METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS DE PREDICCIÓN

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

Download "METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS DE PREDICCIÓN"

Transcripción

1 METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS DE PREDICCIÓN Ricardo Blanco Vega 1, Humberto Blanco Vega 2, Martha Guadalupe Canales Leyva 1 y Juan Carlos Fernández Chávez 1 1 Facultad de Ingeniería Universidad Autónoma de Chihuahua Nuevo Campus Universitario Apartado Postal 1528 Sucursal "C" Chihuahua, Chih., C.P Facultad de Educación Física y Ciencias del Deporte Universidad Autónoma de Chihuahua Pascual Orozco y Avenida Universidad Apartado Postal Chihuahua, Chih., C.P Abstracto: El ser humano siempre se ha obsesionado con poder predecir el futuro. En este artículo proponemos una nueva metodología para desarrollar Sistemas de Predicción. En general proponemos cómo proceder para personas no expertas en el área de Minería de Datos puedas construir su propio Sistema de Predicción. Desde un punto de vista didáctico ejemplificamos su aplicación con un conjunto de datos simple del repositorio UCI (Black & Merz, 1998). Se usa el lenguaje Java y la paquetería para Minería de Datos WEKA (Witten & Frank, 2005). También se propone la construcción de una herramienta CASE para automatizar dicha metodología. Con esta aportación se ayuda al desarrollo rápido de Sistemas de Predicción que auxilien a las empresas en su toma de decisiones. 1. INTRODUCCIÓN Desde la aparición de las computadoras, la humanidad ha invertido grandes esfuerzos por tratar de crear máquinas con capacidad de decisión, incluso con un cierto grado de inteligencia. Recientemente la demanda de los Sistemas de Predicción se ha incrementado. Cada vez los Sistemas de Predicción son más necesarios en las organizaciones para auxiliar o ayudar en la toma de decisiones. Uno de los costos importantes que tiene que pagar la organización es la capacitación de sus empleados para que estos actúen con un grado de profesionalismo en la realización de sus tareas. Los Sistemas de Predicción pueden disminuir la curva de aprendizaje de los empleados proporcionándoles un comportamiento como de expertos al hacer uso de los Sistemas de Predicción. El proceso de desarrollo de los Sistemas de Predicción no es un proceso simple y requiere de expertos para realizarlos. Además, los modelos no son eternos teniendo una vida útil relativamente corta, con lo cual se requiere adaptarlos o mejorarlos. Debido a esto es necesario contar con herramientas que faciliten el desarrollo, adecuación o mejora de los modelos y Sistemas de Predicción. Un Sistema de Predicción en sí no tiene verdadera Inteligencia Artificial; es un sistema basado en el conocimiento que, mediante el buen diseño de su base de información y un adecuado motor de inferencias para manipular dichos datos, proporciona una manera de determinar soluciones finales, dados ciertos criterios. Los Sistemas de Predicción son una herramienta poderosa en el apoyo o guía de los usuarios en los procesos que tienen una secuencia de pasos definida, pero que puede ser configurable. Los Sistemas de Predicción son una herramienta cuya utilidad ya está comprobada, y que sin embargo, muchas personas desconocen y no las aplican. El objetivo general es automatizar los pasos que se tienen que seguir para crear una aplicación en Java que actúe como Sistema de Predicción, empleando como motor de inferencia un modelo obtenido con Minería de Datos. La metodología tiene como propósito, facilitar la tarea del desarrollo rápido de Sistemas de Predicción. A su vez el Sistema de Predicción ayudará a los usuarios en la toma de decisiones. 229

2 2. OBETIVOS El objetivo general es describir cuáles son los pasos que se tienen que seguir para crear una aplicación en Java que actúe como Sistema de Predicción empleando como motor de inferencia un modelo obtenido con Minería de Datos. Los objetivos específicos son: Aplicar los pasos para la construcción de un modelo que represente al conocimiento extraído de un conjunto de datos. Utilizará las clases implementadas en la librería WEKA para crear y leer el modelo que describa el conocimiento de un problema dado. Hacer uso de la persistencia del modelo como un mecanismo de intercambio de conocimiento entre la herramienta WEKA y una aplicación de Java (Blanco, 2008). Utilizar el modelo como oráculo para predecir el valor de una clase, dada una colección de atributos. 3. ESTADO DEL ARTE Lo más aproximado a un Sistema de Predicción es un Sistema Experto. La diferencia está en que un Sistema de Predicción no sigue aprendiendo, es estático respecto al modelo que subyace en él y no requiere de la base de conocimiento. Un Sistema de Predicción utiliza una interfaz de usuario para capturar los datos o datos independientes para luego utilizar un modelo como oráculo, preguntándole sobre el valor de la predicción o valor de la clase, finalmente se le presenta al usuario el valor predicho. Se puede decir que los Sistemas Expertos son el primer resultado operacional de la Inteligencia Artificial, pues logran resolver problemas a través del conocimiento y raciocinio, de igual forma que lo hace el experto humano. Un Sistema Experto (SE), es básicamente un programa de computadora basado en conocimientos y raciocinio que lleva a cabo tareas que generalmente sólo realiza un experto humano; es decir, es un programa que imita el comportamiento humano, en el sentido de que utiliza la información que le es proporcionada para poder dar una opinión sobre un tema en especial. La tarea principal de un SE es tratar de aconsejar al usuario. Las áreas de aplicación de los Sistemas de Predicción son muy variadas, por ejemplo, geografía (Manolopoulos, 2005), Web (Su et. al., 2000; Suh, 2004), clima (Committee on Weather Research for Surface Transportation, 2004), vuelos (U.S. National Committee for the International Polar Year , 2004), hidrología (National Research Council, Committee on Hydrologic Science, 2002), ingeniería de materiales fibrosos (Lam, 2004), sistemas ambientales (McClean et. al., 2004), sistemas de potencia (Carpinelli, 2002), manejo de ambiente y suelo (Buckley, 2004), zonas costeras (Committee on National Needs for Coastal Mapping and Charting, 2004), negocios (Zhang, 2003), ingeniería del software (Gao, 2003), terremotos (Geschwind, 2001), bioinformática (Claverie & Notredame, 2007), clientes (Parr, 2001; Berry & Linof, 2004) entre otros, una lista más amplia de aplicaciones se puede encontrar en (Orallo et. al., 2004; Hornick, 2007). Además, viendo la importancia de los sistemas de predicción los desarrolladores de los principales sistemas manejadores de base de datos, han incorporado en sus versiones de SQL opciones de Minería de Datos (Taft, 2005; Tang, & MacLennan, 2005). En general se reconoce la importancia de investigar sobre los Sistemas de Predicción (Committee on a Science Plan for the North Pacific Research Board, 2004). En especial para evitar la confrontación de las naciones por la falta de previsión y predicción de sus recursos (Committee on Assessment of Water Resources Research, 2004). En general los Sistemas de Predicción son creados por expertos. Y existen múltiples técnicas de Minería de Datos para realizar modelos de predicción (Han & Kamber, 2000; Ye, 2003). La idea de este trabajo es la propuesta de una metodología que pueda utilizar un usuario no experto para crear su propio Sistema de Predicción. El único requisito importante es que se cuente con una buena calidad de datos. A continuación explicamos cual es la metodología que se debe aplicar en el desarrollo del Sistema de Predicción. 4. METODOLOGÍA PROPUESTA Ya existe una forma de proceder para la obtención de un modelo de predicción. Esta metodología es proporcionada por la extracción de conocimiento a partir de base de datos (del inglés Knowledge Discovery in Databases KDD) (Orallo et. al., 230

