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

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

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

Transcripción

1 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 2.1. POR QUÉ HACER ESTUDIOS DE MERCADO? 2.1.A. PLANTEAMIENTO DE LA NECESIDAD DE LA INVESTIGACIÓN 2.1.B. QUÉ QUIERES SABER Y QUÉ HARÁS CUANDO LO SEPAS 2.1.C. FASES A TENER EN CUENTA A LA HORA DE SOLICITAR UN ESTUDIO AD- HOC 2.2. INVESTIGACIÓN DE MERCADOS INTERNACIONAL 2.3. ASPECTOS ÉTICOS Y LEGALES DE LA INVESTIGACIÓN COMERCIAL 2.4. LOS ESTÁNDARES DE CALIDAD EN LA INVESTIGACIÓN DE MERCADOS 2.5. EXPECTATIVAS DE EVOLUCIÓN Y FUTURO 2.6. ENTORNO DE LA INVESTIGACIÓN COMERCIAL CONTRATACIÓN DE LOS ESTUDIOS DE MERCADO EN LA PRÁCTICA. 3. LAS FUENTES DE INFORMACIÓN 3.1. FUENTES PRIMARIAS Y FUENTES SECUNDARIAS. 3.1.A. FUENTES DE INFORMACIÓN INTERNAS: FUENTES PRIMARIAS Y SECUNDARIAS. 3.1.B. FUENTES DE INFORMACIÓN EXTERNAS: FUENTES PRIMARIAS Y SECUNDARIAS LA INVESTIGACIÓN EXPLORATORIA Y LAS FUENTES DE INFORMACIÓN SECUNDARIAS. 3.2.A. EL USO DE LAS BASES DE DATOS. 3.2.B. ACCESO A LAS FUENTES DE INFORMACIÓN SECUNDARIA EXTERNA. 3.2.C. CONCEPTO DE PANELES DE INFORMACIÓN. 3.2.D. EL CONCEPTO DE GEOMÁRKETING. 3.2.E. VALORACIÓN DE LAS FUENTES DE INFORMACIÓN SECUNDARIAS LA INVESTIGACIÓN EXPLORATORIA COMO INVESTIGACIÓN CUALITATIVA. 3.3.A. LA OBTENCIÓN DE INFORMACIÓN MEDIANTE TÉCNICAS CUALITATIVAS. 3.3.B. TÉCNICAS DE CREATIVIDAD. 3.3.C. DINÁMICA DE GRUPOS. 3.3.D. LAS ENTREVISTAS EN PROFUNDIDAD. 3.3.E. TÉCNICAS PROYECTIVAS LA INVESTIGACIÓN DESCRIPTIVA Y LAS FUENTES DE INFORMACIÓN PRIMARIAS. 3.4.A. EL CONCEPTO DE ENCUESTA. 3.4.B. EL CONCEPTO DE OBSERVACIÓN DISEÑO DE EXPERIMENTOS Y EXPERIMENTACIÓN COMERCIAL EN EL CONTEXTO DE LA INVESTIGACIÓN CAUSAL. 3.5.A. CONCEPTOS BÁSICOS. 3.5.B. VALIDACIÓN Y CLASES DE EXPERIMENTOS APLICACIONES DE LA INVESTIGACIÓN DE MERCADOS 4. ENTORNO DE MARKETING. TENDENCIAS ACTUALES 4.1. INTRODUCCIÓN 4.2. FUNCIÓN DE LA INVESTIGACIÓN COMERCIAL DENTRO DE LA PLANIFICACIÓN DE MARKETING EL CONCEPTO DE MARKETING

