Datamining y Aprendizaje Automatizado Dep. de Cs. e Ing. de la Computación, UNS 2do. Cuat Prof. Carlos Iván Chesñevar
|
|
- Josefa de la Fuente Alarcón
- hace 8 años
- Vistas:
Transcripción
1 Datamining y Aprendizaje Automatizado 01 - Introducción. Conceptos Preliminares De qué tratará este curso Conceptos y técnicas básicas de Datamining. Conceptos y técnicas de Aprendizaje Automatizado. Análisis de aplicaciones de estos conceptos. Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur cic@cs.uns.edu.ar / METAS Brindar un panorama de los fundamentos de ML & DM, así como de distintas técnicas relevantes en la disciplina. Posibilitar el uso de estas técnicas para resolver problemas de otros ámbitos (sistemas multiagentes, robótica, sistemas de toma de decisión, etc.) Servir de punto de inicio para aquellos interesados en profundizar más en ML & DM. Prof. Carlos I. Chesñevar DCIC - UNS 1 Prof. Carlos I. Chesñevar DCIC - UNS 2 Contenidos del curso Página web de la materia: Allí estarán disponibles las transparencias (PDF) y también material adicional (libros, papers, etc.). Horarios. Clases: viernes, 8.00 hs. Bibliografía Material bibliográfico: - Datamining: Concepts and Techinques - J.Han-M.Kamber. Morgan Kaufmann, Machine Learning - T.Mitchell. McGraw Hill, Datamining I.Witten, E.Frank, Morgan Kaufmann, Principles of Datamining D. Hand, H. Mannila, P. Smyth, Diversos papers y material adicional Material disponible en fotocopiadora CECM. Acerca de la evaluación. Prof. Carlos I. Chesñevar DCIC - UNS 3 Prof. Carlos I. Chesñevar DCIC - UNS 4 Datamining es interdisciplinario Algoritmos para aprendizaje automatizado Datamining para computación (plataforma Weka) Datamining, Databases, LAP (auspiciado por Microsoft ) Introducción Motivación: por qué datamining? Qué es datamining? Datamining: en qué tipo de datos? Funcionalidad de datamining Todos los patrones son de interés? Clasificación de sistemas de datamining Principales temas en datamining Datamining: tópicos generales Prof. Carlos I. Chesñevar DCIC - UNS 5 Prof. Carlos I. Chesñevar DCIC - UNS 6 1
2 Motivación Explosión en la disponibilidad de información: Hoy día abundan las colecciones de datos obtenidos automáticamente tremendas cantidades de información en BDs, almacenes de datos (data warehouses) y otros repositorios de información. We are drowning in information, but starving for knowledge (John Naisbett) Solución: Data mining / Data warehousing Data warehousing y procesamiento analítico on-line Extracción de conocimiento de interés (reglas, regularidades, patrones, restricciones) a partir de datos en BDs grandes. Perspectiva histórica 1960s: Colección de datos, creación de BD, IMS y redes de DBMS 1970s: Modelo relacional. Implementación de DBMS relacional. 1980s: RDBMS, modelos avanzados de BD (relacionalextendido,, deductivos, etc.) y DBMS orientados a aplicaciones (espaciales, científicos, ingenieriles, etc.) 1990s 2000s: Data mining y data warehousing. BD multimedia. BD basadas en la Web. Integración con técnicas de Inteligencia Artificial. Prof. Carlos I. Chesñevar DCIC - UNS 7 Prof. Carlos I. Chesñevar DCIC - UNS 8 Qué es datamining? Datamining (1) Extracción de información interesante (no trivial, implícita, previamente desconocida y potencialmente útil) o patrones de datos en BD grandes (def. estándar) Datamining (2) (Principles of Datamining, Hand et. al) Análisis de grandes conjuntos de datos observacionales a fin de encontrar relaciones insospechadas, sintetizando los datos en formas nuevas que resulten entendibles y útiles para el propietario de los datos Qué es datamining? Nombres alternativos: Knowledge discovery(mining) in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, etc. Razones: Datamining Marketing Bussiness = $$$$! Muchos grandes bancos y empresas contratan servicios de datamining asociados a sus carteras de clientes. Prof. Carlos I. Chesñevar DCIC - UNS 9 Prof. Carlos I. Chesñevar DCIC - UNS 10 Datamining: aplicaciones Análisis de BD Soporte de decisiones Análisis de mercado y management Marketing dirigido, management orientado al consumidor, market-basket analysis, segmentación de mercado, etc. Análisis de riesgo y management Predicción, retención de clientes, otorgamiento de subvenciones/préstamos, análisis competitivo. Detección de fraudes tras aplicaciones Text-mining (noticias, , documentos) y Web analysis. Respuesta inteligente a consultas (IQA) Datamining & análisis de mercado Cuáles son las fuentes de datos para el análisis? Transacciones con tarjetas de créditos, resultados de encuestas entre consumidores, etc. Marketing direccionado Encontrar franjas (clusters) de clientes modelo que cumplen iguales características: intereses, nivel de ingresos, hábitos de consumo, etc. Determinar patrones de consumo en el curso del tiempo. Análisis de mercado cruzado (Cross-market analysis) Asociaciones/co-relaciones entre ventas de productos. Predicción basada en asociación de información Prof. Carlos I. Chesñevar DCIC - UNS 11 Prof. Carlos I. Chesñevar DCIC - UNS 12 2
