Datamining y Aprendizaje Automatizado Dep. de Cs. e Ing. de la Computación, UNS 2do. Cuat Prof. Carlos Iván Chesñevar

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

Download "Datamining y Aprendizaje Automatizado Dep. de Cs. e Ing. de la Computación, UNS 2do. Cuat. 2010. Prof. Carlos Iván Chesñevar"

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 / 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:

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 detalles

Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning

Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning Introducción Qué es aprendizaje automatizado e inferencia inductiva"? Para qué sirve? (ejemplos/aplicaciones) Tareas de aprendizaje Representación de datos Enfoques usados Concept learning: algoritmos

Más detalles

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 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 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

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

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

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

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

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

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

Más detalles

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

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

Más detalles

Data & Text Mining. III Reunión de la RedDES(GT de Tecnología de la BVS6) Exponentes:

Data & 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 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

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático? Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento

Más detalles

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 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

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Minería de Datos. Universidad Politécnica de Victoria

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

Más detalles

Botón menú Objetivo de la Minería de datos.

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,

Más detalles

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 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

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

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

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

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

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

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

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

Más detalles

Introducción Qué es Minería de Datos?

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

Más detalles

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.

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))

Más detalles

Curso del Data Mining al Big Data

Curso 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 detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

Introducción a la Minería de Datos (Data Mining)

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

Más detalles

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 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

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

SISTEMAS DE INFORMACION GERENCIAL LIC.PATRICIA PALACIOS ZULETA

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

Más detalles

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA CÓDIGO ASIGNATURA 1131-3 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: DATA MINING y DATA WAREHOUSE Plan 2009 Ingeniería en Informática Año: 5 (Electiva - Ingeniería de Software)

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base de datos II Facultad de Ingeniería. Escuela de computación. Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,

Más detalles

Datamining Introducción

Datamining 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 detalles

Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix

Curso 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 detalles

Habilidades y Herramientas para trabajar con datos

Habilidades 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 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

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Minería de Datos Complementos de Computación Módulo Titulación Grado en Ingeniería Informática Plan 463 45220 Periodo de impartición 1 er Cuatrimestre Tipo/Carácter

Más detalles

Introducción al DataMining

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

Más detalles

Trabajo Practico N 12

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

Más detalles

Boletín de Asesoría Gerencial*

Boletín de Asesoría Gerencial* Espiñeira, Sheldon y Asociados No. 10-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

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

Más detalles

Marketing Advanced Analytics. Predicción del abandono de los clientes. Whitepaper

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

Más detalles

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS Por qué es importante la Minería de Datos? 2 La Minería de Datos es un proceso que permite obtener conocimiento a partir de los datos

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

Data Warehousing - Marco Conceptual

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

Más detalles

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

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

Más detalles

Inteligencia de Negocios (Business Intelligence)

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)

Más detalles

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza

Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza IBM Software Information Management White Paper Cómo aprovechar la potencia de la analítica avanzada con IBM Netezza Un enfoque de appliance simplifica el uso de la analítica avanzada Cómo aprovechar la

Más detalles

ESTRATEGIAS DIRECTIVAS

ESTRATEGIAS DIRECTIVAS ESTRATEGIAS DIRECTIVAS CRM: Estrategia de Negocios que Crea Valor Ing. Víctor M. Ornelas P. y Lic. Víctor M. Ornelas O. La Alta Dirección de las empresas se encuentra en una búsqueda continua de crear

Más detalles

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo Minería de Datos Óscar Palomo Miñambres Universidad Carlos III de Madrid Avda. De la Universidad, 30 28911, Leganés (Madrid-España) 100049074@alumnos.uc3m.es Abstract En este artículo analizaremos las

Más detalles

RECURSOS DE TI Aplicaciones - Bibliografía FUNDAMENTOS DE LA INTELIGENCIA DE NEGOCIOS

RECURSOS DE TI Aplicaciones - Bibliografía FUNDAMENTOS DE LA INTELIGENCIA DE NEGOCIOS Sistemas de Información para la Gestión UNIDAD 3: RECURSOS DE TECNOLOGÍA DE INFORMACIÓN Aplicaciones UNIDAD 2: RECURSOS DE TI Aplicaciones 1. Administración de bases de datos e información: Sistemas de

Más detalles

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones

Sistemas de Información para la Gestión. UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones UNIDAD 2: RECURSOS DE TI Información y Aplicaciones 1. La Información: Propiedades de la Información. Sistemas de Información. Bases de Datos. 2. Administración

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Pero 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?