2 4.4. EL PRODUCTO 4.4.A. POSICIONAMIENTO DEL PRODUCTO 4.4.B. CICLO DE VIDA DE UN PRODUCTO (CVP) 4.4.C. DESARROLLO DE NUEVOS PRODUCTOS PRECIO. 4.5.A. MÉTODOS DE FIJACIÓN DE PRECIOS. 4.5.B. ESTRATEGIAS DE PRECIO 4.6. PROMOCIÓN 4.6.A. PUBLICIDAD. 4.6.B. PROMOCIÓN DE VENTAS. 4.6.C. LA VENTA PERSONAL 4.6.D. OTRAS FORMAS DE PROMOCIÓN DISTRIBUCIÓN 4.8. EL MERCADO. 4.8.A. SEGMENTACIÓN DE MERCADOS SISTEMA DE INFORMACIÓN MARKETING 4.9.A. TIPOS DE INVESTIGACIÓN DE MERCADO. 4.9.B. ETAPAS DE LA INVESTIGACIÓN DE MERCADO TENDENCIAS ACTUALES A. LA ORIENTACIÓN AL CLIENTE 4.10.B. EL MUNDO INTERNET 5. EJEMPLO DEL DESARROLLO LÓGICO Y FUNCIONAL DE LA APLICACIÓN DE LA INVESTIGACIÓN DE MERCADOS EN EL ÁREA DE MARKETING 5.1. CAPÍTULO 1 POR QUÉ NECESITAMOS LA INVESTIGACIÓN DE MERCADOS? 5.2. CUÁNTO PUEDE VENDERSE, DÓNDE Y CUÁNDO? 5.3. INVESTIGACIÓN DE LAS ACTITUDES DEL CONSUMIDOR FRENTE A LOS PRODUCTOS 5.4. CÓMO SE PUEDE HACER ATRACTIVO EL PRODUCTO PARA LOS CONSUMIDORES? 5.5. CÓMO SE DEBE DISTRIBUIR EL PRODUCTO? 5.6. CÓMO SE DEBE PROMOVER EL PRODUCTO? 5.7. SON FACTIBLES LOS PLANES DE LA AGROINDUSTRIA? 5.8. SERÁ RENTABLE EL NEGOCIO, Y A QUÉ PRECIOS? ANEXO 1 - TEMAS PARA LA INVESTIGACIÓN DE MERCADOS ANEXO 2 - UN CUESTIONARIO PARA EL CONSUMIDOR

3 1. PROCESO DE LA INVESTIGACIÓN DE MERCADOS 1.1. PASO 1º. DEFINICIÓN DEL PROBLEMA 1.2. PASO 2º. TRATAR DE EXPLICAR EL PROBLEMA PASO 3º. DEFINIR LOS OBJETIVOS DE LA INVESTIGACIÓN PASO 4º. FORMULAR EL PLAN GENERAL DE LA INVESTIGACIÓN. 1.4.A. EL TIPO DE INVESTIGACIÓN A SEGUIR: EXPLORATORIA O CONCLUYENTE. 1.4.B. EL TIPO DE INFORMACIÓN NECESARIA. 1.4.C. EL TIPO DE ANÁLISIS DE LA INFORMACIÓN PASO 5º. PRESUPUESTAR LA INVESTIGACIÓN Y TOMAR DECISIONES PASO 6º. PRESENTACIÓN DE INFORMES, RESULTADOS Y EVALUACIÓN DE LA INFORMACIÓN. 2. INTRODUCCIÓN A LAS TÉCNICAS CUANTITATIVAS 2.1. EL CUESTIONARIO 2.1.A. DISEÑO DEL CUESTIONARIO 2.2. EL MUESTREO 2.2.A. TIPOS DE MUESTREO 2.3. TIPOS DE ENCUESTAS 2.3.A. ENCUESTAS PERSONALES 2.3.B. ENCUESTAS POSTALES 2.3.C. ENCUESTAS TELEFÓNICAS 2.3.D. ENCUESTAS POR INTERNET 2.4. FASES DE UN PROCESO ESTADÍSTICO POR MUESTREO 2.4.A. ESTUDIO Y PLANTEAMIENTO. DISEÑO GENERAL DE LAS OPERACIONES ESTADÍSTICAS 2.5. TRABAJOS DE CAMPO 2.6. ETAPA DE TRATAMIENTO DE LA INFORMACIÓN RECABADA EN CAMPO 2.7. CONTROL DE CALIDAD DE LA INVESTIGACIÓN 3. TECNICAS DE OBSERVACIÓN 3.1. TIPOS DE OBSERVACIÓN 3.2. APLICACIONES DE LA OBSERVACIÓN: 3.3. PSEUDOCOMPRA 4. INTRODUCCIÓN A LAS TÉCNICAS CUALITATIVAS 4.1. INTRODUCCIÓN 4.1.A. OBJETIVOS 4.1.B. CARACTERÍSTICAS 4.2. LA OBSERVACIÓN PARTICIPANTE. 4.2.A. MARCO CONCEPTUAL. 4.2.B. PASOS PARA UNA OBSERVACIÓN PARTICIPANTE 4.3. LA ENTREVISTA EN PROFUNDIDAD 4.3.A. MARCO CONCEPTUAL DE LA ENTREVISTA CUALITATIVA 4.3.B. DEFINICIÓN Y CARACTERÍSTICAS DE LA ENTREVISTA EN PROFUNDIDAD 4.3.C. APLICACIONES, VENTAJAS Y LIMITACIONES 4.3.D. SELECCIÓN, CAPTACIÓN Y ORGANIZACIÓN 4.3.E. EJECUCIÓN 4.3.F. LA FUNCIÓN DEL ENTREVISTADOR 4.3.G. ANÁLISIS E INFORME DE RESULTADOS 4.4. LA REUNIÓN DE GRUPO. 4.4.A. INTRODUCCIÓN CONCEPTUAL 4.4.B. LA PRÁCTICA