3 Datamining & detección de fraudes Aplicaciones Usado ampliamente en medicina, servicios de tarjetas de créditos, telecomunicaciones, etc. Idea: usar datos históricos para construir modelos de comportamiento fraudulento; usar datamining para identificar instancias similares. Ejemplos: Seguro automotriz: detectar grupos de personas que declaren accidentes fraguados para cobrar seguros. Lavado de dinero: detectar transacciones de dinero sospechosas. Seguro médico: detectar pacientes y doctores que puedan estar involucrados en situaciones irregulares. Registros. Atributos BD relacionales y Datamining: relación BD con datos observacionales Modelo M (Descripción Estructural) Redes Arboles de neuronales Decision Conjuntos de Reglas Etc. Prof. Carlos I. Chesñevar DCIC - UNS 13 Prof. Carlos I. Chesñevar DCIC - UNS 14 Clasificador Datos de entrenamiento Registros A1 A2 An Atributo meta (target) 3 t 3 b c 2 d 4 d d 1 e 3 x d. 4 f 2 x e Atributos Modelo M 5 g 2 d? An BD con datos observacionales Modelo M provee una respuesta a cuál es el valor del atributo meta An La información es crucial Ejemplo 1: Fertilización in vitro Dados: embriones descritos por registros con 60 campos Problema: seleccionar aquellos embriones que sobrevivirán el proceso de fecundación Datos: registros históricos de embriones y resultado obtenido. Ejemplo 2: Fraudes con tarjetas Dados: consumos con tarjeta de credito, identificados con nombre, saldo cuenta bancaria, tipo de compra, país de compra, etc. Problema: identificar transacciones anómalas correspondientes a perfiles de uso fraudulento Datos: registros históricos de compras con tarjeta, en algunos de los cuales han aparecido situaciones de fraude. Prof. Carlos I. Chesñevar DCIC - UNS 15 Prof. Carlos I. Chesñevar DCIC - UNS 16 Datamining involucra Extraer información implícita, previamente desconocida y potencialmente útil a partir de los datos. Necesitamos: programas que detecten regularidades y patrones en los datos Patrones fuertes buenas predicciones Algunos posibles problemas: La mayoría de los patrones no son interesantes Puede haber patrones inexactos o espurios Puede haber errores en los datos, datos faltantes, etc. Técnicas de Machine Learning (ML) Algoritmos para adquirir descripciones estructurales a partir de ejemplos. Descripción estructural (o modelo): representa patrones de manera explícita Puede usarse para predecir un resultado en una nueva situación Puede usarse para entender y explicar cómo se deriva ese nuevo resultado Prof. Carlos I. Chesñevar DCIC - UNS 17 Prof. Carlos I. Chesñevar DCIC - UNS 18 3
4 Descripciones estructurales: Recomendación de lentes de contacto Descripciones estructurales: Condiciones para jugar al tenis Prof. Carlos I. Chesñevar DCIC - UNS 19 Prof. Carlos I. Chesñevar DCIC - UNS 20 Puede una máquina aprender? Clasificación vs asociación APRENDER btener conocimiento por estudio, experiencia o a través de la enseñanza Percibir a partir de la información o de la observación Almacenar conocimiento en la memoria Una cosa aprende cuando cambia su comportamiento de manera tal que puede desempeñarse mejor en el futuro. APRENDER implica intención (propósito) Demasiado difícil de medir Trivial para una computadora! Definición operacional Regla de clasificación: predice el valor de un cierto atributo (clasificación de un ejemplo) Regla de asociación: predice el valor de uno o más atributos arbitrarios If windy=false and play=no then outlook=sunny and humidity = high Se han desarrollado varios algoritmos para inducir reglas de clasificación (ej. C4.5) y de asociación (ej. Apriori) a partir de BDs observacionales. Prof. Carlos I. Chesñevar DCIC - UNS 21 Prof. Carlos I. Chesñevar DCIC - UNS 22 Atributos: diferentes tipos BD de lentes de contacto Prof. Carlos I. Chesñevar DCIC - UNS 23 Prof. Carlos I. Chesñevar DCIC - UNS 24 4
5 Un conjunto completo y correcto de reglas de clasificación Arbol de Decisión para el mismo problema Prof. Carlos I. Chesñevar DCIC - UNS 25 Prof. Carlos I. Chesñevar DCIC - UNS 26 Predicción de performance de CPUs Condiciones laborales en contratos Modelo por regresión lineal Prof. Carlos I. Chesñevar DCIC - UNS 27 Prof. Carlos I. Chesñevar DCIC - UNS 28 Dos árboles de decision posibles Problema: dados dos modelos posibles cómo decidir cuál escoger? Para qué sirve el estudio del aprendizaje automatizado? Científicamente, para entender el aprendizaje y la inteligencia en humanos y animales. Esto es de interés para filósofos, biólogos, etc. Visión más práctica en Ciencias de la Computación: Construcción de sistemas de Inteligencia Artificial Sistemas expertos que mejoren automáticamente con el tiempo Sistemas que ayuden a los científicos a descubrir nuevas leyes Fuera de la IA clásica, tenemos también varias aplicaciones cuando no sabemos cómo programar algo por nosotros mismos (ej. Sistemas de reconocimiento óptico de caracteres). cuando un programa debe adaptarse regularmente a nuevas circunstancias (ej. algoritmos para balance de procesos en sistemas operativos) cuando un programa debe adaptarse para el usuario (ej. Webs adaptativas) Prof. Carlos I. Chesñevar DCIC - UNS 29 Prof. Carlos I. Chesñevar DCIC - UNS 30 5
