC 3633 - Sistemas Recomendadores

IIC 3633 - Sistemas Recomendadores Ranking & UB-CF IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 19 TOC En esta clase 1. Definición y un poco de Historia 2. Ranking No Personalizado 3. User-Based

Más detalles

Revista Científica Guillermo de Ockham ISSN: 1794-192X investigaciones@ubscali.edu.co Universidad de San Buenaventura Colombia

Revista Científica Guillermo de Ockham ISSN: 1794-192X investigaciones@ubscali.edu.co Universidad de San Buenaventura Colombia Revista Científica Guillermo de Ockham ISSN: 1794-192X investigaciones@ubscali.edu.co Universidad de San Buenaventura Colombia Timarán Pereira, Ricardo Una Lectura sobre deserción universitaria en estudiantes

Más detalles

REGLAS DE ASOCIACIÓN por Claudia J iménez Jiménez R Semestre

REGLAS DE ASOCIACIÓN por Claudia J iménez Jiménez R Semestre REGLAS DE ASOCIACIÓN por Claudia Jiménez R Semestre 1-2012 1 Áreas de Aplicación Investigación de mercados Finanzas Biología Detección de fraude Medicina Sociología Y en muchas otras áreas!! ANALISIS DE

Más detalles

Por Elizabeth León Guzmán, Ph.D. Profesora

Por Elizabeth León Guzmán, Ph.D. Profesora Por Elizabeth León Guzmán, Ph.D. Profesora 1 En una base de datos transaccional, transaccional cada transacción puede contener una lista de ítems (Ej: ítems comprados por un cliente) Id_transacci ón Items

Más detalles

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

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

Más detalles

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

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

EXTRACCIÓN DE ESTRUCTURAS DE CONOCIMIENTO EN CAMPOS TEXTUALES

EXTRACCIÓN DE ESTRUCTURAS DE CONOCIMIENTO EN CAMPOS TEXTUALES EXTRACCIÓN DE ESTRUCTURAS DE CONOCIMIENTO EN CAMPOS TEXTUALES María J. Martín-Bautista 1 Sandro Martínez-Folgoso 2 María-Amparo Vila 1 1 Dpto. Ciencias de la Computación e Inteligencia Artificial, Universidad

Más detalles

Análisis de Asociaciones

Análisis de Asociaciones Análisis de Asociaciones Asociaciones Establecer vínculos entre los registros Asociaciones (productos que se compran juntos) Patrones secuenciales (si se compra algo en una fecha en x meses se adquiere

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

Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software

Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software Mª. José Ramírez Quintana José Hernández Orallo Programa: Programación Declarativa e Ingeniería de la Programación Objetivos

Más detalles

El proceso de descubrimiento de conocimiento en bases de datos

El proceso de descubrimiento de conocimiento en bases de datos El proceso de descubrimiento de conocimiento en bases de datos José Fernando Reyes Saldaña, Rodolfo García Flores Posgrado en Ingeniería de Sistemas FIME-UANL rodolfo@yalma.fime.uanl.mx fernando@yalma.fime.uanl.mx

Más detalles

de Lanús. Buenos Aires, Argentina. rgarcia@unla.edu.ar.

de Lanús. Buenos Aires, Argentina. rgarcia@unla.edu.ar. Behavioral Variability of Clustering and Induction Based on Domain Features Variabilidad del Comportamiento de Agrupamiento e Inducción Basado en las Características del Dominio Marcelo López N. 1, Ramón

Más detalles

Clustering en subespacios Fernando Berzal, berzal@acm.org

Clustering en subespacios Fernando Berzal, berzal@acm.org Clustering en subespacios Fernando Berzal, berzal@acm.org Clustering en subespacios El problema de la dimensionalidad Subspace Clustering CLIQUE [CLustering In QUEst] Projected Clustering: PROCLUS & ORCLUS

Más detalles

JUAN CAMILO GIRALDO MEJÍA UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE MINAS ESCUELA DE INGENIERÍAS SEDE MEDELLÍN 2009

