Datamining Introducción
|
|
- María Carmen Chávez Sosa
- hace 2 años
- Vistas:
Transcripción
1 Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Introducción Yerko Halat 2 de Octubre del Cuál es la diferencia entre datos, información y conocimiento? 3...es un dato 3 perros...es un dato 3 perros guardianes...es un dato 3 perros guardianes cuidando una casa en verano...es información 2 1
2 Cuál es la diferencia entre datos, información y conocimiento? 3 perros guardianes cuidando una casa en verano, implica que no hay moradores...esto es conocimiento!!!! Pues existen reglas de asociación no trivial 3...los pañales y la cerveza... Una tienda estadounidense descubrió un patrón extraño: existía una alta correlación entre las ventas de pañales y cervezas los días Jueves de 18:00 a 22:00 Acomodaron ambos juntos y la venta se acrecentó significativamente. Esto es Datamining!!!!! 4 2
3 Modelo para la Gestión de la Información Base de datos Operacionales Datamarts Datawarehouse Reporting Análisis Olap Cubos InfoPortales Consultas Proyecciones Tendencias Gestión de la Información 5 Motivaciones para almacenar datos Razones iniciales: En telecomunicación: Facturación de llamadas En supermercados: Gestión del inventario En bancos: Manejo de cuentas En empresas de producción: Control de procesos Potenciales: En telecomunicación: Detección de fraude En supermercados: Asociación de ventas En bancos: Segmentación de clientes En empresas de producción: Mantención preventivo 6 3
4 Evolución del Marketing/Potencial del Conocimiento Conocimiento del cliente (-) (+) Masivo Productos Segmentos Uno a Uno o en Tiempo Real! 1 Etapa: Producto único sin diferenciación de clientes! 2 Etapa: Diferenciación de productos basados en sus atributos! 3 Etapa: Segmentación, Ofertas de productos en base a una diferenciación por clases de clientes! 4 Etapa: Oferta de productos especializada en base a un conocimiento específico del cliente 7 Idea básica y potenciales del Datamining Empresas y Organizaciones tienen gran cantidad de datos almacenados. Los datos disponibles contienen información importante. La información está escondida en los datos. Datamining puede encontrar información nueva y potencialmente útil en los datos 8 4
5 Proceso de Aprendizaje Se comienza observando... Observación Predecir nuevos fenómenos que pueden ser verificables a través de nuevas observaciones Predicción Análisis Intentar hallar patrones en esas observaciones Teoría Si se hallan regularidades, se formulan teorías (hipótesis) explicando los hechos 9 Proceso de Aprendizaje con Consecuencia Conocida Con suficiente información es posible reconstruir el pasado para identificar los factores y elementos que implicaron un estado futuro conocido 12 meses atrás Estados e1,e2,e3... Hoy Hoy Ejemplos: deterioro financiero, venta de productos de mayor valor, salud, modelos de fuga, etc
6 Proceso KDD Knowledge Discovery in Databases KDD es el proceso no-trivial de identificar patrones previamente desconocidos, válidos, nuevos, potencialmente útiles y comprensibles dentro de los datos 11 KDD y el Negocio Debe contribuir al crecimiento y mejoramiento del negocio a través de planes/acciones concretos. 12 6
7 KDD y Datamining Datamining es una técnica multidisciplinaria: Sistemas Expertos Máquinas de Aprendizaje Si... Entonces... KDD Base de Datos Estadísticas Visualización 13 Aplicaciones del Datamining Customer Relationship Management (CRM) Segmentación de clientes Database Marketing Predicción de compra Retención de clientes Predicción de fuga Detección de Fraude Tarjetas de crédito Uso de teléfonos (celulares) Predicción de series de tiempo 14 7
8 Métodos de Datamining Estadística Agrupamiento (Clustering) Análisis Discriminante Redes Neuronales Árboles de Decisión Reglas de Asociación Bayesian (Belief) Networks 15 Relevancia del Datamining Descubrimiento de herramientas y técnicas del dataminong como una fuente de ventaja competitiva. Sin embargo, en un futuro cercano se tornará un factor crítico en vez de un factor clave 16 8
9 Datamining y Datawarehouse Para aplicar técnicas de datamining no es estrictamente necesario contar con datawarehouse, pero en la práctica es absolutamente habilitador. Las ventajas y beneficios de contar con un DWH como soporte son: El tiempo como dimensión No volátiles: no son actualizables, modificables ni borradas Orientadas al asunto: modelamiento integral 17 Datamining y Datawarehouse Fuentes integradas, de las distintas bases operacionales Metadata, existe una máscara que cubre los tecnicismos de los programadores Riesgo de alterar alguna fuente operacional Costos (velocidad, complejidad, repetición, perfil de los analistas) 18 9
10 SQL (structured query language) Lenguaje de consulta de base de datos relacionales SELECT DISTINCTROW Empleados.País, Empleados.Apellidos, Empleados.Nombre, Pedidos.IdPedido, Sum([Subtotales por pedido].subtotal) AS ImporteVenta FROM Empleados INNER JOIN (Pedidos INNER JOIN [Subtotales por pedido] ON Pedidos.IdPedido = [Subtotales por pedido].idpedido) ON Empleados.IdEmpleado = Pedidos.IdEmpleado GROUP BY Empleados.País, Empleados.Apellidos, Empleados.Nombre, Pedidos.IdPedido; 19 Datamining vs query tools (SQL) Son complementarias y no reemplazables SQL responde a preguntas preformuladas, datamining permite hallar patrones. En queries el conocimiento es aplicado/ratificado en base a la experiencia del analista. Datamining deduce conocimiento Dataming es optimizante 20 10