6 Descubrimiento de Conocimiento Descubrimiento de conocimiento : Sistema AM: redescubrió teoremas matemáticos Datamining sobre el genoma humano Usado en el marco del Proyecto Genoma Humano Descubrimientos sobre drogas y compuestos químicos contexto: robots realizan experimentos a alta velocidad; esto da gran cantidad de datos; se busca automatizar el analisis de los datos (pues los humanos no pueden hacerlo sincronizadamente con los robots) Descubrimiento de Conocimiento: aplicaciones Ej: dadas distintas moléculas que son activas contra alguna enfermedad, descubrir qué hay en común entre ellas. Eso quizá sea la razón probable de su actividad Prof. Carlos I. Chesñevar DCIC - UNS 31 Prof. Carlos I. Chesñevar DCIC - UNS 32 Descubrimiento de Conocimiento: aplicaciones Data mining en BDs, búsqueda de patrones interesantes ej. para marketing basado en datos en BD (ej: útil para mailing dirigido) estudiar comportamiento de clientes para identificar su perfil Encontrar qué productos se compran juntos con frecuencia (ej.: organización de venta en supermercados). ej: para sistemas de salud En un hospital, ayudar con el diagnóstico de pacientes Aprendizaje Automatizado para tareas difíciles Difíciles para humanos Sistema LE : aprendió como hacer integración simbólica de funciones o fáciles para humanos, pero difíciles de programar los humanos lo hacen pero no saben decir cómo ej.: aprender a jugar juegos (ajedrez, go, ) aprender a volar un avión, manejar un auto, reconocer caras Prof. Carlos I. Chesñevar DCIC - UNS 33 Prof. Carlos I. Chesñevar DCIC - UNS 34 Aprendizaje Automatizado en Sistemas Adaptivos Robots en entorno cambiante necesitan continuamente adaptar su comportamiento Sistemas que se adaptan al usuario basados en modelar al usuario: observar el comportamiento del usuario construir un modelo que describa el comportamiento usar el modelo para simplificar la vida del usuario ej. páginas web adaptativas, filtrado inteligente de mails, interfaces de usuario adaptativas, etc. Aplicaciones de ML El resultado del aprendizaje automatizado tiene varias aplicaciones: - Procesamiento de préstamos bancarios - Screening para detección de manchas de petróleo - Previsiones de suministro eléctrico - Diagnóstico de fallas en maquinaria - Marketing y ventas - Aplicaciones científicas (biomedicina, astronomía, etc.) - Selección automática de programas de TV - Monitoreo de pacientes en terapia intensiva Prof. Carlos I. Chesñevar DCIC - UNS 35 Prof. Carlos I. Chesñevar DCIC - UNS 36 6
7 Préstamos bancarios Dado un cuestionario con información personal y financiera sobre una persona P Pregunta: debo prestarle dinero a la persona P? Métodos estadísticos convencionales: cubren 90% de los casos; casos de borde se pasan a oficinas de préstamo Pero: el 50% de esos casos terminaron en default Solución naïve: rechazar todos los casos de borde Problema : estos clientes suelen ser los más activos y apetecibles para el banco. Con ayuda de ML ejemplos de entrenamiento - 20 atributos: edad, años con el banco, otras tarjetas de crédito, etc. - Reglas aprendidas: correctas para el 70% de los casos ->permiten explicar decisión a clientes - Expertos humanos: solo 50% de los casos - Un 20% de los casos adicional es mucho dinero en juego para el banco!! 2do Cuat. Prof. Carlos I. Chesñevar DCIC - UNS 37 Prof. Carlos I. Chesñevar DCIC - UNS 38 Provisiones suministro eléctrico Las compañías de provisión de energía eléctrica necesitan poder preveer la demanda futura Previsiones de carga mín/max para cada hora del día implican ahorros significativos Dado: modelo contruído manualmente que asume condiciones climáticas normales Problema: ajustarlo a las condiciones climáticas del día (ej. hoy) Modelo estático: Carga básica para el año / Periodicidad de carga durante el año / Efecto de vacaciones Prof. Carlos I. Chesñevar DCIC - UNS 39 Con ayuda de ML Predicción corregida usando la noción de días más similares Atributos: temperatura, velocidad viento, humedad ambiente, etc. diferencia entre carga real y carga predicha Base de datos: cada hora de los últimos 15 años (24*365*15). Modelo dinámico: Diferencia promedio entre los 8 días más similares se