Pero 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 detalles

TÓPICOS AVANZADOS DE BASES DE DATOS

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

Más detalles

Análisis Predictivo con Pentaho Data Mining en el sector bancario

Análisis Predictivo con Pentaho Data Mining en el sector bancario Análisis Predictivo con Pentaho Data Mining en el sector bancario CONTENIDO INTRODUCCIÓN REQUERIMIENTOS DE LA PROPUESTA CONCEPTUALIZACIÓN DE LA PROPUESTA DISEÑO DE LA PROPUESTA BENEFICIOS PROPUESTA ECONÓMICA

Más detalles

Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas. Prof. Lic. Juan M. Bodenheimer jb@instare.

Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas. Prof. Lic. Juan M. Bodenheimer jb@instare. Un presente y futuro de RR.HH. basado en datos: Aplicaciones de Data Mining en la Gestión de Personas Congreso de RR.HH. De Costa Rica 30/10/2012 Prof. Lic. Juan M. Bodenheimer jb@instare.com Nuestra Agenda

Más detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

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

Sumario... 5 Prólogo... 7. Unidad didáctica 1. Introducción a la minería de datos... 9. Objetivos de la Unidad... 10

Sumario... 5 Prólogo... 7. Unidad didáctica 1. Introducción a la minería de datos... 9. Objetivos de la Unidad... 10 ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la minería de datos... 9 Objetivos de la Unidad... 10 1. Origen y motivación... 11 2. El proceso de descubrimiento

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

Diploma en Business Analytics

Diploma en Business Analytics Diploma en Business Analytics JULIO 2010 FACULTAD DE INGENIERÍA Y CIENCIAS www.uai.cl Por qué un Diploma en Business Analytics? El análisis metódico e inteligente de datos es una actividad estratégica

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

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

Más detalles

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics

Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology. Insurance Analytics Business Analytics. Mucho mas que inteligencia de negocios. SBI Technology Insurance Analytics Presentación SBI Technology. Quienes Somos? Más de 20 años de experiencia a nivel internacional en BI aplicado

Más detalles

Panel: Minería de datos para la administración tributaria

Panel: 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 detalles

Sistema de Asignación de Riesgos Crediticios

Sistema de Asignación de Riesgos Crediticios Sistema de Asignación de Riesgos Crediticios Quienes somos Propuesta de Asignación de Riesgos Crediticios (Credit Scoring) CONTENIDO QUIENES SOMOS Matrix Data Labs es una Unidad de Negocios de Matrix CPM

Más detalles

Ing. Santiago C. PÉREZ Laura Noussan Lettry Carlos Campos Natalia Adaro Carolina Pennisi Andres Pozzi

Ing. Santiago C. PÉREZ Laura Noussan Lettry Carlos Campos Natalia Adaro Carolina Pennisi Andres Pozzi UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL MENDOZA DEPARTAMENTO DE INGENIERÍA EN SISTEMAS DE INFORMACIÓN CÁTEDRA DE GESTIÓN DE DATOS 3º AÑO Ing. Santiago C. PÉREZ Laura Noussan Lettry Carlos Campos

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

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

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 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

Más detalles

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

How organizations are influenced by Business Analytics? Octubre 2014

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

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

ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos.

ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos. ADMINISTRACIÓN DE ENERGÍA INTELIGENTE. Administre consumo. Analice tarifas. Reduzca costos. Los costos de energía en el siglo veintiuno representan un gran gasto para cualquier organización. Ahora más

Más detalles

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 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

Más detalles

ESCUELA POLITÉCNICA SUPERIOR

ESCUELA POLITÉCNICA SUPERIOR UNIVERSIDAD DE CÓRDOBA ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA EN INFORMÁTICA DE GESTIÓN PETICIÓN DE TEMA PARA PROYECTO FIN DE CARRERA: TÍTULO Herramienta para la preparación de conjuntos de aprendizaje

Más detalles

ARTÍCULOS Y REFLEXIONES

ARTÍCULOS Y REFLEXIONES ARTÍCULOS Y REFLEXIONES Soporte a la toma de decisión a través de Business Intelligence. Ing. Sandra Aída Pérez Estrada Alumna de la Maestría en Administración de Tecnologías de Información, Universidad