3 2004). Lo que no está claro es cómo de forma automatizada realizar una aplicación computacional del modelo obtenido con un proceso de Minería de Datos. El proceso de desarrollo de un Sistema de Predicción de acuerdo a la metodología que proponemos se muestra en la figura 1. Fig. 1. Desarrollo de un Sistema de Predicción 231

4 El proceso se divide en dos etapas principales la obtención del mejor modelo y la creación del Sistema de Predicción. A su vez la obtención del mejor modelo se subdivide en tres subprocesos que se describen a continuación: Vista Minable o Datos. Se parte del conjunto de datos. Si estos datos no son adecuados se pueden transformar, es decir, cambiar el formato de los datos u obtener nuevos atributos o campos. Cuando la vista minable es adecuada se continúa. Seleccionar Técnicas. En esta etapa se eligen los algoritmos o técnicas de minería de datos que deseamos aplicarle a los datos. De inicio se toman los parámetros predeterminados de los algoritmos pero puede desearse configurarlos. Crear y Evaluar Modelos. Ahora se tienen que ejecutar las técnicas de minería de datos seleccionadas sobre la vista minable. Los modelos así obtenidos se evalúan para seleccionar el mejor modelo. Este mejor modelo se utiliza en el Sistema de Predicción. Esta etapa es interactiva y si se requiere iterativa hasta encontrar un modelo adecuado. A continuación se muestra cómo se puede realizar un Sistema de Predicción con las clases de Weka el código mostrado es referente a las funciones para hacer la predicción, eliminando el código adicional necesario para la ejecución del programa. Ejemplificaremos con el caso de jugar al tenis (conjunto de datos weather.arff del repositorio UCI Black & Merz, 1998) Primeramente se inicia con la importación de las clases necesarias en la predicción, como se muestra a continuación: 1. package sistemapredicción; 2. import weka.core.*; 3. import java.io.*; 4. import weka.classifiers.*; Listado de Código 1. Identificación e importación de paquetes Después se crea una constante llamada PATH la cual es la ruta en donde se encuentra el archivo ARFF que se necesita para la definición del tipo de registro. Una vez especificados los datos de entrada para cada atributo independiente (en el ejemplo Cielo, Viento y Humedad) en la interfaz de usuario se debe presionar el botón de predecir, el cual al presionarlo manda llamar a la siguiente función. 1. public void jbutton1_actionperformed(actionevent e) 2. { 3. double cielo = cielo_cb.getselectedindex(); 4. double humedad = Integer.parseInt(humedad_txt.getText()); 5. double viento = viento_cb.getselectedindex(); 6. lblresu.settext(predecir(cielo, humedad, viento)); 7. } Listado de Código 2. Manejador del evento click en el botón de predecir Para el caso de los atributos de tipo nominal se emplean caja de selección (ComboBox) y para los tipos numéricos cajas de texto (TextField). En esta función se extraen los valores seleccionados en las cajas de selección referentes a cielo y humedad así como también se convierte a entero el valor escrito en el campo de texto de la humedad. En la última línea de la función se escribe en la etiqueta de resultado (lblresu) el mensaje a mostrar retornado por la función predecir, la cual acepta la cantidad de atributos independientes como parámetros. En la función predecir es en donde se desarrolla el proceso de la predicción. En esta función primero se crea una variable de tipo String llamada resu que es la cadena en donde se va a guardar si se puede jugar o no, después se declara una variable de tipo Instances llamada datos la cual nos servirá para almacenar las instancias guardadas en el archivo weather.arff y posteriormente se le indica la clase. 232