11 Datamining vs query tools (SQL) Dataming permite relacionar un conjunto indefinido de variables. SQL maneja un número limitado de variables, pues la menta humana soporta 8 (+- 2) variables relacionadas simultáneamente. SQL es útil para pruebas aproximativas de análisis. Problemática del datamining: garbage in, garbage out, que enturbian el KDD. 21 Datamining vs query tools (SQL) Conclusión Desde el punto de vista del tipo y complejidad del análisis, la complementaridad se observa como un continuo: Experiencia del analista Técnicas dataminig Proceso de Descubrimiento de Conocimiento (KDD) SQL Datamining 22 11
Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda
Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Técnicas Yerko Halat 4 de Octubre del 2001 1 Concepto: Lógica Difusa Cliente
SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA
SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA Qué es inteligencia de negocios? (BI) Business Intelligence es la habilidad para transformar los datos en información, y la información en
PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.
PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. Objetivo: Al final de la unidad el alumno comprenderá la presencia de estas herramientas informáticas (programas Datamining))
Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net
Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data
Control Informático de Gestión. Tema 5: Sistemas de Apoyo a la Toma de Decisiones
Control Informático de Gestión Tema 5: Sistemas de Apoyo a la Toma de Decisiones Índice Revisión de los sistemas de información en la empresa La información y la toma de decisiones Sistemas transaccionales
CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es
MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003
MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse
INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN
Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de
Introducción a la Minería de Datos (Data Mining)
a la Minería de Datos (Data Mining) IT-Nova Facultad de Ingeniería Informática y Telecomunicaciones Iván Amón Uribe, MSc Minería de Datos Diapositivas basadas parcialmente en material de Inteligencia Analítica
CRM Customer Relationship Manager
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas CRM Customer Relationship Manager Yerko Halat 16 de Octubre del 2001 1 Definiciones de
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
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
Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value.
Resultados de Marketing Directo Utilizando Conceptos de Segmentación. RFM: Recency, Frequency, Monetary Value. Luis Aburto Lafourcade Gerente de Desarrollo luaburto@analytics.cl Agenda CRM: Entendiendo
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.
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
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
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
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
Minería de datos (Introducción a la minería de datos)
Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24
De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:
Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,
Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.
Los futuros desafíos de la Inteligencia de Negocios Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.cl El Vértigo de la Inteligencia de Negocios CRM: Customer
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))
How organizations are influenced by Business Analytics? Octubre 2014
How organizations are influenced by Business Analytics? Octubre 2014 El boom de los datos Fuente: Gestión. Artículo: Big Data: La nueva moneda en el mundo de los negocios. Martes, 07 de octubre del 2014
Curso Data Mining y Aplicaciones en Riesgo de Crédito
RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad
04/11/2008. Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining
04/11/2008 Las preguntas que nunca pensó que podría responder! Ahora es posible con Business Intelligence y Data Mining Business Intelligence Qué es Business Intelligence? Business Intelligence Qué es
Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler
Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería
DATA WAREHOUSE DATA WAREHOUSE
DATA WAREHOUSE DATA WAREHOUSE Autor: Roberto Abajo Alonso Asignatura: Sistemas Inteligentes, 5º Curso Profesor: José Carlos González Dep. Ing. Sistemas Telemáticos, E.T.S.I. Telecomunicación Universidad
RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito
RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas
Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?
Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento
Introducción Qué es Minería de Datos?
Conceptos Básicos Introducción Qué es Minería de Datos? Extracción de información o de patrones (no trivial, implícita, previamente desconocida y potencialmente útil) de grandes bases de datos. Introducción
Sistemas de Inteligencia de Negocios
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Sistemas de Inteligencia de Negocios Leopoldo Quintano Septiembre de 2001 Introducción
Clase 1 Módulo: Data Warehouse & Datamart Docente: Gustavo Valencia Zapata
v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: El Rol de TI en BI BI Retos de TI en BI Evolución de la Información Arquitectura de BI Referencias www.gustavovalencia.com Evolución de la
Business Intelligence: Competir con Información
Business Intelligence: Competir con Información Reus, 16 de Noviembre de 2011 Página 1 Página 2 Sumario Sistemas de Información - Introducción Introducción Business Intelligence Datawarehouse OLAP Data
Botón menú Objetivo de la Minería de datos.
Titulo de Tutorial: Minería de Datos N2 Botón menú: Introducción. Las instituciones y empresas privadas coleccionan bastante información (ventas, clientes, cobros, pacientes, tratamientos, estudiantes,
Minería de Datos. Universidad Politécnica de Victoria
Minería de Datos Universidad Politécnica de Victoria 1 Motivación Nuevas Necesidades del Análisis de Grandes Volúmenes de Datos El aumento del volumen y variedad de información que se encuentra informatizada
Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper
Marketing Advanced Analytics Predicción del abandono de los clientes Whitepaper El reto de predecir el abandono de los clientes Resulta entre cinco y quince veces más caro para una compañía captar nuevos
DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales
DIPLOMADOS Colección: Postales Universidad de Chile Diplomado en Business Intelligence 2015 Por qué La Universidad de Chile? No cualquier Diplomado No cualquier Universidad Es la institución de educación
Sistemas de Información para la Gestión. Unidad 3 Aplicaciones de Sistemas
para la Gestión Unidad 3 Aplicaciones de Sistemas U.N.Sa. Facultad de Cs.Económicas SIG 2010 UNIDAD 3: APLICACIONES DE SISTEMAS Aplicaciones empresariales: Sistemas empresariales. Sistemas de administración
Data Mining o Minería de Datos
Data Mining o Minería de Datos A quién se le ocurriría basar una de las estrategias comerciales para incrementar las ventas de una compañía de retail, en una correlación de consumo nada obvia entre pañales
Business Intelligence
Business Intelligence Curso 2012-2013 Departamento de Lenguajes y Sistemas Informáticos II http://www.kybele.es ISI/SI - 1 Introducción Nuestra misión: Hacer inteligente el negocio Buenos días. Soy Negocio.
Informática II Ing. Industrial. Data Warehouse. Data Mining
Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano
FACULTAD DE INGENIERÍA. Bases de Datos Avanzadas
FACULTAD DE INGENIERÍA Ingeniería en Computación Bases de Datos Avanzadas Datawarehouse Elaborado por: MARÍA DE LOURDES RIVAS ARZALUZ Septiembre 2015 Propósito Actualmente las empresas necesitan contar
HADES: Hidrocarburos Análisis de Datos de Estaciones de Servicio
Hidrocarburos: Análisis de Pablo Burgos Casado (Jefe de Área Desarrollo (SGTIC - MITYC)) María Teresa Simino Rueda Rubén Pérez Gómez Israel Santos Montero María Ángeles Rodelgo Sanchez 1. INTRODUCCIÓN
Ideas innovadoras para una mejor práctica de negocios
Ideas innovadoras para una mejor práctica de negocios ISSN 1668-5792 Volumen V, Marzo de 2007 El Portafolio de Productos en el Mercado de Consumo Masivo - Parte II Demián Siburi Pág. 3 Data Mining y Generación
Marketing Relacional / Automatización de la Fuerza de Ventas / Atención al Cliente / Soporte a usuarios
Sistema CRM MC 7 Marketing Relacional / Automatización la Fuerza Ventas / / Soporte a usuarios Dirección: Calle Eduardo Vicioso No. 82, Bella Vista, Distrito Nacional, Republica Dominica Teléfono: 809
DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012
DISEÑO E IMPLEMENTACIÓN DE SOLUCIONES BUSINESS INTELLIGENCE CON SQL SERVER 2012 FLUJO DE CAPACITACIÓN Prerrequisitos Fundamentos de Programación Sentencias SQL Server 2012 Duración: 12 horas 1. DESCRIPCIÓN
Inteligencia de Negocios (Business Intelligence)
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS Programa de Pregrado Modalidad de Experiencia Laboral Artículo El uso de la Minería de Datos en la Inteligencia de Negocios (Business Intelligence)
UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM)
UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM) Objetivos Al finalizar la unidad el alumno deberá conocer los antecedentes, el origen, los objetivos, los diferentes tipos y las estrategias
TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO
TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E SÍLABO I. DATOS GENERALES CARRERA PROFESIONAL : INGENIERÍA DE SISTEMAS E CÓDIGO DE LA CARRERA : 02 NOMBRE DE LA ASIGNATURA : TÓPICOS ESPECIALES DE INGENIERÍA
El taller de Inteligencia de Negocio no tiene requisitos en cuanto a conocimientos, debido a su naturaleza introductoria.