4 4.5. LAS TÉCNICAS CUALITATIVAS PROSPECTIVAS: LOS ESTUDIOS TIPO DELPHI. 5. PANEL Y ÓMNIBUS 5.1. PANEL 5.2. ÓMNIBUS 6. INTRODUCCIÓN AL DATA MINING Y SISTEMAS DE INFORMACIÓN 6.1. INTRODUCCIÓN: SISTEMAS DE SOPORTE A LA DECISIÓN 6.1.A. DE LOS DATOS AL CONOCIMIENTO 6.2. METODOLOGÍA DE GESTIÓN DE UN PROYECTO DE DATA MINING 6.2.A. FASE 1. PERCEPCIÓN DE LA NECESIDAD DE INICIAR UN PROCESO DE DATA MINING 6.2.B. FASE 2. REFLEXIÓN 6.2.C. FASE 3. PLANIFICACIÓN 6.2.D. FASE 4. DEFINICIÓN Y OBTENCIÓN DE LOS DATOS NECESARIOS 6.2.E. FASE 5. INTEGRACIÓN Y MODIFICACIÓN DE LOS DATOS PARA EL ANÁLISIS 6.2.F. FASE 6. MODELIZACIÓN 6.2.G. FASE 7. IMPLEMENTACIÓN Y RETROALIMENTACIÓN 6.2.H. FASE 8. DISEÑO Y CONSTRUCCIÓN DE APLICACIONES DE VISUALIZACIÓN 6.3. METODOLOGÍA GENÉRICA DE ANÁLISIS DE DATOS 6.3.A. MUESTREO 6.3.B. EXPLORACIÓN 6.3.C. MODIFICACIÓN 6.3.D. MODELIZACIÓN 6.3.E. VALIDACIÓN 6.3.F. APLICACIÓN DE RESULTADOS 6.4. FASES DEL PROCESO ANALÍTICO 6.4.A. MUESTREO ESTADÍSTICO 6.4.B. TÉCNICAS DE PARTICIÓN DEL CONJUNTO DE DATOS DE ENTRADA 6.4.C. ANÁLISIS GRÁFICO DE DATOS 6.4.D. VARIABLES CALCULADAS 6.4.E. DETERMINACIÓN DE LAS VARIABLES DE ANÁLISIS 6.4.F. DETECCIÓN Y LIMPIEZA DE OUTLIERS 6.4.G. ASIGNACIÓN DE VALORES MISSING EN VARIABLES CONTINUAS 6.4.H. ASIGNACIÓN DE VALORES MISSING EN VARIABLES DISCRETAS 6.5. MÉTODOS DE ANÁLISIS DE DATOS 6.5.A. ANÁLISIS CLUSTER 6.5.B. ANÁLISIS DE REGRESIÓN 6.5.C. ANÁLISIS DISCRIMINANTE 6.5.D. ÁRBOLES DE DECISIÓN 6.5.E. REDES NEURONALES 6.5.F. REDES NEURONALES DE KOHONEN 6.5.G. INDUCCIÓN DE REGLAS 6.6. METODOLOGÍAS DE ANÁLISIS DE DATOS 6.6.A. METODOLOGÍA DE SCORING 6.6.B. METODOLOGÍA DE PREDICCIÓN DEL ABANDONO 6.7. SISTEMAS DE INFORMACIÓN

5 INDICE LECCION 1: Análisis Discriminante Introducción Función Discriminante Método Stepwise (inclusión por pasos) de selección de variables Análisis discriminante para tres o más grupos Conclusiones Resumen de la lección LECCION 2: ANÁLISIS LOGLINEAL Introducción Modelo saturado Modelo de independencia Análisis de Modelo Jerárquico Análisis loglineal general Modelos logit loglineal LECCIÓN 3. ANÁLISIS DE FIABILIDAD Introducción Alpha de Cronbach: cuadro de dialogo general y opciones Otros modelos de fiabilidad MASTER EN INVESTIGACIÓN DE MERCADOS Y ESTADÍSTICA APLICADA A LA EMPRESA 3