5 1. public static String predecir (double cielo, double humedad, double viento) 2. { 3. String resu=""; 4. Instances datos = null; 5. try { 6. datos = new Instances(new FileReader(PATH + 7. "weather.arff")); datos.setclassindex(datos.numattributes()-1); 10. Listado de Código 3. Método predecir para saber si jugamos o no. En el listado de código 4 se deserializa el modelo generado en la herramienta CASE (modeloclima.model). Se declaró una variable de tipo instancia y le asignó los atributos de entrada. Por último declaro una variable de tipo doble llamada clase en donde clasifico la instancia con el clasificador (modelo) leído anteriormente (cls) y finalmente convierto el resultado al valor correspondiente a la clase. 1. // cargar el modelo ya hecho en el WEKA 2. ObjectInputStream ois = new ObjectInputStream( 3. new FileInputStream("D:\\titulacion\\sistemaexperto\\modeloClima.model")); 4. Classifier cls = (Classifier) ois.readobject(); 5. ois.close(); 6. Instance regi= datos.instance(0); 7. regi.setvalue(0,cielo); 8. //0 es el índice del atributo que corresponde al cielo 9. regi.setvalue(2,humedad); 10. //2 es el índice del atributo que corresponde a la humedad 11. regi.setvalue(3,viento); 12. //3 es el índice del atributo que corresponde al viento 13. // no conocemos la clase del registro, es lo que queremos predecir 14. regi.setclassmissing(); 15. double clase= cls.classifyinstance(regi); 16. resu = (clase == 0)? "Si":"No"; 17. return resu; Listado de Código 4. Continuación de la definición del método predecir La interfaz de usuario quedaría como lo muestra la figura 2. Fig. 2: Ejemplo de Interfaz Gráfica de Usuario del Sistema de Predicción. 233

6 5. CONCLUSIONES Y TRABAJOS FUTUROS DE INVESTIGACIÓN Los Sistemas de Predicción son importantes debido a los múltiples usos que se les puede dar en la toma de decisión en las empresas. Uno de los principales problema de este tipo de sistemas es la obtención del conocimiento para su desarrollo y la aplicación del mismo. En este trabajo proponemos una forma de crear sistemas de predicción. Se parte de un conjunto de datos que contiene el conocimiento de los expertos o lo que se sabe sobre algún problema determinado. Con dichos datos se genera un modelo de predicción en nuestro ejemplo un modelo de clasificación. Este modelo se utiliza en una aplicación de Java que toma los datos de los atributos pasándoselos al modelo y mostrando la clase predicha por dicho modelo. En la construcción del Sistema de Predicción nos hemos enfocado a actuar solamente como oráculos o expertos que predicen el valor de una clase en base a una serie de atributos de entrada. Las funcionalidades de la aplicación se pueden ampliar, para que permita ver la rama de la decisión (o regla) que se utilizó para realizar dicha predicción. Además de ir almacenando nuevos casos y regenerando el modelo para su actualización. Aunque esto último implicaría la obtención de un modelo no necesariamente adecuado. Esto permitiría que el Sistema de Predicción se convirtiera en un Sistema Experto. La metodología es aplicable tanto para la clasificación como para la regresión. En resumen con la principal aportación de la presente investigación es una metodología para que profesionistas relacionados con la Minería de Datos y la programación en Java puedan generar sus propios sistemas de predicción. Con esto colaboramos en el desarrollo rápido de Sistemas de Predicción. Se propone la construcción de una herramienta CASE para automatizar dicha metodología. En un trabajo futuro desarrollaremos esta herramienta además de que se genere el Sistema Experto y no sólo el Sistema de Predicción. Agradecimientos. Gracias a los revisores por sus comentarios pertinentes para poder mejorar este trabajo y a la UACH, y al proyecto Sistema Informático Genérico para la obtención de Indicadores de la Trayectoria Estudiantil en Educación Superior del cuerpo académico de Sistemas Computacionales de la Facultad de Ingeniería por su apoyo económico en el desarrollo de esta investigación. 5. REFERENCIAS 1. Berry, Michael J. A., Linof Gordon. (2004). Data mining techniques: for marketing, sales, and customer relationship management. 2nd ed. Wiley Publishing, Inc. 2. Black C. L.; Merz C. J. (1998) UCI repository of machine learning databases. 3. Blanco Vega, Ricardo. (2008). Prácticas de laboratorio KDD con WEKA. Instituto Tecnológico de Chihuahua II, México. 4. Buckley, Ralf (2004). Nature-Based Tourism, Environment and Land Management. Cambridge, MA, USA: CABI Publishing, Carpinelli, Guido. (2002). Selected Papers from the PMAPS Conference on Probabalistic Methods Applied to Power Systems, Naples. 6. Committee on a Science Plan for the North Pacific Research Board. (2004). Elements of a Science Plan for the North Pacific Research Board. Washington, DC, USA: National Academies Press. 7. Committee on Assessment of Water Resources Research. (2004). Confronting the Nation's Water Problems: The Role of Research.Washington, DC, USA: National Academies Press. 8. Committee on National Needs for Coastal Mapping and Charting. (2004). Geospatial Framework for the Coastal Zone: National Needs for Coastal Mapping and Charting. Washington, DC, USA: National Academies Press 9. Committee on Weather Research for Surface Transportation: The Roadway Environment. (2004). Where the Weather Meets the Road: A Research Agenda for Improving Road Weather Services. Washington, DC, USA: National Academies Press. 10. Claverie, Jean-Michel & Notredame, Cedric. (2007). Bioinformatics For Dummies, 2nd Edition Published bywiley Publishing, Inc. 11. Gao, Jerry. (2003). Testing and Quality Assurance for Component-Based Software. Norwood, MA, USA: Artech House, Incorporated, 12. Geschwind, Carl-Henry. (2001). California Earthquakes: Science, Risk, and the Politics of Hazard Mitigation. Baltimore, MD, USA: The Johns Hopkins University Press. 234