JUAN CAMILO GIRALDO MEJÍA UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE MINAS ESCUELA DE INGENIERÍAS SEDE MEDELLÍN 2009 CARACTERIZACIÓN DE ALGUNAS TÉCNICAS ALGORITMICAS DE LA INTELIGENCIA ARTIFICIAL PARA EL DESCUBRIMIENTO DE ASOCIACIONES ENTRE VARIABLES Y SU APLICACIÓN EN UN CASO DE INVESTIGACIÓN ESPECÍFICO JUAN CAMILO

Más detalles

Sistema Generador de Predicciones de Acceso para la Replicación n de Sitios de la Web en Dispositivos Inalámbricos

Sistema Generador de Predicciones de Acceso para la Replicación n de Sitios de la Web en Dispositivos Inalámbricos Cenidet Sistema Generador de Predicciones de Acceso para la Replicación n de Sitios de la Web en Dispositivos Inalámbricos Ing. Gabriel Hernández ndez MéndezM M.C.Juan Gabriel González Serna Ing. Juan

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

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

Más detalles

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

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

Más detalles

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

Coordinación de Ciencias Computacionales INAOE. Reporte Técnico No. CCC-09-001 31 de Marzo de 2009

Coordinación de Ciencias Computacionales INAOE. Reporte Técnico No. CCC-09-001 31 de Marzo de 2009 Minería de Reglas de Asociación sobre Datos Mezclados Ansel Yoan Rodríguez González, José Francisco Martínez Trinidad, Jesús Ariel Carrasco Ochoa, José Ruiz Shulcloper Reporte Técnico No. CCC-09-001 31

Más detalles

Definición del modelo del negocio y del dominio utilizando Razonamiento Basado en Casos.

Definición del modelo del negocio y del dominio utilizando Razonamiento Basado en Casos. Definición del modelo del negocio y del dominio utilizando Razonamiento Basado en Casos. Autora: MSc. Martha D. Delgado Dapena. Centro de Estudios de Ingeniería de Sistemas. e-mail: marta@ceis.ispjae.edu.cu

Más detalles

SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129

SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129 SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129 La minería de datos aplicada al descubrimiento de patrones de supervivencia en mujeres con cáncer invasivo de

Más detalles

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es)

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es) UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Exactas y Naturales Departamento de Computación Trabajo Práctico de Metaheurística Segundo cuatrimestre 2010 Implementación de un Algoritmo basado en la

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

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productivity in Construction Companies: Knowledge acquired from the databases Hernando Camargo Mila, Rogelio Flórez

Más detalles

Prototipo de software para la asociación de datos UDAssociate

Prototipo de software para la asociación de datos UDAssociate Prototipo de software para la asociación de datos UDAssociate Tecn. Adriana Amaya Morales 1, Tecn. Martha Lucía Rodríguez 2, Ing. Jorge Enrique Rodríguez Rodríguez 3 RESUMEN UDAssociate es una herramienta

Más detalles

Aprendizaje automático mediante árboles de decisión

Aprendizaje automático mediante árboles de decisión Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier

Más detalles

INSTITUTO UNIVERSITARIO DE SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA TRABAJO FINAL DE MÁSTER:

INSTITUTO UNIVERSITARIO DE SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA TRABAJO FINAL DE MÁSTER: INSTITUTO UNIVERSITARIO DE SISTEMAS INTELIGENTES Y APLICACIONES NUMÉRICAS EN INGENIERÍA TRABAJO FINAL DE MÁSTER: Sistema Biométrico de Detección Facial sobre Alumno: Marcos del Pozo Baños Tutor: Dr. Modesto

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

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

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

Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información

Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información Modelo de Procesos para la Gestión de Requerimientos en Proyectos de Explotación de Información Pollo-Cattaneo, M. F. 1,2, Mansilla, D 2,Vegega, C 2, Pesado, P. 3, García-Martínez, R. 4, P. Britos, P.