añade al modelo estático. Se usa regresión lineal para determinar los efectos relativos de estos parámetros sobre la carga. Efecto: misma performance que expertos humanos en ingeniería eléctrica, pero automática y más veloz. Prof. Carlos I. Chesñevar DCIC - UNS 40 Marketing y ventas Las grandes compañías guardan invormación precisa sobre masivas cantidades de ventas Aplicaciones: -Lealtad de clientes (fidelización): identificar clientes por cambios en su conducta (ej. bancos, compañía de teléfonos, etc.) - fertas especiales para clientes que dan beneficios (ej. clientes confiables de tarjetas de crédito que necesitan préstamos extra en vacaciones). Con ayuda de ML - Market Basket analysis: técnicas de asociación ayudan a encontrar items que tienden a aparecer juntos en una transacción. - Análisis histórico de patrones de compra - Identificar clientes (ej. para mailing direccionado, etc.). Prof. Carlos I. Chesñevar DCIC - UNS 41 Prof. Carlos I. Chesñevar DCIC - UNS 42 7
8 Pasos en el proceso de KDD Aprendizaje sobre el dominio de aplicación: Conocimiento previo relevante / objetivos Data cleaning y preprocesamiento: Reducción de datos / transformación: Encontrar atributos útiles, reducción de variables o dimensiones, invariantes, etc. Selección de funciones de data mining Síntesis, clasificación, regresión, asociación, agrupamiento (clustering). Elección de algoritmo(s) para mining Data mining: búsqueda de patrones de interés Evaluación de patrones Presentación de Conocimiento visualización, transformación, remoción de patrones redundantes, etc.. Uso del conocimiento descubierto El rol de Data Mining en el eje del proceso de descubrimiento de conocimiento (KDD) Data Warehouse Data Cleaning Datos relevantes Evaluación de Patrones Data Mining Selección Integración de datos Prof. Carlos I. Chesñevar DCIC - UNS 43 Prof. Carlos I. Chesñevar DCIC - UNS 44 Datamining:diferentes niveles Mayor potencial para sustentar toma de decisiones Toma de Decisiones Usuario final Presentac. datos Analista de negocios Técnicas de visualización Data Mining Analista de datos Descubrimiento de información Exploración de datos Análisis estadístico, querying y reportes Data Warehouses / Data Marts LAP DBA Data Sources Papel, archivos, proveedores de información, DBS, LTP Prof. Carlos I. Chesñevar DCIC - UNS 45 Data cleaning & integración de datos Arquitectura de un sistema prototípico para datamining BDs Interface con usuario Pattern evaluation Data mining engine Servidor para BD ó data warehouse Filtrado Data Warehouse Base de Conocimiento Prof. Carlos I. Chesñevar DCIC - UNS 46 Datamining: confluencia de disciplinas Machine Learning Tecnología De BD Ciencia de la Información Data Mining Estadística tras Disciplinas Visualización Plataformas para Datamining Plataforma RANGE (desarrollada en Python) Plataforma WEKA (desarrollada en Java) Proveen facilidades para desarrollar el proceso de KDD Prof. Carlos I. Chesñevar DCIC - UNS 47 Prof. Carlos I. Chesñevar DCIC - UNS 48 8
9 Datamining Tareas principales Datamining Predictivo Descriptivo Usar atributos de BDs para predecir valores futuros o desconocidos de otros atributos Encontrar patrones para los datos que sean interpretables para las personas DM Técnicas Clasificación Regresión Clustering Sintetización/ Asociación Aprender una función que mapea un item de datos en una de varias clases predefinidas Aprender una función que mapee un item en una variable de predicción de valor real. Se busca identificar un conjunto finito de categorías (clusters) para describir datos. Involucra encontrar métodos para encontrar una descripción compacta de un subconjunto de datos. Prof. Carlos I. Chesñevar DCIC - UNS 49 Prof. Carlos I. Chesñevar DCIC - UNS 50 Clasificación Regresión lineal Deuda Denegar préstamo Conceder préstamo Ejemplo: 23 casos de préstamos bancarios. Deuda Deuda = f(ingreso) Ingreso Ingreso Prof. Carlos I. Chesñevar DCIC - UNS 51 Prof. Carlos I. Chesñevar DCIC - UNS 52 Clustering Deuda Cluster 2 Cluster 1 Cluster 3 Ingreso Asociación / Sintetización Ejemplo simple: tabular la media y desvío estándar para cada caso. Métodos más sofisticados: reglas de asociación Forma regla: Cuerpo Cabeza [soporte, confianza]. Ejemplo: pide(x,monto) & (Monto>3000) & ingreso(x,ingreso) & (Ingreso>10000) deudor(x) [0.5%, 60%] Prof. Carlos I. Chesñevar DCIC - UNS 53 Prof. Carlos I. Chesñevar DCIC - UNS 54 9
10 Material en fotocopiadora Cap. 1 de Datamining (Witten&Eibe, 2005) Transparencias módulo 01 Prof. Carlos I. Chesñevar DCIC - UNS 55 10
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,
Más detallesMINERIA 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 detallesAprendizaje 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 detallesIngeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?
Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento
Más detallesFundamentos 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 detallesIntroducción. 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 detallesCentro 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 detallesVisión 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 detallesMINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003
MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse
Más detallesParte 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 detallesCurso del Data Mining al Big Data
Curso del Data Mining al Big Data Instructor: Dr. Luis Carlos Molina Félix Presentación. Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y
Más detallesTrabajo 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 detallesMineria 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 detallesPero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?
Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining
Más detallesBase 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 detallesFundamentos 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 detallesMinería 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 detallesHabilidades y Herramientas para trabajar con datos
Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas
Más detallesSoluciones Integrales en Inteligencia de Negocios
Soluciones Integrales en Inteligencia de Negocios QUIENES SOMOS NUESTRA MISIÓN DATAWAREHOUSE MINERÍA DE DATOS MODELOS PREDICTIVOS REPORTERÍA Y DASHBOARD DESARROLLO DE APLICACIONES MODELOS DE SIMULACIÓN
Más detallesInteligencia 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 detallesMinería 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 detallesINTELIGENCIA DE NEGOCIOS
INTELIGENCIA DE NEGOCIOS A P R O X I M A C I Ó N A U N A E X P E R I E N C I A D E A P L I C A C I Ó N E N I N S T I T U C I O N E S D E L A R E G I Ó N Ing. Patricia Uceda Martos Agenda Introducción Definición
Más detallesDebido a que Internet ha llegado a ser aceptado rápidamente en toda esta revolución tecnológica, por encima de los demás medios de comunicación como
e-commerce Debido a que Internet ha llegado a ser aceptado rápidamente en toda esta revolución tecnológica, por encima de los demás medios de comunicación como son el teléfono, la radio, la televisión,
Más detallesactivuspaper Text Mining and BI Abstract
Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura
Más detallesPROPUESTA 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 detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesCurso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix
Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix Presentación Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y éxito de
Más detallesQuienes Somos? Valor. Estrategia
Quienes Somos? STGI nace como la respuesta necesaria al mundo empresarial en consultorías para acceder y gestionar la información, estructurada y no estructurada, con el fin de alcanzar procesos eficientes
Más detallesMinería 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 detallesv.1.0 Clase 5 Docente: Gustavo Valencia Zapata
v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería
Más detallesREPUTACIÓN LO QUE TOMA AÑOS CONSTRUIR PUEDE VERSE AFECTADO CRITICAMENTE POR UN SOLO EVENTO
REPUTACIÓN LO QUE TOMA AÑOS CONSTRUIR PUEDE VERSE AFECTADO CRITICAMENTE POR UN SOLO EVENTO Este documento es propiedad intelectual de MORE, Market & Opinion Research, por lo que cualquier tema relacionado
Más detallesUN 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
Más detallesUNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos
2.1. Principios básicos del Modelado de Objetos UNIDAD 2: Abstracción del Mundo real Al Paradigma Orientado a Objetos Hoy en día muchos de los procesos que intervienen en un negocio o empresa y que resuelven
Más detallesVER TOMAR HELADO. Aprendizaje de Educación para un Consumo Responsable
VER TOMAR HELADO Capítulo de la serie Aprendizaje de Educación para un Consumo Responsable Ver tomar helados Valorar la importancia de mejorar nuestra economía personal y familiar. SUGERENCIAS DE ACTIVIDADES
Más detallesData 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 detallescódigo 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 detallesUNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M
UNIVERSIDAD AUTONOMA DE GUADALAJARA ACP06 ALUMNO: JOSE ANGEL DEHESA JIMENEZ REGISTRO: 1996656 C R M CONCEPTO: "Customer Relationship Management"), La administración basada en la relación con los clientes.