7 13. Hernández Orallo, José; Ramírez Quintana, Ma. José; Ferri Ramírez, César. (2004). Introducción a la Minería de Datos. Editorial Prentice Hall. 14. Han, J. and Kamber, M. (2000) Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers Inc. 15. Hornick, Mark F.; Marcadé, Erik; Venkayala, Sunil. (2007). Java data mining: strategy, standard, and practice: a practical guide for architecture, design, and implementation. Morgan Kaufmann series in data management systems. 16. Lam Po, Sharon. (2004). Textile Design and Engineering of Fibrous Materials. Bradford, UK: Emerald Group Publishing Limited. 17. Manolopoulos, Yannis. (2005). Spatial Databases: Technologies, Techniques and Trends.Hershey, PA, USA: Idea Group Inc. 18. McClean, J., W. Maslowski, and M. Maltrud. (2001). Towards a coupled environmental prediction system, computational science. in Lecture Notes in Computer. Science Volume 2073, V. N. Alexandrov and C. J. K. Dongorra Tan, eds. Springer-Verlag, Heidelberg. 19. National Research Council, Committee on Hydrologic Science. (2002). Report of a Workshop on Predictability and Limits-to-Prediction in Hydrologic Systems.Washington, DC, USA: National Academies Press. 20. Parr Rud, Olivia. (2001) Data Mining Cookbook. Modeling Data for Marketing, Risk, and Customer Relationship Management. Published by John Wiley & Sons, Inc. 21. Su, Z., Yang, Q., Lu, Y., & Zhang, H. (2000). WhatNext: A prediction system for Web requests using N-gram sequence models. Proceedings of the First International Conference on Web Information Systems Engineering, 22. Suh, Woojong. (2004). Web Engineering: Principles and Techniques. Hershey, PA, USA: Idea Group Publishing. 23. Tang, ZhaoHui & MacLennan, Jamie. (2005). Data Mining with SQL Server Wiley Publishing, Inc. 24. Taft Margaret, Krishnan Ramkumar, Hornick Mark, Muhkin Denis, Tang George, Thomas Shiby, Stengard Peter. (2005). Data Mining Concepts. Oracle 10g Release 2 (10.2). 25. U.S. National Committee for the International Polar Year (2004).Vision for the International Polar Year Washington, DC, USA: National Academies Press. 26. Witten, Ian H.; Frank, Eibe. (2005). Data Mining: Practical Machine Learning Tools and Techniques (Second Edition). Morgan Kaufmann. 27. Ye, Nong. (2003). THE HANDBOOK OF DATA MINING. Lawrence Erlbaum Associates, Inc. 28. Zhang, G. Peter (2003). Neural Networks in Business Forecasting. Hershey, PA, USA: Idea Group Inc. 235

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

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

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

Minería de datos (Presentación del curso)

Minería de datos (Presentación del curso) Minería de datos (Presentación del curso) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 10 Forma de evaluar

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

Secretaría de Docencia Dirección de Estudios Profesionales

Secretaría de Docencia Dirección de Estudios Profesionales I. IDENTIFICACIÓN DEL CURSO PROGRAMA DE ESTUDIO POR COMPETENCIAS Minería de Datos ORGANISMO ACADÉMICO: FACULTAD DE INGENIERÍA Programa Educativo: Ingeniería en Computación Área de docencia: Tratamiento

Más detalles

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN Blanca Maricela Ibarra Murrieta, Ricardo Blanco Vega y María Angélica García Fierro Departamento

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

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Osvaldo M. Spositto spositto@unlam.edu.ar Martín E. Etcheverry metcheverry@unlam.edu.ar

Más detalles

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2

Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor. Egresada de Licenciada en Sistemas de Información 2005. 2 Sistema de Predicción de la Demanda de Papel Fotográfico para Ecuacolor AUTORES: Teodora Sofía Argoti Doylet 1, Soraya Freire Oliveros 2, Carmen Orozco Roggiero 3, Juan Alvarado O. 4 1 Egresada de Licenciada

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

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

Aprendizaje Computacional. Eduardo Morales y Jesús González

Aprendizaje Computacional. Eduardo Morales y Jesús González Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas

Más detalles

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

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

Más detalles

(Procesos de Minería de Datos)

(Procesos de Minería de Datos) (rocesos de Minería de Datos) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA Módulo Materia Asignatura Carácter SISTEMAS Y

Más detalles

Área Académica: Sistemas Computacionales. Tema: Introducción a almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas

Área Académica: Sistemas Computacionales. Tema: Introducción a almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas Área Académica: Sistemas Computacionales Tema: Introducción a almacén de datos Profesor: Mtro Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords Almacén de Datos, Datawarehouse, Arquitectura

Más detalles

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

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

Más detalles

Anexo 1: MATRIZ DE CONGRUENCIA. Objetivo. Problema. Problema. Objetivos. Hipótesis General. Teórico. General. Especifico. Específicos.

Anexo 1: MATRIZ DE CONGRUENCIA. Objetivo. Problema. Problema. Objetivos. Hipótesis General. Teórico. General. Especifico. Específicos. 170 Anexo 1: MATRIZ DE CONGRUENCIA Problema Problema Objetivo Objetivos Hipótesis Variables Hipótesis Variables Marco General Especifico General Específicos General Especificas Teórico En qué medida el

Más detalles

La definición del software a utilizar para la ejecución de Data Mining, permitirá desarrollar la herramienta informática de forma automatizada.