Más detalles

REGLAS DE ASOCIACIÓN Bases de Datos Masivas. 29 de Octubre de 2015

REGLAS DE ASOCIACIÓN Bases de Datos Masivas. 29 de Octubre de 2015 1 REGLAS DE ASOCIACIÓN Bases de Datos Masivas 29 de Octubre de 2015 Reglas de Asociación 2 3 Reglas de Asociación Dado un conjunto de transacciones encontrar reglas que puedan predecir la ocurrencia de

Más detalles

Descubrimiento de Reglas de Predicción en Sistemas de e-learning utilizando Programación Genética

Descubrimiento de Reglas de Predicción en Sistemas de e-learning utilizando Programación Genética Descubrimiento de Reglas de Predicción en Sistemas de e-learning utilizando Programación Genética Cristóbal Romero, Sebastián Ventura, Cesar Hervás Universidad de Córdoba, Campus Universitario de Rabanales,

Más detalles

CRIPTOGRAFIA. Qué es, usos y beneficios de su utilización. Universidad Nacional del Comahue

CRIPTOGRAFIA. Qué es, usos y beneficios de su utilización. Universidad Nacional del Comahue CRIPTOGRAFIA Qué es, usos y beneficios de su utilización Introducción Antes, computadoras relativamente aisladas Hoy, computadoras en redes corporativas conectadas además a Internet Transmisión de información

Más detalles

Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico

Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico 1 Integración de técnicas de Minería de datos y metaheurísticas en sitios de comercio electrónico Barragán Edgar, Giraldo Fabián Andrés, Londoño Isabel RESUMEN En este artículo se presenta una herramienta

Más detalles

Bibliografía Anotada

Bibliografía Anotada Maestría en Ingeniería de Sistemas y Computación Universidad Nacional de Colombia Bogotá D.C. June 2, 2006 Contenido Tema Amplio 1 Tema Amplio 2 3 4 5 Tema Tema Amplio Extracción de información y obtención

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129

SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129 SECCIÓN ARTÍCULOS ORIGINALES REVISTA UNIVERSIDAD Y SALUD Año 2012 Vol. 14(2) Págs. 117-129 La minería de datos aplicada al descubrimiento de patrones de supervivencia en mujeres con cáncer invasivo de

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

Análisis comparativo de algoritmos utilizados en la minería de secuencias frecuentes

Análisis comparativo de algoritmos utilizados en la minería de secuencias frecuentes Instituto de Cibernética, Matemática y Física Análisis comparativo de algoritmos utilizados en la minería de secuencias frecuentes TESIS EN OPCIÓN AL GRADO DE MÁSTER EN CIBERNÉTICA APLICADA, MENCIÓN MINERÍA

Más detalles

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1

Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 Decidir cuándo autenticar en dispositivos móviles a partir de modelos de machine learning 1 En los dispositivos móviles como tablets o teléfonos celulares se tiene la opción de implementar o no un sistemas

Más detalles

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Junio 2002. Facultad de Ingeniería y Tecnología Informática

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Junio 2002. Facultad de Ingeniería y Tecnología Informática UNIVERSIDAD DE BELGRANO Las tesinas de Belgrano Facultad de Ingeniería y Tecnología Informática Web mining: implementando técnicas de data mining en un servidor web Nº 16 Gabriel H. Dandretta Tutor: Alejandro

Más detalles

INGENIERÍA DEL SOFTWARE I Tema 1. Introducción a la Ingeniería del Software. Univ. Cantabria Fac. de Ciencias Francisco Ruiz

INGENIERÍA DEL SOFTWARE I Tema 1. Introducción a la Ingeniería del Software. Univ. Cantabria Fac. de Ciencias Francisco Ruiz INGENIERÍA DEL SOFTWARE I Tema 1 Introducción a la Ingeniería del Software Univ. Cantabria Fac. de Ciencias Francisco Ruiz Objetivos Comprender qué es la Ingeniería del Software y su necesidad. Situarla

Más detalles

PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN

PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN PROPUESTA METODOLOGICA PARA LA EDUCCIÓN DE REQUISITOS EN PROYECTOS DE EXPLOTACIÓN DE INFORMACIÓN Paola Britos 1,2, Enrique Fernandez 1,2, Ramón García-Martinez 1,2 Centro de Ingeniería del Software e Ingeniería

Más detalles

POLARIS: A WEB USAGE MINING TOOL POLARIS: UNA HERRAMIENTA PARA MINERIA DE USO DE LA WEB

POLARIS: A WEB USAGE MINING TOOL POLARIS: UNA HERRAMIENTA PARA MINERIA DE USO DE LA WEB Recibido: 14 de agosto de 2009 Aceptado: 22 de octubre de 2009 POLARIS: A WEB USAGE MINING TOOL POLARIS: UNA HERRAMIENTA PARA MINERIA DE USO DE LA WEB PhD. Ricardo Timarán Pereira, Ing. Johana Daza Burbano,