Más detallesIntroducción 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
Más detallesMODELO PEDAGÓGICO QUE SUSTENTA EL PROGRAMA DE POSTGRADO UNA: A PARTIR DE LA PERSPECTIVA DE SUS ACTORES
Universidad Nacional Abierta Dirección de Investigaciones y Postgrado MODELO PEDAGÓGICO QUE SUSTENTA EL PROGRAMA DE POSTGRADO UNA: A PARTIR DE LA PERSPECTIVA DE SUS ACTORES Judith Mendoza Caracas, Diciembre
Más detallesDatamining Introducción
Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Introducción Yerko Halat 2 de Octubre del 2001 1 Cuál es la diferencia entre
Más detallesSistemas de información
Sistemas de información Es un conjunto integrado de componentes que almacenan, recolectan y procesan datos, para la entrega de la información, el conocimiento y los productos digitales. Las empresas comerciales
Más detallesopinoweb 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 detallesFORMACIÓN E-LEARNING. Curso de Marketing Relacional (CRM)
FORMACIÓN E-LEARNING Curso de Marketing Relacional (CRM) Para determinar, planificar, implantar y desarrollar una gestión efectiva de las relaciones con los clientes. Tel. 902 021 206 attcliente@iniciativasempresariales.com
Más detallesCURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es
Más detallesPresentación de Pyramid Data Warehouse
Presentación de Pyramid Data Warehouse Pyramid Data Warehouse tiene hoy una larga historia, desde 1994 tiempo en el que su primera versión fue liberada, hasta la actual versión 8.00. El incontable tiempo
Más detallesSISTEMA DE INFORMACION GERENCIAL. Lic.Patricia Palacios Zuleta
SISTEMA DE INFORMACION GERENCIAL Lic.Patricia Palacios Zuleta Pentaho Open BI Suite La suite Pentaho cubre principalmente las siguientes áreas: integración de datos, reportes, análisis, alertas y dashboards,
Más detallesADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS
ADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS ESTUDIO SOBRE EL POSICIONAMIENTO EN BUSCADORES DE PÁGINAS WEB Y LA RELEVANCIA DE LA ACTUALIZACIÓN DE CONTENIDOS
Más detallesCRM - Ventas. Ofimática S.A. Donde su cliente es el eje del éxito
CRM - Ventas Ofimática S.A. Donde su cliente es el eje del éxito CRM Ventas es la herramienta que necesitan los Vendedores para conocer el estado de sus clientes desde el contacto inicial hasta la venta
Más detalles3.3.3 Tecnologías Mercados Datos
3.3.3 Tecnologías Mercados Datos TECNOLOGIAS DATAMART: Aspect Data Mart es una solución completa de reportes para la empresa, que le proporciona un mayor entendimiento de las operaciones de sus negocios
Más detallesSistemas de Información 12/13 La organización de datos e información
12/13 La organización de datos e información Departamento Informática e Ingeniería de Sistemas Universidad de Zaragoza (raqueltl@unizar.es) " Guión Introducción: Data Warehouses Características: entornos
Más detallesArtículo dedicado a la Innovación y Mejores Prácticas en la Ingeniería de Negocios
Herramienta para Indicadores de Gestión Se ha dado cuenta de lo difícil que es conseguir que todos los miembros de su organización vean "la gran foto" y trabajen juntos para lograr los objetivos estratégicos
Más detalleshttp://www.statum.biz http://www.statum.info http://www.statum.org
ApiaMonitor Monitor de Infraestructura BPMS Por: Ing. Manuel Cabanelas Product Manager de Apia Manuel.Cabanelas@statum.biz http://www.statum.biz http://www.statum.info http://www.statum.org Abstract A
Más detallese-commerce, es hacer comercio utilizando la red. Es el acto de comprar y vender en y por medio de la red.