La definición del software a utilizar para la ejecución de Data Mining, permitirá desarrollar la herramienta informática de forma automatizada. 3.1 Sistema de Hipótesis 3.1.1 Hipótesis General El diseño del manual empleando Data Mining (Minería de Datos) predecirá el potencial de desarrollo de las empresas en la zona oriental asociadas a la Comisión

Más detalles

(Data Analytics) Guía de Aprendizaje Información al estudiante

(Data Analytics) Guía de Aprendizaje Información al estudiante (Data Analytics) Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación Grado en Matemáticas e Informática Módulo Materia Asignatura Carácter SISTEMAS Y SERVICIOS BASADOS EN EL

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

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos

Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Minería de datos: predicción de la deserción escolar mediante el algoritmo de árboles de decisión y el algoritmo de los k vecinos más cercanos Sergio Valero Orea 1, Alejandro Salvador Vargas 1, Marcela

Más detalles

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación 5.5.1. Denominación: Introducción a la Minería de Datos 5.5.2. Breve Descripción del Contenido: Introducción a la minería de datos. Aprendizaje supervisado, modelos no paramétricos y modelos generalizados

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1406 SEMESTRE: 4 (CUARTO) MODALIDAD

Más detalles

1. Entender los principios de Business Intelligence y sus implicancias para la innovación en los negocios.

1. Entender los principios de Business Intelligence y sus implicancias para la innovación en los negocios. ENFIN748 Business Intelligence y Data Mining Financiero Profesor: PhD. David Díaz E-mail Profesor: ddiaz@unegocios.cl E-mail Tareas: BI-DM@unegocios.cl PRESENTACIÓN DEL CURSO El objetivo de éste curso

Más detalles

Manual de Instalación

Manual de Instalación Manual de Instalación MANUAL DE INSTALACIÓN... 1 1. REQUERIMIENTOS DEL SISTEMA... 2 1.1 Hardware... 2 1.2 Software... 2 2. MANUAL DE INSTALACIÓN... 3 2.1 Descargar instalador Weka... 3 2.2 Instalación

Más detalles

Dirección General de Educación Superior Tecnológica

Dirección General de Educación Superior Tecnológica Dirección General de Educación Superior Tecnológica 1. Datos Generales de la asignatura Nombre de la asignatura: Clave de la asignatura: Créditos (Ht-Hp_ créditos): Carrera: Tópicos avanzados de bases

Más detalles

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

Reglas de Asociación. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Reglas de Asociación Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Reglas Proposicionales: Reglas de Clasificación Descripción de instancias:

Más detalles

Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO

Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO CS271T. Bases de Datos II (Obligatorio) 2012-2 1. DATOS GENERALES 1.1 CARRERA

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

Área Académica: Sistemas Computacionales. Profesor: Felipe de Jesús Núñez Cárdenas

Área Académica: Sistemas Computacionales. Profesor: Felipe de Jesús Núñez Cárdenas Área Académica: Sistemas Computacionales Tema: Sistemas ROLAP y MOLAP Profesor: Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords: ROLAP, MOLAP,HOLAP Tema: Sistemas ROLAP y MOLAP Abstract

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

Área Académica: Sistemas Computacionales. Tema: Arquitectura de un sistema de almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas

Área Académica: Sistemas Computacionales. Tema: Arquitectura de un sistema de almacén de datos. Profesor: Mtro Felipe de Jesús Núñez Cárdenas Área Académica: Sistemas Computacionales Tema: Arquitectura de un sistema de almacén de datos Profesor: Mtro Felipe de Jesús Núñez Cárdenas Periodo: Agosto Noviembre 2011 Keywords Almacen de Datos, Datawarehouse,

Más detalles

Introducción a la Minería de Datos y el Data Warehousing

Introducción a la Minería de Datos y el Data Warehousing Introducción a la Minería de Datos y el Data Warehousing Sergio R. Coria E-mail: sergio@mineriadedatos.com.mx Resumen. Para hallar patrones significativos en grandes volúmenes de datos se ha usado inicialmente

Más detalles

GUÍA DOCENTE DE LA ASIGNATURA

GUÍA DOCENTE DE LA ASIGNATURA Página de 5 DESCRIPCIÓN DE LA Grado/Máster en: Centro: Asignatura: Código: Tipo: Materia: Módulo: Experimentalidad: Idioma en el que se imparte: Castellano Curso: Semestre: Nº Créditos 4.5 Nº Horas de

Más detalles

Bases de datos para toma de decisiones

Bases de datos para toma de decisiones 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Bases de datos para toma de decisiones Lic. en Informática 3-2-8 2.- HISTORIA DEL

Más detalles

Inteligencia de Negocios Business Intelligence. Georgina Noemi Villalobos Ventura

Inteligencia de Negocios Business Intelligence. Georgina Noemi Villalobos Ventura Inteligencia de Negocios Business Intelligence Georgina Noemi Villalobos Ventura CONTENIDO Introducción Modelo de Negocio Componentes de Business Intelligence Proyectos de Business Intelligence Selección

Más detalles

Validación y Pruebas «Validating and testing»

Validación y Pruebas «Validating and testing» GUÍA DOCENTE 2014-2015 Validación y Pruebas «Validating and testing» 1. Denominación de la asignatura: Validación y Pruebas «Validating and testing» Titulación Grado en Ingeniería Informática «Degree in

Más detalles

Métodos Exploratorios en Minería de Datos

Métodos Exploratorios en Minería de Datos Métodos Exploratorios en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración:

Más detalles

Evolución de Plantillas Genéricas para la descripción de Casos de Uso a Plantillas Genéricas para Análisis y Diseño

Evolución de Plantillas Genéricas para la descripción de Casos de Uso a Plantillas Genéricas para Análisis y Diseño Evolución de Plantillas Genéricas para la descripción de Casos de Uso a Plantillas Genéricas para Análisis y Diseño Ing. Marcela Daniele AC. Daniel Romero Dpto. de Computación. Facultad: Ciencias Exactas,