DESCRIPTOR DE PROGRAMAS PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE Versión: 03 UNIDAD ACADÉMICA: Escuela de Ingeniería Departamento de Ciencia de la Computación- CETIUC NOMBRE DE LA ACTIVIDAD Taller: Inteligencia
ENSIA 605 Inteligencia de Negocios y Minería de Datos
ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías
FUNDAMENTOS DE DATA WAREHOUSE
FUNDAMENTOS DE DATA WAREHOUSE 1. Qué es Data Warehouse? El Data Warehouse es una tecnología para el manejo de la información construido sobre la base de optimizar el uso y análisis de la misma utilizado
UN PASEO POR BUSISNESS INTELLIGENCE
UN PASEO POR BUSISNESS INTELLIGENCE Ponentes: Agreda, Rafael Chinea, Linabel Agenda Sistemas de Información Transaccionales Qué es Business Intelligence? Usos y funcionalidades Business Intelligence Ejemplos
Introducción al DataMining
Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining
71 datos 2.4.2.2.3. Utilización de los servicios de transformación de datos de SQL
ÍNDICE AGRADECIMIENTO DEDICATORIA INTRODUCCIÓN ÍNDICE Página CAPITULO I 1. LA TECNOLOGÍA IBM AS/400 1.1. Generalidades del sistema AS/400 2 1.2. Arquitectura del AS/400 3 1.3. Organización de la máquina
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
UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS
UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;
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
CRM Analítico en Telecom Personal
CRM Analítico en Telecom Personal Ramiro Solana Gerente de Sistemas de Inteligencia del Negocio Grupo Telecom 14,5 millones de clientes ( 15 %) Market Share: 30,7% Líder en Smartphones Productos: Factura
KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD
KDD y MD Dr. Juan Pedro Febles Rodríguez BIOINFO febles@bioinfo.cu http://www.bioinfo.cu CITMA 2005 Temas a tratar Algunos antecedentes académicos. El proceso de descubrimiento de conocimientos en Datos
Apoyo a la toma de Decisiones. Carlos A. Olarte Bases de Datos II
Carlos A. Olarte Bases de Datos II Contenido 1 Introducción 2 OLAP 3 Data Ware Housing 4 Data Mining Introducción y Motivación Cómo puede analizarse de forma eficiente volúmenes masivos de datos? La consulta,
BI BUSINESS INTELLIGENCE
ESCUELA SUPERIOR POLITECNICA DEL LITORAL MAESTRÍA EN SISTEMAS DE INFORMACION GERENCIAL 7 ma. PROMOCIÓN BI BUSINESS INTELLIGENCE Grupo No. 1 Geannina Aguirre Henry Andrade Diego Maldonado Laura Ureta MATERIA:
ASIGNATURA: BASE DE DATOS II
1 ASIGNATURA: BASE DE DATOS II Código: 32 306 Régimen: Cuatrimestral Horas semanales: 4 horas Escuela/s: Sistemas 2010 FUNDAMENTOS: Alcanzados los objetivos de la asignatura Bases de Datos I, se avanzará
Introducción a la Prospección de Datos Masivos ( Data Mining )
Objetivos Introducción a la Prospección de Datos Masivos ( Data Mining ) José Hernández Orallo jorallo@dsic.upv.es Transparencias y otra documentación en: http://www.dsic.upv.es/~jorallo/master/ Máster
IWG-101: Introducción a la Ingeniería. Departamento de Informática, UTFSM 1
IWG-101: Introducción a la Ingeniería Departamento de Informática, UTFSM 1 Gestión de Bases de Datos Gestión de Bases de Datos Base de datos una colección de datos relacionados organizados de manera de
Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012.
Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012 programa Plan 2008 Área Complementaria Carga horaria semanal Anual/ cuatrimestral Coordinador de Cátedra Objetivos
v.1.0 Clase 1 Docente: Gustavo Valencia Zapata
v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: Introducción a la Inteligencia de Negocios Hitos y personajes Arquitectura de BI Evolución de la Información Inteligencia de Negocios (BI)
Bases de Datos: Teoría General y Aplicaciones
IN60E Aplicaciones de Bases de Datos en la Empresa y Minería de Datos Otoño 2008 Bases de Datos: Teoría General y Aplicaciones Universidad de Chile Departamento de Ingeniería Industrial Profesor: Richard
Data Warehousing - Marco Conceptual
Data Warehousing - Marco Conceptual Carlos Espinoza C.* Introducción Los data warehouses se presentan como herramientas de alta tecnología que permiten a los usuarios de negocios entender las relaciones
Soluciones de Business Intelligence para su empresa
Soluciones de Business Intelligence para su empresa Sinnexus - Business Intelligence + Informática estratégica Página 2 Sinnexus es una empresa de nuevas tecnologías, cuya principal fuerza impulsora es
LA MINERÍA DE DATOS, Y SU LUGAR EN LA GESTIÓN DE LA INFORMACIÓN DE UNA CIUDAD INTELIGENTE
LA MINERÍA DE DATOS, Y SU LUGAR EN LA GESTIÓN DE LA INFORMACIÓN DE UNA CIUDAD INTELIGENTE PONENTES Néstor Jaime Castaño Pérez Decano de la Facultad de Ciencias e Ingeniería de la Universidad de Manizales.
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,
Procesamiento y Optimización de consultas Material Preliminar en preparación
Procesamiento y Optimización de consultas Material Preliminar en preparación Optimización SQL Identificar sentencias problemáticas Verificar las estadísticas Revisar los planes de ejecución Reestructurar
OLAP y Minería de Datos: Introducción
OLAP y Minería de Datos: Introducción Carlos Hurtado L. churtado@dcc.uchile.cl Departamento de Ciencias de la Computación Universidad de Chile OLAP y Minería de Datos: Introducción, DCC, U. de Chile, 2do
LA GESTIÓN DEL CONOCIMIENTO
Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe
Tecnología aplicada a la toma de decisiones o malas decisiones en tecnología?
Tecnología aplicada a la toma de decisiones o malas decisiones en tecnología? DUTI 2007 LA PLATA AGOSTO 2007 Ernesto Chinkes Facultad de Ciencias Económicas Universidad de Buenos Aires Esquema del trabajo
APOYO PARA LA TOMA DE DECISIONES
APOYO PARA LA TOMA DE DECISIONES Cátedra: Gestión de Datos Profesor: Santiago Pérez Año: 2006 Bibliografía: Introducción a las Bases de Datos. DATE - 1 - 1. INTRODUCCION APOYO PARA LA TOMA DE DECISIONES
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
DIRIGIDO A: * Origen y Evolución * Fundamentos * Componentes * Casos. * Arquitectura * Bases de Datos * Data Warehousing * OLAP * Software de Apoyo
DIRIGIDO A: Profesionales ue presenten interés en especializarse en el ámbito de minería de datos e inteligencia de negocios, insertos en empresas del sector público o privado en áreas relacionadas con
Diseño e Implementación de un Sistema para la Segmentación de Clientes de una Operadora Celular
Diseño e Implementación de un Sistema para la Segmentación de Clientes de una Operadora Celular AUTORES: Fabián Cabrera Cuenca 1, Sergio Jonathan León García 2, Ilse Lorena Ycaza Díaz 3, Juan Aurelio Alvarado
Unidad 3 USO DE LOS SISTEMAS DE INFORMACIÓN PARA EL MEJORAMIENTO DE LOS PROCESOS DE NEGOCIO
Unidad 3 USO DE LOS SISTEMAS DE INFORMACIÓN PARA EL MEJORAMIENTO DE LOS PROCESOS DE NEGOCIO 3.1 Introducción a los procesos de negocio Procesos de Negocio o o En el tiempo, todas las organizaciones ganan
Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico
Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico
Alejandro Pozo Pazos
Alejandro Pozo Pazos Management Solutions 2010. Todos los derechos reservados JÓVENES MATEMÁTICOS EN LA ADMINISTRACIÓN, LA INDUSTRIA Y LA BANCA www.msspain.com Entidades Financieras Emails de contacto
Aplicaciones Informáticas en la Gestión Comercial
Tema 6: Aplicaciones Informáticas en la Gestión Comercial Departamento de Organización de Empresas Universidad Complutense de Madrid ÍNDICE Sistemas EDI ERP CRM y PRM SCM DataWarehouse y Data Mining 2
Yatel - OLAP sobre redes
Yatel - OLAP sobre redes Integrantes - García, Mario Alejandro - Cabral, Juan Bautista - Gimenez Pecci, María de la Paz - Vera, Carlos - Liberal, Rodrigo - Laguna, Irma Graciela - Bisonard, Eduardo Matías
Trabajo Practico N 12
Trabajo Practico N 12 Minería de Datos CATEDRA: Actualidad Informática Ingeniería del Software III Titular: Mgter. Horacio Kuna JTP: Lic. Sergio Caballero Auxiliar: Yachesen Facundo CARRERAS: Analista
CONTENIDO LOS AUTORES...15 PRÓLOGO...17 NOVEDADES DE ESTA TERCERA EDICIÓN...21 AGRADECIMIENTOS...27
CONTENIDO LOS AUTORES...15 PRÓLOGO...17 NOVEDADES DE ESTA TERCERA EDICIÓN...21 AGRADECIMIENTOS...27 CAPÍTULO 1: LOS SISTEMAS Y TECNOLOGÍAS DE LA INFORMACIÓN EN LA EMPRESA...29 Introducción...29 Características
Presentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática
Presentación Introducción a las técnicas de reconocimiento de patrones Materia de doctorado en ingeniería/informática Tópicos de minería de datos Materia optativa de LCC Docente: Pablo M. Granitto Horarios:
SOLUCIONES E-BUSINESS
SOLUCIONES E-BUSINESS Soluciones e-business La realización de operaciones de negocio electrónico se sirve de numerosas herramientas, utilizadas para sustituir a las aplicadas tradicionalmente por las empresas
El objetivo de este capítulo es explicar con detalle con detalle cada una de las tecnologías
CAPÍTULO II Inteligencia Empresarial El objetivo de este capítulo es explicar con detalle con detalle cada una de las tecnologías de la inteligencia empresarial que se mencionaron en el capítulo I y cómo
Asignaturas Temas Asignaturas Temas
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Consultas y Programación de Servidores Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: BDC-0705 Horas teoría horas prácticas créditos:
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
ÍNDICE PRIMERA PARTE... 17
ÍNDICE PREFACIO... xv PRIMERA PARTE... 17 CAPÍTULO 1. BASES DE DATOS... 19 BASE DE DATOS RELACIONAL... 20 ESTRUCTURA MÍNIMA DE ALMACENAMIENTO... 21 EJEMPLO DE TABLA... 22 RESUMEN... 23 CAPÍTULO 2. CONSULTAS
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL CONFIGURACIÓN DE LA OFERTA DE PRODUCTOS HOGAR PARA CLIENTES RESIDENCIALES DE UNA EMPRESA DE TELECOMUNICACIONES
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
SQL Server Business Intelligence parte 1
SQL Server Business Intelligence parte 1 Business Intelligence es una de las tecnologías de base de datos más llamativas de los últimos años y un campo donde Microsoft ha formado su camino a través de
Minería de Datos: Aplicaciones en el sector de las telecomunicaciones
Minería de Datos: Aplicaciones en el sector de las telecomunicaciones Julián Álvarez Menéndez Universidad Carlos III NIA: 100084256 100084256@alumnos.uc3m.es RESUMEN A lo largo de este trabajo detallaremos
Bases de Datos I. Programa de la Asignatura:
Programa de la Asignatura: Bases de Datos I Código: 756 Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer Año Primer cuatrimestre