Comercio electrónico. (e-commerce) Las empresas que ya están utilizando la red para hacer comercio ven como están cambiando las relaciones de la empresa con sus clientes, sus empleados, sus colaboradores
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Minería de Datos Complementos de Computación Módulo Titulación Grado en Ingeniería Informática Plan 463 45220 Periodo de impartición 1 er Cuatrimestre Tipo/Carácter
Más detalles1. 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 detallesSistemas de Información Geográficos (SIG o GIS)
Sistemas de Información Geográficos (SIG o GIS) 1) Qué es un SIG GIS? 2) Para qué sirven? 3) Tipos de datos 4) Cómo trabaja? 5) Modelos de datos, Diseño Conceptual 6) GeoDataase (GD) 7) Cómo evaluamos
Más detallesGestión de la Información
Gestión de la Información Sociedad de la Información Recurso Información Sistemas de Información Tecnologías de la Información Internet ii Fundamentos de SI: Gestión de la Información 49 Un Sistema de
Más detallesE-data. Transformando datos en información con Data Warehousing
Federico Plancarte Sánchez E-data. Transformando datos en información con Data Warehousing Tema 2 El soporte a la Decisión 2-1 Evolución del soporte a la decisión Diversas categorías del análisis del DS
Más detallesResultados 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
Más detallesFinanzas e Investigación de Mercados"
DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de
Más detallesData & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes:
Data & Text Mining Exponentes: - Dr. Jorge Bacallao Guerra - Ing. Ramón Martinez - Ing. José Villanueva Agosto del 2012 Introducción o Porqué es necesario utilizar data mining o Que ésdata miningy qué
Más detallesCASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION
CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION INTRODUCCIÓN Este caso describe el enfoque de caracterizaciones interculturales de consumidores (Cross Cultural Consumer Characterizations; 4C) de Young &
Más detallesCAPITULO IV. HERRAMIENTAS DE CÓDIGO ABIERTO
CAPITULO IV. HERRAMIENTAS DE CÓDIGO ABIERTO En la actualidad la mayoría de las grandes empresas cuentan con un sin número de servicios que ofrecen a sus trabajadores y clientes. Muchos de estos servicios
Más detallesMejores 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 detallesI.S.C. E.D. M.E. Ricardo Bustamante González
INSTITUTO TECNOLOGICO SUPERIOR DE LERDO LICENCIATURA EN INFORMATICA TOPICOS AVANZADOS Ejemplos de la implementación de la minería de datos en el mundo real BRENDA CAROLINA PEREZ IBARRA 06230255 I.S.C.
Más detallesDefinición. Data Warehousing: almacenamiento, transformación y distribución de datos útiles para los responsables de tomar decisiones 9/29/2006 4
Definición Data Warehousing: almacenamiento, transformación y distribución de datos útiles para los responsables de tomar decisiones 9/29/2006 4 Definición (cont.) Un Data Warehouse es una colección de
Más detallesPresentación. Introducción a las técnicas de reconocimiento de patrones. Materia de doctorado en ingeniería/informática
Presentación Introducción a las técnicas de reconocimiento de patrones Materia de doctorado en ingeniería/informática Tópicos de minería de datos Materia optativa de LCC Docente: Pablo M. Granitto Horarios:
Más detallesINTELIGENCIA DE NEGOCIOS. Business Intelligence. Alumno: Toledo Paucar Jorge
INTELIGENCIA DE NEGOCIOS Business Intelligence Alumno: Toledo Paucar Jorge INTELIGENCIA DE NEGOCIOS Business Intelligence Es un conjunto de conceptos y metodologías para mejorar la toma de decisiones.
Más detalles1 GLOSARIO. Actor: Es un consumidor (usa) del servicio (persona, sistema o servicio).
1 GLOSARIO A continuación se definen, en orden alfabético, los conceptos básicos que se han abordado a lo largo del desarrollo de la metodología para la gestión de requisitos bajo la Arquitectura Orientada
Más detallesEstrategia de negocio basada en clientes: Software CRM
Estrategia de negocio basada en clientes: Software CRM 1 CRM ó GRC los pasos Índice de contenidos: Qué es un CRM Por qué utilizar un CRM, ventajas y beneficios Antes de utilizar un CRM Qué Por qué Cuándo
Más detallesMetodología Orientada a Objetos Clave 43100007 Maestría en Sistemas Computacionales
Metodología Orientada a Objetos Clave 43100007 Maestría en Sistemas Computacionales Modulo 03 UML: Vista de Casos de Uso Artefacto: Actores Catedrático MSC. Jose Juan Aviña Grimaldo e-mail josejuan_avina@gmail.com
Más detallesMINERÍA 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 detallesSERIE ESTRATEGIA COMERCIAL CRM. www.artica.com.mx. Lic. Guiomar Patricia González P.
SERIE ESTRATEGIA COMERCIAL Lic. Guiomar Patricia González P. 1 en pocas palabras En la época moderna, nos encontramos con distintos conjuntos de siglas para designar procesos, funciones, sistemas, soluciones
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesEASY Software & Innovation
Banco de los Alpes Gestión Solicitudes Glosario Versión: 1.0 Fecha: Página 2 de 2 Control de versiones Fecha Versión Descripción Autor 1.0 Creación del documento Néstor Armando
Más detallesMódulo: Indicadores de Eficacia y Eficiencia en los Procesos
Diplomatura en Lean Manufacturing (Manufactura Esbelta) Módulo: Indicadores de Eficacia y Eficiencia en los Procesos Docente: Javier Mejía Nieto MANUAL DE INDICADORES DE PRODUCTIVIDAD Ministerio de trabajo
Más detallesMinería de datos (Introducción a la minería de datos)
Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24
Más detallesComponentes de los SBC
Componentes de los SBC Componentes de los SBC Queremos construir sistemas con ciertas características: Resolución de problemas a partir de información simbólica Resolución mediante razonamiento y métodos
Más detallesSQL Diagnostic Manager Nueva versión 6.0
Página 1 de 6 SQL Diagnostic Manager Nueva versión 6.0 Página 2 de 6 Índice 1. ACCIONES DISPARADAS DESDE LAS ALERTAS...3 1.1. QUE GANA EL DBA CON TODO ESTO...4 2. NUEVA INTERFASE DE REPORTES....4 2.1.