Más detalles

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación

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

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

Más detalles

Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO

Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO CS270T. Bases de Datos I (Obligatorio) 2012-2 1. DATOS GENERALES 1.1 CARRERA

Más detalles

GUÍA DOCENTE. Curso Académico 2015/16. Minería de Datos: Modelos Integrados de Extracción de

GUÍA DOCENTE. Curso Académico 2015/16. Minería de Datos: Modelos Integrados de Extracción de GUÍA DOCENTE Curso Académico 2015/16 1. Minería de Datos: Modelos Integrados de Extracción de Conocimiento en Bases de Datos 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura

Más detalles

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN DE BASES DE DATOS FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:

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

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

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

Más detalles

UNIVERSIDAD AUTÓNOMA DE YUCATÁN FACULTAD DE MATEMÁTICAS MISIÓN

UNIVERSIDAD AUTÓNOMA DE YUCATÁN FACULTAD DE MATEMÁTICAS MISIÓN UNIVERSIDAD AUTÓNOMA DE YUCATÁN FACULTAD DE MATEMÁTICAS MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en matemáticas y computación, así

Más detalles

Academia de la carrera de Licenciatura Informática del Instituto Tecnológico Aguascalientes

Academia de la carrera de Licenciatura Informática del Instituto Tecnológico Aguascalientes 1. DATOS DE LA ASIGNATURA Nombre de la Asignatura: Sistemas de Soporte a la Decisión Carrera: Licenciatura en Informática Clave de la asignatura: IFS-0406 Horas teoría - horas práctica - créditos: 4-2-10

Más detalles

Bases de datos y bases de conocimiento

Bases de datos y bases de conocimiento Bases de datos y bases de conocimiento MSC-0202 Nombre de la asignatura: Bases de datos y bases de conocimiento Línea de trabajo: Tecnologías Web Tiempo de dedicación del estudiante a las actividades de:

Más detalles

PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso

PROGRAMA DE CURSO. Personal 6 10 3.0 0 7. Electivo para ICC FI2002 Electromagnetismo. Competencia a la que Tributa el Curso. Propósito del Curso PROGRAMA DE CURSO Código Nombre CC5206 Introducción a la Minería de Datos Nombre en Inglés Introduction to Data Mining SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

Introducción a la Minería de Datos y al Aprendizaje Automático

Introducción a la Minería de Datos y al Aprendizaje Automático Introducción a la Minería de Datos y al Aprendizaje Automático Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Juan José Rodriguez Diez Grupo

Más detalles

INTELIGENCIA DE NEGOCIO

INTELIGENCIA DE NEGOCIO Página 1de 9 GUIA DOCENTE DE LA ASIGNATURA INTELIGENCIA DE NEGOCIO MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO COMPLEMENTOS DE SISTEMAS DE INFORMACIÓN SISTEMAS DE INFORMACIÓN EN LA EMPRESA 4º 7º 6 Optativa

Más detalles

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/~laura SADIO 26 de Marzo, 9 y 23 de Abril y 7 de mayo de 2010 grupo de PLN en FaMAF http://www.cs.famaf.unc.edu.ar/~pln/

Más detalles

Graficación. Carrera: SCM - 0416 3-2-8. Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.

Graficación. Carrera: SCM - 0416 3-2-8. Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Graficación Ingeniería en Sistemas Computacionales SCM - 0416 3-2-8 2.- HISTORIA

Más detalles

PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Datamining y Aprendizaje Automático

PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Datamining y Aprendizaje Automático CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Datamining y Automático 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Grado en

Más detalles

Carrera: TID-1015 SATCA1 2-2 - 4

Carrera: TID-1015 SATCA1 2-2 - 4 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: SATCA1 Ingeniería del Conocimiento Ingeniería en Tecnologías de la Información y Comunicaciones TID-1015 2-2 - 4 2.-

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

TRANSFORMANDO DATOS EN CONOCIMIENTO: NUEVAS PRÁCTICAS Msc. Raúl Oscar Klenzi

TRANSFORMANDO DATOS EN CONOCIMIENTO: NUEVAS PRÁCTICAS Msc. Raúl Oscar Klenzi TRANSFORMANDO DATOS EN CONOCIMIENTO: NUEVAS PRÁCTICAS Msc. Raúl Oscar Klenzi Meglioli (5400). rauloscarklenzi@gmail.com Msc. María Alejandra Malberti Meglioli (5400). amalberti@gmail.com Msc. Graciela

Más detalles

Minería de Datos Neuro-difusa Aplicada a Datos Económicos de Jalisco

Minería de Datos Neuro-difusa Aplicada a Datos Económicos de Jalisco Minería de Datos Neuro-difusa Aplicada a Datos Económicos de Jalisco Protocolo de tesis para obtener el grado de Maestro en Tecnologías de la Información Autor: Gustavo Becerra Gaviño Directora: Dra. Liliana

Más detalles

Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria

Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria Minería de Datos Presentación de la asignatura Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Cuestiones Factuales De índole práctica Personal e

Más detalles

GUÍA DOCENTE DE LA ASIGNATURA

GUÍA DOCENTE DE LA ASIGNATURA GUÍA DOCENTE DE LA ASIGNATURA G655 - Introducción a los Sistemas Inteligentes Grado en Ingeniería Informática Obligatoria. Curso Grado en Matemáticas Optativa. Curso Curso Académico 2014-2015 1 1. DATOS

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

ETL: Extractor de datos georreferenciados

ETL: Extractor de datos georreferenciados ETL: Extractor de datos georreferenciados Dr. Juan Pablo Díaz Ezcurdia Doctor Honoris Causa Suma Cum Laude Master en Telecomunicaciones Master en Gestión Educativa Coordinador de la comisión de CSIRT de