6 Índice 1. EL PROCESO DE LA MINERÍA DE DATOS Introducción al Data Mining Aplicaciones de la minería de datos Estadística versus Data Mining Técnicas, métodos y algoritmos en Data Mining Cuándo emplear data mining? El proceso de extracción de conocimiento útil Minería de datos y Data Warehouse Descripción de dos metodologías de minería de datos: CRISP-DM y SEMMA Metodología CRISP-DM Metodología SEMMA Fases del muestreo estadístico Usos actuales del muestreo Tipos de muestreo Estrategias generales de muestreo PREPROCESADO DE LOS DATOS Y EVALUACIÓN DE MODELOS Preprocesado de los datos Imputación de datos ausentes Filtrado y eliminación de valores extremos o outlier Transformación de la Base de datos Reducción de variables o de la dimensionalidad Balanceo de las clases Evaluación de modelos Evaluación de modelos de clasificación: Validación cruzada Evaluación de modelos de análisis de regresión ÁRBOLES DE DECISIÓN Y REGRESIÓN Aplicabilidad de los árboles de decisión Algoritmos de clasificación Árboles de decisión y regresión lineal... 86

7 3.4. Programas informáticos disponibles para la clasificación y segmentación jerárquica Ejemplos de árboles de decisión Valoración de créditos a través de árboles de decisión con SPSS y WEKA Ejemplo práctico 2. Decisión de volver de los turistas Árboles de decisón con el programa WEKA Árboles de regresión con el Algoritmo M5P de WEKA REGLAS DE ASOCIACIÓN Introducción a las reglas de asociación El algoritmo A priori Ejemplo con datos de comercio exterior Ejemplo aplicado a productos de un súpermercado (basket análisis) REDES NEURONALES Introducción a las redes neuronales Democrático Tipos de modelos de redes neuronales Unidades de procesamiento de la información Red neuronal Propiedades de los sistemas neuronales El perceptrón multicapa Cómo funciona la red? Etapa de funcionamiento Etapa de aprendizaje Metodología de aplicación de un perceptrón multicapa Los mapas autoorganizativos de Kohonen Etapa de funcionamiento Etapa de aprendizaje Aplicaciones de los mapas autoorganizativos Funciones de Base Radial Comparación entre las Funciones de Base Radial y el Perceptrón Multicapa Learning Vector Quantization (LVQ) Relaciones entre las redes neuronales artificiales y la estadística Programas de simulación de redes neuronales comerciales y freeware

8 5.14. Ejemplos prácticos de redes neuronales Ejemplo de predicción con redes neuronales Ejemplo de clasificación con redes neuronales Ejemplo de redes neuronales con el programa WEKA ALGORITMOS GENÉTICOS Introducción Definición Condiciones para la aplicación de los Algoritmos Genéticos Ventajas e Inconvenientes Fundamentos Teóricos (Conceptos) Codificación de los datos Algoritmo Parámetros necesarios al aplicar Algoritmos Genéticos Aplicaciones Reales de los Algoritmos Genéticos Ejemplos prácticos Máximo de una función Selección de atributos con Algoritmos Genéticos Conclusiones MÁQUINAS DE VECTORES SOPORTE Introducción Máquinas de vectores soporte con margen máximo Máquinas de vectores soporte con margen blando y norma 1 de las variables de holgura Máquinas de vector soporte con margen máximo en el espacio de las características. Máquinas no lineales de vectores soporte Aplicaciones de las SVM Paquetes informáticos para las SVM Ejemplo de Máquinas de Vectores Soporte con WEKA MÉTODOS BAYESIANOS Introducción a los métodos bayesianos Teorema de Bayes e hipótesis MAP: Clasificador Naïve Bayes Redes bayesianas Tipos de redes bayesianas

9 8.5 Algoritmos de aprendizaje automático Algoritmos basados en test de independencia Algoritmos de búsqueda Algoritmo K Algoritmo B Clasificador bayesiano: algoritmo TAN Utilización del programa WEKA con Naïves Bayes y Redes Bayesianas Ejemplo de redes bayesianas con K Ejemplo de redes bayesianas con TAN INTRODUCCIÓN A LA MINERÍA DE TEXTOS Y PÁGINAS WEB Minería de textos Minería Web Programas comerciales y de libre distribución relacionados con el text mining Aplicaciones de Text Mining y Web Mining con Rapid Miner Captura en ficheros txt de los ficheros html de un dominio web Extraer contenido de la web con procesamiento de la información COMBINACIÓN DE MODELOS. MULTICLASIFICADORES Introducción a los métodos de combinación de modelos Bagging Boosting Métodos de fusión Métodos híbridos Stacking Cascading Ejemplo práctico con el metaclasificador Stacking HERRAMIENTAS INFORMÁTICAS DE MINERÍA DE DATOS: WEKA y RAPIDMINER Introducción Cargando Datos en Weka Cómo cargar datos en Weka desde el Excel? Regresión Logística Redes Neuronales: Perceptrón Multicapa

10 Redes de Base Radial (RBF) Máquinas de vectores soporte Árboles de Decisión: C Clustering Reglas de Asociación Selección de atributos Algoritmos Genéticos Rapid Miner Conceptos generales Operadores Reglas de asociación Árboles de decisión Redes neuronales Clustering BIBLIOGRAFÍA

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

Sistemas de Investigación de Mercados

Sistemas de Investigación de Mercados Sistemas de Investigación de Mercados Información de mercadotecnia Sistema de información de mercadotecnia Información de mercadotecnia Contexto mercado Mercados meta meta Competidores Públicos Macroambiente

Más detalles

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas...

Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... , INDICE Introducción, ; XVII Capítulo 1. Minería de datos: Conceptos, técnicas y sistemas... Aproximación al concepto de minería de datos... El proceso de extracción del conocimiento... Técnicas de minería

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

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

Finanzas e Investigación de Mercados"

Finanzas 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 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

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

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II

Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco de los acuerdos de Basilea II y Solvencia II REVISTA ESPAÑOLA DE FINANCIACIÓN Y CONTABILIDAD Vol. XXXVI, n.º 135 julio-septiembre 2007 pp. 649-653 649 Análisis de los determinantes del riesgo de crédito. Aplicación de técnicas emergentes en el marco

Más detalles

GUÍA DOCENTE TITULACIONES DE GRADO

GUÍA DOCENTE TITULACIONES DE GRADO GUÍA DOCENTE TITULACIONES DE GRADO TITULACIÓN: GRADO EN INGENIERIA INFORMATICA DE SISTEMAS DE INFORMACIÓN CURSO 2015/2016 ASIGNATURA: MINERÏA DE DATOS Nombre del Módulo o Materia al que pertenece la asignatura.

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1 ÍNDICE Introducción... XV Capítulo 1. El concepto de Data Mining... 1 Introducción... 1 Una definición de Data Mining... 3 El proceso de Data Mining... 6 Selección de objetivos... 8 La preparación de los

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

Asignaturas Máster de Metodología de las Ciencias del Comportamiento y de la Salud Curso 2011/2012

Asignaturas Máster de Metodología de las Ciencias del Comportamiento y de la Salud Curso 2011/2012 Asignaturas Máster de Metodología de las Ciencias del Comportamiento y de la Salud Curso 2011/2012 Periodo de impartición Asignaturas UAM/UCM: Primer semestre: Comienzo: 26 de Septiembre Finalizan: 20

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

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

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

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

Tema 2 Diseño de los Estudios de Mercado. Introducción a la Investigación de Mercados

Tema 2 Diseño de los Estudios de Mercado. Introducción a la Investigación de Mercados Tema 2 Diseño de los Estudios de Mercado Introducción a la Investigación de Mercados Contenido 2.1 Clasificación de los estudios de mercado 2.2 Diseño de las investigaciones de mercados 2.2.1 Investigación

Más detalles

Área de Comercialización e Investigación de Mercados. Área de Organización de Empresas. Universidad de Extremadura.

Área de Comercialización e Investigación de Mercados. Área de Organización de Empresas. Universidad de Extremadura. Área de Comercialización e Investigación de Mercados. Área de Organización de Empresas. Universidad de Extremadura. GUÍA PARA REALIZAR UNA INVESTIGACIÓN DE MERCADOS INTRODUCCIÓN Esta guía pretende ofrecer

Más detalles

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1

ÍNDICE. Introducción... Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Introducción... XI Capítulo 1. Inteligencia de negocios y sistemas de información. Informes... 1 Finalidad de los sistemas de información y origen del Business Intelligence... 1 Herramientas para la toma

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

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

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

PLAN DE TRABAJO DOCENTE 2013

PLAN DE TRABAJO DOCENTE 2013 PLAN DE TRABAJO DOCENTE 2013 1. DATOS DE LA ASIGNATURA Nombre: Procesamiento Analítico de Datos Código: Nivel: Grado Carácter: Optativo Área curricular a la que pertenece: Administración Carrera: Contador

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

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

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

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE

APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE TRAINING 2007 APROVECHE AL MÁXIMO EL MEJOR SOFTWARE DE ANÁLISIS DE DATOS, ASISTA A LOS CURSOS DE CAPACITACIÓN DE SPSS CHILE Fundamentos en el Uso y Aplicaciones con SPSS Introducción a la Sintaxis Estadísticas

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

CURSO ESTADÍSTICA APLICADA CON R

CURSO ESTADÍSTICA APLICADA CON R CURSO ESTADÍSTICA APLICADA CON R Organizado por: Instituto IMDEA Alimentación Facultad de Ciencias de la Universidad Autónoma de Madrid MADRID, de Septiembre a Diciembre de 2015 Estadística Aplicada con