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

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

Herramienta software para el análisis de canasta de mercado sin selección de candidatos

Herramienta software para el análisis de canasta de mercado sin selección de candidatos REVISTA INGENIERÍA E INVESTIGACIÓN VOL. 29 No. 1, ABRIL DE 2009 (60-68) Herramienta software para el análisis de canasta de mercado sin selección de candidatos Software tool for analysing the family shopping

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

Resumen. El rol del lenguaje SQL en los SGBDR y en la Relacional. cjimenez@inf.udec.cl, tamrstro@inf.udec.cl

Resumen. El rol del lenguaje SQL en los SGBDR y en la Relacional. cjimenez@inf.udec.cl, tamrstro@inf.udec.cl El rol del lenguaje SQL en los SGBDR y en la Relacional. cjimenez@inf.udec.cl, tamrstro@inf.udec.cl Resumen demandas de almacenamiento y procesamiento de datos. Es el conjunto de estas dos capacidades

Más detalles

REGLAS DE ASOCIACIÓN APLICADAS A LA DETECCIÓN DE FRAUDE CON TARJETAS DE CRÉDITOS

REGLAS DE ASOCIACIÓN APLICADAS A LA DETECCIÓN DE FRAUDE CON TARJETAS DE CRÉDITOS REGLAS DE ASOCIACIÓN APLICADAS A LA DETECCIÓN DE FRAUDE CON TARJETAS DE CRÉDITOS María-Amparo Vila Miranda Daniel Sánchez Fernández Luis Cerda Leiva vila@decsai.ugr.es daniel@decsai.ugr.es lcerda@cientec.com

Más detalles

Unidad didáctica 2: Metodologías de desarrollo de Bases de Datos. Unidad didáctica 1: Fase de análisis de requisitos Modelo E/R

Unidad didáctica 2: Metodologías de desarrollo de Bases de Datos. Unidad didáctica 1: Fase de análisis de requisitos Modelo E/R índice Módulo A Unidad didáctica 1: Introducción a las Bases de Datos Unidad didáctica 2: Metodologías de desarrollo de Bases de Datos 3 19 Módulo B Unidad didáctica 1: Fase de análisis de requisitos Modelo

Más detalles

Apoyo para la Toma de Decisiones

Apoyo para la Toma de Decisiones Apoyo para la Toma de Decisiones 1 Andrés Moreno S. La pregunta más importante Para que sirven las Bases de Datos? 2 Sistema para el Apoyo en la Toma de Decisiones Sistemas que ayudan en el análisis de

Más detalles

CONSIDERACIONES GENERALES DEL WEB MINING

CONSIDERACIONES GENERALES DEL WEB MINING CONSIDERACIONES GENERALES DEL WEB MINING Sandra Milena Leal Elizabeth Castiblanco Calderón* RESUMEN: el presente artículo describe los conceptos básicos para la utilización del Webmining, dentro de los

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

1. Introducción. 1.1. Información y datos. 1.2. Ficheros vs. Bases de datos

1. Introducción. 1.1. Información y datos. 1.2. Ficheros vs. Bases de datos 1. Introducción 1.1. Información y datos 1.2. Ficheros vs. Bases de datos 1.3. Sistemas gestores de bases de datos 1.4. Visión de los datos 1.5. Esquema de la BD y ejemplares de la BD 1.6. Modelos de datos

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

Planificaciones. 7510 - Técnicas de Diseño. Docente responsable: PANTALEO GUILLERMO GUSTAVO. 1 de 5

Planificaciones. 7510 - Técnicas de Diseño. Docente responsable: PANTALEO GUILLERMO GUSTAVO. 1 de 5 Planificaciones 7510 - Técnicas de Diseño Docente responsable: PANTALEO GUILLERMO GUSTAVO 1 de 5 OBJETIVOS En este curso se busca introducir a los alumnos en el concepto de diseño de software. Para lograrlo

Más detalles

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES

BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES BASES DE DATOS TEMA 4 DISEÑO DE BASES DE DATOS RELACIONALES El modelo relacional se basa en dos ramas de las matemáticas: la teoría de conjuntos y la lógica de predicados de primer orden. El hecho de que

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

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

Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente

Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente Capítulo 4. Requisitos del modelo para la mejora de la calidad de código fuente En este capítulo definimos los requisitos del modelo para un sistema centrado en la mejora de la calidad del código fuente.