Más detallesProceso Unificado de Rational PROCESO UNIFICADO DE RATIONAL (RUP) El proceso de desarrollo de software tiene cuatro roles importantes:
PROCESO UNIFICADO DE RATIONAL (RUP) El proceso de desarrollo de software tiene cuatro roles importantes: 1. Proporcionar una guía de actividades para el trabajo en equipo. (Guía detallada para el desarrollo
Más detallesENMKT616 Inteligencia de clientes y estrategia de relacionamiento
ENMKT616 Inteligencia de clientes y estrategia de relacionamiento Profesor: E-mail profesor: Juan P. Forno jforno@formulisa.cl PRESENTACIÓN DEL CURSO Las empresas acumulan cada vez mas información de sus
Más detallesDescribir una metodología sistemática de análisis de los procesos organizacionales y cómo estos pueden ser apoyados por las TI.
Procesos de Negocio Objetivos Describir una metodología sistemática de análisis de los procesos organizacionales y cómo estos pueden ser apoyados por las TI. Identificar y analizar los procesos de negocios,
Más detallesAprendizaje 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 detallesCódigo 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 detallesLic. Claudio Scarso. Lic. Claudio Scarso
La Auditoría como un proceso más del negocio Estrategias frente a las expectativas del Directorio Prevención de fraudes Rentabilización de la Gerencia Balanced scorecard Big Data, un nuevo desafío Data
Más detallesModificación 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 detallesPanel: Minería de datos para la administración tributaria
Panel: Minería de datos para la administración tributaria Leopoldo Gutiérrez Socio líder de Tax Data Analytics en EY Especialista en diseño, desarrollo e implementación de modelos analíticos orientados
Más detallesTOMA DE DECISIONES II
TOMA DE DECISIONES II Tema Nº 04 1. LAS HERRAMIENTAS TECNOLÓGICAS PARA LAS TOMA DE DECISIONES GERENCIALES 1.1 Importancia de los ERP. 1.2 Aadministración del desempeño corporativo CPM 1. HERRAMIENTAS TECNOLÓGICAS
Más detallesProfunda comprensión de que valores son o podrían ser percibidos por los clientes.
Estrategias de retención de clientes para servicios El valor concebido por el cliente de servicio se basa en una estrategia de conocimientos, ya que con el conocimiento que posee la empresa, puede emplear
Más detallesAcerca de esté Catálogo
Catálogo de Cursos 2015 Acerca de esté Catálogo En el presente documento podrá obtenerse la información necesaria sobre la oferta de cursos que Manar Technologies S.A.S. y su línea de educación Campus
Más detallesConstrucción de una base de datos
Semana 11 11 Empecemos! Esta semana estarán a prueba tu disposición, interés y, sobre todo, tu capacidad para resolver situaciones problemáticas, a través del apoyo que brindan las herramientas informáticas.
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniera en Electricidad y Computación Tema: NEGOCIOS EN INTERNET SUBASTATODO.COM Integrantes: Marianas Arias Peña 1 María Teresa Figueroa 2 José Zambrano
Más detallesFacultad de Ciencias Económicas. Departamento de Sistemas. Asignatura: INTELIGENCIA DE NEGOCIOS. Plan 1997
UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Económicas Departamento de Sistemas Asignatura: INTELIGENCIA DE NEGOCIOS Código: 715 Plan 1997 Cátedra: DEPARTAMENTO DE SISTEMAS Carrera: Licenciado en
Más detallesSISTEMAS 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
Más detallesInfraestructura Tecnológica. Sesión 12: Niveles de confiabilidad
Infraestructura Tecnológica Sesión 12: Niveles de confiabilidad Contextualización La confianza es un factor determinante y muy importante, con ésta se pueden dar o rechazar peticiones de negocio, amistad
Más detallesSOciedad Dominicana de Inteligencia Artificial. Santo Domingo Mayo 2015
SOciedad Dominicana de Inteligencia Artificial Santo Domingo Mayo 2015 1 Conferencia: La Inteligencia Artificial y sus Aplicaciones para Países en Desarrollo Dra. Ing. Rina Familia 24/05/2015 3 Hollywood
Más detallesDarío Álvarez Néstor Lemo www.autonomo.edu.uy
Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas
Más detallesSistema de Gestión Integral STI NETWORK
Sistema de Gestión Integral STI NETWORK Nota: El presente documento pretende presentar solo algunas características principales del software y de la empresa proveedora. Para mayor información serán provistos
Más detalles