Más detalles

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

Más detalles

CLASIFICACIÓN NO SUPERVISADA

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

Más detalles

Apuntes de Metodología de la Investigación en Turismo

Apuntes de Metodología de la Investigación en Turismo Apuntes de Metodología de la Investigación en Turismo DIRECCIÓN Amparo Sancho Perez COLABORACIÓN Bernardí Cabrer Borrás Gregorio Garcia Mesanat Juan Manuel Perez Mira Otras colaboraciones: Pilar González

Más detalles

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

Tema 4 LA INVESTIGACIÓN DE MERCADOS. Dirección Comercial

Tema 4 LA INVESTIGACIÓN DE MERCADOS. Dirección Comercial Tema 4 LA INVESTIGACIÓN DE MERCADOS Dirección Comercial Bloque 1. Planificación estratégica de Marketing 1. El papel del marketing en la empresa y la sociedad 2. Análisis de situación y estrategias de

Más detalles

Introducción a la Minería de Datos (III)

Introducción a la Minería de Datos (III) Introducción a la Minería de Datos (III) Pedro Larrañaga pedro.larranaga@ehu.es Intelligent Systems Group Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco

Más detalles

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Características Cree estrategias más efectivas evaluando tendencias y resultados Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas

Más detalles

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Emilio Soria Olivas! Antonio José Serrano López! Departamento de Ingeniería Electrónica! Escuela Técnica Superior de Ingeniería!

Más detalles

Diplomado Marketing e Investigación de Mercados

Diplomado Marketing e Investigación de Mercados Diplomado Marketing e Investigación de Mercados Duración 120 horas Objetivo general: Ofrecer una visión estratégica y estructurada de la investigación de mercados, dando a conocer las técnicas de investigación

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

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

Parte I: Introducción

Parte I: Introducción Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

320514 - APTM - Análisis de Procesos Textiles y de Mercados

320514 - APTM - Análisis de Procesos Textiles y de Mercados Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO

Más detalles

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

Más detalles

Tome mejores decisiones mediante la inteligencia predictiva

Tome mejores decisiones mediante la inteligencia predictiva IBM SPSS Modeler Professional Funciones destacadas Acceda, prepare y cree modelos de datos estructurados fácilmente con este conjunto de programas de minería de datos intuitivo y visual. Crea y valide

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

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional Tome mejores decisiones mediante la inteligencia predictiva Características principales Cree estrategias más eficaces mediante la evaluación de tendencias y resultados probables

Más detalles

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE Técnicas, herramientas y aplicaciones María Pérez Marqués Business Intelligence. Técnicas, herramientas y aplicaciones María Pérez Marqués ISBN: 978-84-943055-2-8 EAN: 9788494305528

Más detalles

Detección de Patrones de Daños y Averías en la Industria Automotriz

Detección de Patrones de Daños y Averías en la Industria Automotriz Universidad Tecnológica Nacional Facultad Regional Buenos Aires Tesis de Magister en Ingeniería en Sistemas de Información Detección de Patrones de Daños y Averías en la Industria Automotriz Directora:

Más detalles

Investigación de Mercados

Investigación de Mercados Investigación de Mercados Licenciatura en Administración y Dirección de Empresas Asignatura optativa. 4 créditos teóricos y 2 créditos prácticos. Créditos ECTS: 6 o 180 horas de trabajo (30 horas por crédito)

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

ENTREVISTADOR/ENCUESTADOR CÓDIGO 44301013 Marque con una X el período correspondiente _1º PERIODO FORMATIVO Módulos que lo componen:

ENTREVISTADOR/ENCUESTADOR CÓDIGO 44301013 Marque con una X el período correspondiente _1º PERIODO FORMATIVO Módulos que lo componen: ENTREVISTADOR/ENCUESTADOR CÓDIGO 44301013 Marque con una X el período correspondiente _1º PERIODO FORMATIVO 1. Metodología de la encuestación. 2. Comunicación y factor humano en la encuestación. 3. Técnicas

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

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

Entrenamiento en Gestión de Minería de Datos Aplicada a la Inteligencia en los Negocios

Entrenamiento en Gestión de Minería de Datos Aplicada a la Inteligencia en los Negocios Entrenamiento en Gestión de Minería de Datos Aplicada a la Inteligencia en los Negocios Elaborado por: Luis Francisco Zaldívar, MSE Director www.modelacionderiesgos.com l.zaldivar@modelacionderiesgos.com