Más detalles

Métricas predictivas de la usabilidad: un nuevo enfoque para su ponderación cualitativa.

Métricas predictivas de la usabilidad: un nuevo enfoque para su ponderación cualitativa. Métricas predictivas de la usabilidad: un nuevo enfoque para su ponderación cualitativa. María Paula González Grup de Recerca GRIHO Universitat de Lleida Campus Cappont 25001 - Lleida mpg@griho.net Toni

Más detalles

.Utilización del Razonamiento Basado en Casos en las Revisiones de la Definición del Modelo de Negocio

.Utilización del Razonamiento Basado en Casos en las Revisiones de la Definición del Modelo de Negocio .Utilización del Razonamiento Basado en Casos en las Revisiones de la Definición del Modelo de Negocio Autora: MSc. Martha Dunia Delgado Dapena. Institución: Centro de Estudios de Ingeniería de Sistemas

Más detalles

Tópicos Avanzados en Bases de Datos

Tópicos Avanzados en Bases de Datos Tópicos Avanzados en Bases de Datos Profesor: Carlos Hurtado Larrain (churtado@dcc.uchile.cl) 1 Objetivo El curso se centra en el área de minería de datos y su objetivo es introducir al alumno en los conceptos

Más detalles

Q-flow Patrones básicos de Workflow

Q-flow Patrones básicos de Workflow How to Q-flow Patrones básicos de Workflow Versión: 2.0 Fecha de publicación 28-03-2011 Aplica a: Q-flow 3.0 y Q-flow 3.1 Índice Introducción... 3 Patrones de control... 4 Patrón: Secuencia... 4 Patrón:

Más detalles

Palabras Claves: Mineria de Datos, Mineria Web, Patrones, Archivos Logs,Clustering, Reglas Asociación, Servidor.

Palabras Claves: Mineria de Datos, Mineria Web, Patrones, Archivos Logs,Clustering, Reglas Asociación, Servidor. Minería Web para predicción comportamiento de usuarios en la Universidad Ulises Román, Luis Alarcón * nromanc@unmam.edu.pe, alarconl@unmsm.edu.pe (*) Docentes del Departamento de Ciencias de la Computación-FISI

Más detalles

AVANCES EN PROCEDIMIENTOS DE LA EXPLOTACIÓN DE INFORMACIÓN CON ALGORITMOS BASADOS EN LA DENSIDAD PARA LA IDENTIFICACIÓN DE OUTLIERS EN BASES DE DATOS

AVANCES EN PROCEDIMIENTOS DE LA EXPLOTACIÓN DE INFORMACIÓN CON ALGORITMOS BASADOS EN LA DENSIDAD PARA LA IDENTIFICACIÓN DE OUTLIERS EN BASES DE DATOS AVANCES EN PROCEDIMIENTOS DE LA EXPLOTACIÓN DE INFORMACIÓN CON ALGORITMOS BASADOS EN LA DENSIDAD PARA LA IDENTIFICACIÓN DE OUTLIERS EN BASES DE DATOS H. Kuna 1, G. Pautsch 1, M. Rey 1, C. Cuba 1, A. Rambo

Más detalles

EL CONOCIMIENTO Y EL DATA MINING. Por Jorge Miller

EL CONOCIMIENTO Y EL DATA MINING. Por Jorge Miller EL CONOCIMIENTO Y EL DATA MINING Por Jorge Miller OBJETIVO Destacamos la importancia de las herramientas que sirven para dar soporte al proceso de toma de decisiones, entre las cuales se incluyen el Data