Más detalles

Arquitectura del Data Warehouse

Arquitectura del Data Warehouse Arquitectura del Data Warehouse Guía de Aprendizaje Información al estudiante 1. Datos Descriptivos Titulación Grado en Ingeniería Informática Módulo Materia Asignatura ARQUITECTURA DEL DATA WAREHOUSE

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

PROGRAMA DE MATERIA DATOS DE IDENTIFICACIÓN DESCRIPCIÓN GENERAL OBJETIVO (S) GENERAL (ES) TALLER DE CONTROL ESTADÍSTICO DE PROCESOS II

PROGRAMA DE MATERIA DATOS DE IDENTIFICACIÓN DESCRIPCIÓN GENERAL OBJETIVO (S) GENERAL (ES) TALLER DE CONTROL ESTADÍSTICO DE PROCESOS II DATOS DE IDENTIFICACIÓN CENTRO ACADÉMICO: DEPARTAMENTO ACADÉMICO: TALLER DE CONTROL ESTADÍSTICO DE PROCESOS II CIENCIAS BÁSICAS ESTADÍSTICA PROGRAMA EDUCATIVO: AÑO DEL PLAN DE ESTUDIOS: 2006 SEMESTRE:

Más detalles

ESTRATEGIA DE DISEÑO PARA LA AUTOMATIZACIÓN DE PRUEBAS UNITARIAS DE CÓDIGOS PHP UTILIZANDO EL FRAMEWORK PHPUNIT

ESTRATEGIA DE DISEÑO PARA LA AUTOMATIZACIÓN DE PRUEBAS UNITARIAS DE CÓDIGOS PHP UTILIZANDO EL FRAMEWORK PHPUNIT ESTRATEGIA DE DISEÑO PARA LA AUTOMATIZACIÓN DE PRUEBAS UNITARIAS DE CÓDIGOS PHP UTILIZANDO EL FRAMEWORK PHPUNIT Alejandro Villa Betancur 1, Jorge E. Giraldo Plaza 2 1 Estudiante de ingeniería Informática,

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

1.-DATOS DE LA ASIGNATURA

1.-DATOS DE LA ASIGNATURA 1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Tecnologías de Comercio Electrónico Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM -0708 Horas teoría-horas práctica-créditos:

Más detalles

Sistemas ERP (Enterprise Resources Planning)

Sistemas ERP (Enterprise Resources Planning) Sistemas ERP (Enterprise Resources Planning) Apellidos, nombre Departamento Centro Oltra Badenes, Raúl Francisco (rauloltra@doe.upv.es) Departamento de Organización de Empresas Universitat Politècnica

Más detalles

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES

MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES MINERÍA DE DATOS: ÁREA DE OPORTUNIDADES Actualmente se vive una época donde se tiene una enorme cantidad de datos que se generan diariamente (del orden de Terabytes, Petabytes 1 (Han, Kamber, & Pei, 2012))

Más detalles

Programa del curso IC 6821. Diseño de Software. Escuela de Computación Carrera de Ingeniería en Computación, Plan 410

Programa del curso IC 6821. Diseño de Software. Escuela de Computación Carrera de Ingeniería en Computación, Plan 410 Programa del curso IC 6821 Diseño de Software Escuela de Computación Carrera de Ingeniería en Computación, Plan 410 I parte: Aspectos relativos al plan de estudios 1 Datos generales Nombre del curso: Código:

Más detalles

INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE SISTEMAS DE CALIDAD EN T.I.

INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE SISTEMAS DE CALIDAD EN T.I. INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE SISTEMAS DE CALIDAD EN T.I. UNIDADES DE APRENDIZAJE 1. Competencias Dirigir proyectos de tecnologías

Más detalles

Minería de Datos Aplicada a la Gestión de la Información Urbanística

Minería de Datos Aplicada a la Gestión de la Información Urbanística 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Minería de Datos Aplicada a la Gestión de la Información

Más detalles

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/ laura SADIO 12, 13 y 14 de Marzo de 2008 grupo de PLN en FaMAF http://www.cs.famaf.unc.edu.ar/ pln/

Más detalles

Objetivos FACULTAD DE INGENIERIA. DEPARTAMENTO DE INGENIERIA DE SISTEMAS. Código de la asignatura 4070. Fecha de Actualización Julio 24 de 2012

Objetivos FACULTAD DE INGENIERIA. DEPARTAMENTO DE INGENIERIA DE SISTEMAS. Código de la asignatura 4070. Fecha de Actualización Julio 24 de 2012 Nombre de la asignatura Ingeniería de Software Código de la asignatura 4070 Fecha de Actualización Julio 24 de 2012 Intensidad horaria semanal Horas Contacto 4 Horas Trabajo Independiente 8 Créditos Académicos

Más detalles

DEPARTAMENTO DE PROGRAMA DE MATERIA HORAS T/P: 2/3 PROCESOS II ELABORÓ:

DEPARTAMENTO DE PROGRAMA DE MATERIA HORAS T/P: 2/3 PROCESOS II ELABORÓ: DEPARTAMENTO DE CENTRO DE CIENCIAS BÁSICAS Estadística PROGRAMA DE MATERIA MATERIA: TALLER DE CONTROL ESTADÍSTICO DE HORAS T/P: 2/3 PROCESOS II CARRERA: INGENIERO INDUSTRIAL CRÉDITOS: 7 ESTADÍSTICO SEMESTRE:

Más detalles

Darío Álvarez Néstor Lemo www.autonomo.edu.uy

Darío Álvarez Néstor Lemo www.autonomo.edu.uy Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas

Más detalles

INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA)

INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA) INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA) 1.- Datos de la Asignatura Código 302436 Plan 2014 ECTS 3 Carácter OPCIONAL Curso 1º Periodicidad 2er SEMESTRE Área Departamento

Más detalles

Carrera: INB-0411 4-0-8. Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.