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

DYANE Versión 4 Diseño y Análisis de Encuestas

DYANE Versión 4 Diseño y Análisis de Encuestas DYANE Versión 4 Diseño y Análisis de Encuestas Miguel Santesmases Mestre 1. DESCRIPCIÓN GENERAL DEL PROGRAMA DYANE 1. FINALIDAD Y MÉTODO DEL PROGRAMA DYANE (Diseño y Análisis de Encuestas) es un programa

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

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. 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

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

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

Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1

Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1 Grado en Administración y Dirección de Empresas Dirección Comercial I. Prácticas Tema 1 1.- Con qué tipo de investigación responderíamos a la siguiente pregunta: Qué tipo de comprador adquiere nuestros

Más detalles

CERTIFICACIÓN DE ASISTENTE DE MARKETING

CERTIFICACIÓN DE ASISTENTE DE MARKETING CERTIFICACIÓN DE ASISTENTE DE MARKETING OBJETIVO Lograr que los jóvenes participantes estén capacitados para ser parte del departamento de Marketing de una empresa, aportando todos los conocimientos para

Más detalles

Universidad Mariano Gálvez

Universidad Mariano Gálvez UNIVERSIDAD MARIANO GALVEZ LIC. OMAR GUERRA CURSO: MERCADOTECNIA III Integrantes Grupo No. 3 0213-06-10524 MARIA CRISTINA DONABO VIVAR 0213-03-10225 ERICKSON MARCIAL VARGAS 0213-06-10484 ANA KARINA PALACIOS

Más detalles

El Poder del Conocimiento

El Poder del Conocimiento El Poder del Conocimiento BROCHURE CURSO DE CAPACITACION Curso Básico de Análisis Predictivo - Minería de Datos y Minería de Textos (DM051) 2015 1 TABLA DE CONTENIDO 1 PRESENTACION KASPERU...4 1.1 MISIÓN...4

Más detalles

Aplicación de Redes bayesianas usando Weka.

Aplicación de Redes bayesianas usando Weka. Aplicación de Redes bayesianas usando Weka. Cynthia Lorena Corso 1, Fabian Gibellini 1 1 Universidad Tecnológica Nacional, Facultad Regional Córdoba Laboratorio de Sistemas de Información Maestro M. López

Más detalles

MASTER INTERUNIVERSITARIO EN METODOLOGÍA DE LAS CIENCIAS DEL COMPORTAMIENTO Y DE LA SALUD. UNED, UCM Y UAM

MASTER INTERUNIVERSITARIO EN METODOLOGÍA DE LAS CIENCIAS DEL COMPORTAMIENTO Y DE LA SALUD. UNED, UCM Y UAM TITULACION: MASTER INTERUNIVERSITARIO EN METODOLOGÍA DE LAS CIENCIAS DEL COMPORTAMIENTO Y DE LA SALUD. UNED, UCM Y UAM 1. PRESENTACIÓN El Máster en Metodología de las Ciencias del Comportamiento y de la

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

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

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

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de

Más detalles

PROCESOS, PRODUCTOS Y METODOLOGÍAS

PROCESOS, PRODUCTOS Y METODOLOGÍAS Investigación PROCESOS, PRODUCTOS Y METODOLOGÍAS Enero de 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. Fases de un estudio de mercado... 2 2. Tipos de estudios... 3 2.1. Metodología

Más detalles

Comparación de modelos de curvas ROC para la evaluación de procedimientos estadísticos de predicción en investigación de mercados.

Comparación de modelos de curvas ROC para la evaluación de procedimientos estadísticos de predicción en investigación de mercados. Comparación de modelos de curvas ROC para la evaluación de procedimientos estadísticos de predicción en investigación de mercados. Pedro Concejero Cerezo Tesis Doctoral dirigida por Rosario Martínez Arias

Más detalles

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios

Relación de competencias. Resultado de aprendizaje REQUISITOS PREVIOS: MATERIA 2: Estadística 12 créditos (300 horas) 6 Básicos y 6 Obligatorios Planificación del Módulo 4 Denominación: MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA 39 créditos ECTS -21básicos y 18 obligatorios- Este módulo está integrado por tres materias que se imparten en tres cursos

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010. Tesys. Marketing D2D

PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010. Tesys. Marketing D2D PROPUESTA DE SERVICIO Características y ejemplos Marzo de 2010 Tesys CARACTERISTICAS DE LA PROPUESTA VISION : Dar soporte a la organización en las tareas de inteligencia comercial y manejo de datos. MISION

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

PROCEDIMIENTO DE EVALUACIÓN Y ACREDITACIÓN DE LAS COMPETENCIAS PROFESIONALES CUESTIONARIO DE AUTOEVALUACIÓN PARA LAS TRABAJADORAS Y TRABAJADORES