Más detalles

Sistemas de Información para la Gestión

Sistemas de Información para la Gestión Sistemas de Información para la Gestión UNIDAD 3: RECURSOS DE TECNOLOGÍA DE INFORMACIÓN Aplicaciones UNIDAD 3: RECURSOS DE TI Aplicaciones 1. Administración de bases de datos e información: Sistemas de

Más detalles

TRABAJO DE INVESTIGACIÓN BIBLIOGRÁFICA: MINERÍA DE DATOS

TRABAJO DE INVESTIGACIÓN BIBLIOGRÁFICA: MINERÍA DE DATOS TRABAJO DE INVESTIGACIÓN BIBLIOGRÁFICA: MINERÍA DE DATOS DEPARTAMENTO DE INFORMÁTICA PROFESOR: MASTER DAVID LUIS LA RED MARTÍNEZ ALUMNO: RAMÓN DAVID E. LEZCANO OBJETIVOS Analizar y entender qué es la Minería

Más detalles

Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico

Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico ARTÍCULOS Los Sistemas de Soporte a la Decisión en la era del Comercio Electrónico Marisol Carrera Díaz Alumna de la Universidad Virtual del Tecnológico de Monterrey marisol.carrera@itesm.mx Resumen En

Más detalles

Lic. Claudio Scarso. Lic. Claudio Scarso

Lic. 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 detalles

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

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

Más detalles

Arquitectura de un Sistema Recomendador

Arquitectura de un Sistema Recomendador DCIC SR: Situación de Aplicabilidad Sistemas de Recomendación y Personalización Necesito información de películas, pero... por dónde empiezo?? Hay tanta información!! Hey! Yo te puedo recomendar:... Viviana

Más detalles

Business Intelligence

Business Intelligence Business Intelligence Metodología > 1 Implantación tecnológica de un balanced scorecard Precio 1.000 Este curso introduce al alumno en la metodología de BSC y su implantación tecnológica para el seguimiento

Más detalles

UN PASEO POR BUSISNESS INTELLIGENCE

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

Más detalles

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales

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

Más detalles

El taller de Inteligencia de Negocio no tiene requisitos en cuanto a conocimientos, debido a su naturaleza introductoria.

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

Más detalles

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS

Inteligencia de Negocios Introducción. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Inteligencia de Negocios Introducción Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Agenda 1.Introducción 2.Definición 3.ETL 4.Bodega de Datos 5.Data Mart

Más detalles

Grupo de investigación en Minería de Datos http://mida.usal.es

Grupo de investigación en Minería de Datos http://mida.usal.es Departamento de Informática y Automática Postgrado en Informática y Automática MÁSTER EN SISTEMAS INTELIGENTES ASIGNATURAS Introducción a la Minería de Datos Minería Web María N. Moreno García http://avellano.usal.es/~mmoreno

Más detalles

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 CARACTERÍSTICAS GENERALES a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 b) Título que se otorga Ingeniero/a en Sistemas Inteligentes c) Espacio donde se imparte

Más detalles

Carlos Daniel Quattrocchi

Carlos Daniel Quattrocchi PRESENTA Lic. Héctor Iglesias Licenciado en Informática. Profesional independiente, ha desempeñado la actividad en informática desarrollando e implementando sistemas, capacitando y asesorando a numerosas

Más detalles

UNIDAD 2. ADMINISTRACIÓN DE LA RELACIÓN CON EL CLIENTE (CRM)

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

Más detalles

Analítica. Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader. 2011 IBM Corporation

Analítica. Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader. 2011 IBM Corporation Evolución y tendencias en la provisión ió de Información Analítica Alejandro Regueiro (regueial@ar.ibm.com) Business Analytics and Optimization Argentina Leader BAO es una de las principales iniciativas

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

APOYO PARA LA TOMA DE DECISIONES

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

Más detalles

6º Congreso Argentino de AgroInformática, CAI 2014. Plataforma web para la gestión Agro-ganadera

6º Congreso Argentino de AgroInformática, CAI 2014. Plataforma web para la gestión Agro-ganadera Plataforma web para la gestión Agro-ganadera David L. la Red Martínez Universidad Nacional del Nordeste 9 de julio 1449, (3400) Corrientes, Argentina Lisandro Yaccuzzi Universidad Nacional del Nordeste

Más detalles