Carrera: INB-0411 4-0-8. Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Logística y Cadenas de Suministro Ingeniería Industrial INB-0411 4-0-8 2.- HISTORIA

Más detalles

CONSTRUCCIÓN DE UN FILTRO ANTI-SPAM

CONSTRUCCIÓN DE UN FILTRO ANTI-SPAM UNIVERSIDAD POLITÉCNICA DE MADRID FACULTAD DE INFORMÁTICA Enunciado del Trabajo para la asignatura Sistemas Informáticos Departamento de Inteligencia Artificial CONSTRUCCIÓN DE UN FILTRO ANTI-SPAM Curso

Más detalles

1.-DATOS DE LA ASIGNATURA

1.-DATOS DE LA ASIGNATURA 1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Seguridad en Base de datos Carrera: Licenciatura en Informática Clave de la asignatura: IFM - Horas teoría-horas prácticacréditos: 2-2-6 2.-HISTORIA DEL

Más detalles

Propone la aplicación de herramientas diseñadas para provocar la generación de proyectos innovadores, tanto de manera individual como colectiva.

Propone la aplicación de herramientas diseñadas para provocar la generación de proyectos innovadores, tanto de manera individual como colectiva. 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: APLICACIONES EMPRESARIALES Carrera: INGENIERIA EN SISTEMAS COMPUTACIONALES Clave de la asignatura: TIF-1301 (Créditos) SATCA 3-2-5 2.- PRESENTACIÓN Caracterización

Más detalles

Bibliografía. [Al-Kodmany, 2000] Al-Kodmany, Kheir., Extending Geographic Information System to. 12, No.3., pp. 19-34, Summer 2000.

Bibliografía. [Al-Kodmany, 2000] Al-Kodmany, Kheir., Extending Geographic Information System to. 12, No.3., pp. 19-34, Summer 2000. Bibliografía [Al-Kodmany, 2000] Al-Kodmany, Kheir., Extending Geographic Information System to Meet Neighborhood Planning Needs: Recent Developments in the Work of the University of Illinois at Chicago,

Más detalles

INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN

INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN INGENIERÍA EN TECNOLOGÍAS DE LA INFORMACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Sistemas de Calidad en T.I. 2. Competencias Dirigir proyectos de tecnologías

Más detalles

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos

Artículos de Minería de Datos de Dataprix Introducción a la minería de datos Published on Dataprix (http://www.dataprix.com) Principal > Artículos de Minería de Datos de Dataprix By Dataprix Created 26/12/2009-17:13 Artículos de Minería de Datos de Dataprix Introducción a la minería

Más detalles

Transformación de Procesos BPMN a su Implementación en BPEL utilizando QVT

Transformación de Procesos BPMN a su Implementación en BPEL utilizando QVT Transformación de Procesos BPMN a su Implementación en BPEL utilizando QVT Fabio A. Zorzan 1, Daniel Riesco 2 CONTEXTO La línea de investigación presentada en este trabajo se desarrolla en el marco del

Más detalles

Logística y Cadenas de Suministro

Logística y Cadenas de Suministro 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Logística y Cadenas de Suministro Ingeniería Industrial INB-0411 4-0-8 2.- HISTORIA

Más detalles

Coordinación de SS y ER. Anteproyectos del CA TCyE

Coordinación de SS y ER. Anteproyectos del CA TCyE Coordinación de SS y ER Junio 2014 Anteproyectos del CA TCyE Cuerpo Académico Tecnología Computacional y Educativa Nombre del trabajo recepcional Estudio de las redes de conceptos bajo un enfoque de SNA

Más detalles

TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS

TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Desarrollo de

Más detalles

TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS

TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN AREA SISTEMAS INFORMATICOS HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS Pág. 1 de 25 1. Nombre de la asignatura Desarrollo

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA Enrique Puertas epuertas@uem.es Francisco Carrero fcarrero@uem.es José María Gómez Hidalgo jmgomez@uem.es Manuel de Buenaga buenga@uem.es

Más detalles

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

PROGRAMA DE ASIGNATURA

PROGRAMA DE ASIGNATURA PROGRAMA DE ASIGNATURA 01. Carrera Lic. En Administración de Negocios Internacionales Lic. En Dirección del Factor Humano Lic. En Comercialización x Lic. En Tecnología Informática Lic. En Administración

Más detalles

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico

Alicia Iriberri Dirección de Tecnologías de Información. I.- Definición del foco estratégico Alicia Iriberri Dirección de Tecnologías de Información I.- Definición del foco estratégico II.- Establecimiento de mediciones a través del Balanced Scorecard (Tablero de Comando) III.- Despliegue del

Más detalles

PROGRAMA ANALÍTICO. Curso: Gestión de Procesos de Negocio. Docentes: Dr. Pablo David Villarreal (Responsable), Dr. Jorge Roa. Duración: 60 horas.

PROGRAMA ANALÍTICO. Curso: Gestión de Procesos de Negocio. Docentes: Dr. Pablo David Villarreal (Responsable), Dr. Jorge Roa. Duración: 60 horas. PROGRAMA ANALÍTICO Curso: Gestión de Procesos de Negocio Docentes: Dr. Pablo David Villarreal (Responsable), Dr. Jorge Roa. Duración: 60 horas. 1. Fundamentos En las últimas décadas, nuevos enfoques de

Más detalles