Más detalles

UNIDAD I: LÓGICA PROPOSICIONAL

UNIDAD I: LÓGICA PROPOSICIONAL UNIDAD I: LÓGICA PROPOSICIONAL ASIGNATURA: INTRODUCCIÓN A LA COMPUTACIÓN CARRERAS: LICENCIATURA Y PROFESORADO EN CIENCIAS DE LA COMPUTACIÓN DEPARTAMENTO DE INFORMÁTICA FACULTAD DE CIENCIAS FÍSICO MATEMÁTICA

Más detalles

A. Subcampos basados en el contenido.

A. Subcampos basados en el contenido. ARTIFICIAL INTELLIGENCE. AN ILLUSTRATIVE OVERVIEW Aaron Sloman School of Computer Science The University of Birmingham http://www.cs.bham.ac.uk/~axs/courses.ai.html Las áreas de aplicación de la Inteligencia

Más detalles

Tablas. Estas serán las tablas que usaremos en la mayoría de ejemplos. Empleado

Tablas. Estas serán las tablas que usaremos en la mayoría de ejemplos. Empleado Álgebra Relacional Un álgebra es un sistema matemático constituido por Operandos: objetos (valores o variables) desde los cuales nuevos objetos pueden ser construidos. Operadores: símbolos que denotan

Más detalles

Una metaheurística para la extracción de reglas de asociación. Aplicación a terremotos.

Una metaheurística para la extracción de reglas de asociación. Aplicación a terremotos. Escuela Técnica Superior de Ingeniería Informática Máster Oficial en Ingeniería y Tecnología del Software TRABAJO FIN DE MÁSTER Una metaheurística para la extracción de reglas de asociación. Aplicación

Más detalles

Ingeniería y Competitividad ISSN: 0123-3033 inycompe@gmail.com Universidad del Valle Colombia

Ingeniería y Competitividad ISSN: 0123-3033 inycompe@gmail.com Universidad del Valle Colombia Ingeniería y Competitividad ISSN: 0123-3033 inycompe@gmail.com Universidad del Valle Colombia Timarán-Pereira, Ricardo; Millán, Marta Extensión del Lenguaje SQL con Nuevas Primitivas para el Descubrimiento

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

El factor de impacto de las revistas académicas: preguntas y respuestas

El factor de impacto de las revistas académicas: preguntas y respuestas El factor de impacto de las revistas académicas: preguntas y respuestas Juan Miguel Campanario http://www.uah.es/otrosweb/jmc Versión 27 de Junio de 2006 http://www.uah.es/otrosweb/jmc 1 - Qué es el factor

Más detalles

Técnicas Avanzadas de Testing Automático

Técnicas Avanzadas de Testing Automático Técnicas Avanzadas de Testing Automático Marcelo Frias ITBA - Buenos Aires, Argentina CONICET Preliminares: Calidad Validación y Verificación Especificaciones y V&V Análisis estático y dinámico Inspecciones

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

KNime. KoNstanz Information MinEr. KNime - Introducción. KNime - Introducción. Partes de la Herramienta. Editor Window. Repositorio de Nodos

KNime. KoNstanz Information MinEr. KNime - Introducción. KNime - Introducción. Partes de la Herramienta. Editor Window. Repositorio de Nodos KNime - Introducción KNime Significa KoNstanz Information MinEr. Se pronuncia [naim]. Fue desarrollado en la Universidad de Konstanz (Alemania). Esta escrito en Java y su entorno grafico esta desarrollado

Más detalles

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS Autores: Introducción Diego R. López RedIRIS diego.lopez@rediris.es El trabajo necesario para mantener un servidor de información

Más detalles

COMPUTACIÓN FLEXIBLE APLICADA AL WEB MINING

COMPUTACIÓN FLEXIBLE APLICADA AL WEB MINING COMPUTACIÓN FLEXIBLE APLICADA AL WEB MINING José M. Benítez Juan L. Castro Ricardo Valenzuela G. Dpto. Ciencias de Computación Dpto. Ciencias de Computación Universidad Tecnológica Metropolitana Universidad

Más detalles

Práctica 1: Entorno WEKA de aprendizaje automático y data mining.

Práctica 1: Entorno WEKA de aprendizaje automático y data mining. PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 1: Entorno WEKA de aprendizaje automático y data mining. Objetivos: Utilización de funciones

Más detalles