PROCEDIMIENTO DE EVALUACIÓN Y ACREDITACIÓN DE LAS COMPETENCIAS PROFESIONALES CUESTIONARIO DE AUTOEVALUACIÓN PARA LAS TRABAJADORAS Y TRABAJADORES MINISTERIO DE EDUCACIÓN, CULTURA Y DEPORTE SECRETARÍA DE ESTADO DE EDUCACIÓN, FORMACIÓN PROFESIONAL Y UNIVERSIDADES DIRECCIÓN GENERAL DE FORMACIÓN PROFESIONAL INSTITUTO NACIONAL DE LAS CUALIFICACIONES

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

INVESTIGACIÓN COMERCIAL 2014/2015. Programa del módulo: INVESTIGACIÓN COMERCIAL. CFGS Gestión de Ventas y Espacios Comerciales.

INVESTIGACIÓN COMERCIAL 2014/2015. Programa del módulo: INVESTIGACIÓN COMERCIAL. CFGS Gestión de Ventas y Espacios Comerciales. INVESTIGACIÓN COMERCIAL 2014/2015 Programa del módulo: INVESTIGACIÓN COMERCIAL CFGS Gestión de Ventas y Espacios Comerciales. CURSO 2014/2015 INDICE: 1. INTRODUCCIÓN...3 2. CARACTERÍSTICAS DEL PROYECTO

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Guía Docente 2014/2015

Guía Docente 2014/2015 Guía Docente 2014/2015 Técnicas e Investigación de Mercados Technical and Marketing Research Grado Turismo Modalidad a distancia lf: Índice Técnicas e investigación de mercados...3 Breve descripción de

Más detalles

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE

Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Anexo No. 02 FICHA TECNICA FONDO FINANCIERO DE PROYECTOS DE DESARROLLO FONADE Unidad Administrativa Especial de Gestión Pensional y Contribuciones Parafiscales de la Protección Social UGPP Objeto: ADQUISICIÓN

Más detalles

MARKETING AGRARIO SEGMENTACION DE MERCADO

MARKETING AGRARIO SEGMENTACION DE MERCADO MARKETING AGRARIO SEGMENTACION DE MERCADO CONCEPTO DE SEGMENTACIÓN El concepto de mercado admite varias acepciones. En la teoría económica actual se entiende el mercado fundamentalmente como un conjunto

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

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

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

Más detalles

ESTADÍSTICA APLICADA Y ESTADÍSTICA PARA EL SECTOR PÚBLICO

ESTADÍSTICA APLICADA Y ESTADÍSTICA PARA EL SECTOR PÚBLICO Máster en ESTADÍSTICA APLICADA Y ESTADÍSTICA PARA EL SECTOR PÚBLICO Temario MÓDULO 0: HOMOGENEIZACIÓN Homogeneización en bases matemáticas 3,0 Cr. ECTS Espacios de Medida Algebra. Matrices y Determinantes

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

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis CURSOS CONENTO Una puerta abierta para que puedas desarrollar tus propios análisis Introducción Este documento recoge la lista de los cursos que ofrecemos para ayudar a nuestros clientes a incrementar

Más detalles

LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I)

LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I) LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I) Objetivo: Usar técnicas neuronales para resolver problemas: * Modelado de sistemas mediante aprendizaje automático a partir de ejemplos * No se conoce ningún

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

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

Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante.

Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante. Análisis de Incidentes Informáticos usando Modelos de Asociación y Métodos del Análisis de Datos Multivariante. García, Alejandro (1), Corso, Cynthia Lorena (2), Gibellini, Fabián (3), Rapallini, Marcos

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

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

Más detalles

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

TFG Educational Data Mining & Learning Analytics

TFG Educational Data Mining & Learning Analytics TFG Educational Data Mining & Learning Analytics Estudio de las Matriculaciones de A.D.E. en la UOC Autor: Antonio Blanco Carpintero Tutor: Ramón Caihuelas Quiles Introducción Educational Data Mining Soporte

Más detalles

Máster en Gestión de Marketing

Máster en Gestión de Marketing Contenidos académicos del Máster en Gestión de Marketing - MMARQ Primer trimestre: 1. Técnicas cuantitativas: El objetivo de esta asignatura es familiarizarse con técnicas gráficas y analíticas de estadística.

Más detalles

STATMEDIA: UN CURSO MULTIMEDIA DE ESTADÍSTICA

STATMEDIA: UN CURSO MULTIMEDIA DE ESTADÍSTICA 27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 STATMEDIA: UN CURSO MULTIMEDIA DE ESTADÍSTICA M. Calvo, A.Villarroya, A.Miñarro, S.Vives, A.Arcas Departamento

Más detalles