ENSIA 605 Inteligencia de Negocios y Minería de Datos

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

Download "ENSIA 605 Inteligencia de Negocios y Minería de Datos"

Transcripción

1 ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías de Inteligencia de Negocios y Minería de Datos (Data Mining) en problemáticas de empresas u organizaciones complejas. OBJETIVOS ESPECÍFICOS 1. Conocer modelos Datawarehouse, OLAP, entendiendo sus usos y aplicaciones en las organizaciones. 2. Conocer los principales métodos analíticos de Minería de Datos. 3. Discutir aplicaciones reales de Minería de Datos. 4. Utilizar herramientas computacionales para la solución y aplicación de distintos métodos de predicción. 5. Seleccionar el método más adecuado para una aplicación real y presentar una solución a dicha problemática. 1

2 METODOLOGÍA El curso de desarrollará en 6 sesiones totales, 3 de ellas de 4 hrs. y 3 de 8 hrs. cada una. En estas sesiones se presentarán aspectos teóricos y prácticos de tópicos en Inteligencia de Nogocios. Adicionalmente, habrán clases de ayudantía en donde se enseñará el uso del software necesario para resolver un trabajo computacional grupal. Los enunciados y datos para el desarrollo del trabajo computacional, pautas de corrección y toda la información pertinente al desarrollo de la cátedra estarán disponibles en la Web de docencia del curso MÉTODO DE EVALUACIÓN Cada alumno deberá desarrollar 1 trabajo computacional y una presentación de un caso en grupos de 4 a 5 alumnos. Además, cada alumno deberá rendir 2 controles de lectura y 1 examen final escrito. La nota del trabajo computacional y de la presentación será la misma para todos los integrantes del grupo. La nota de los controles de lectura se define el promedio aritmético de las notas de los controles rendidos. La Nota Final (NF) será calculada de la siguiente forma: 1. Nota Examen (EX) 30% 2. Nota promedio de tareas (NTAREA) 30% 3. Nota Controles de Lectura (NCL) 20% 4. Nota Presentación (NP) 20% NF = 0,30*EX + 0,30*NTAREA + 0,20*NCL+0,20*NP Como condición mínima para aprobar el curso es NF >= 4.0 2

3 RECORRECCIONES Los alumnos podrán solicitar la recorrección de una tarea o control de lectura hasta una semana después de la entrega física de la evaluación respectiva. La solicitud deberá ser entregada personalmente al profesor del curso. La reconsideración debe estar fundamentada por escrito, con un análisis exhaustivo que demuestre el error cometido en la corrección. El alumno que solicita recorrección RENUNCIA a su actual nota. La nota en cuestión puede subir, mantenerse o bajar. Los resultados de las recorrecciones, serán publicados en la Web de docencia, unos días después de la fecha de vencimiento de solicitud de recorrección de tareas o controles de lectura. Reclamos posteriores a este tiempo, no serán atendidos, aunque estos sean justificados. MATERIAL DEL CURSO: TEXTOS Y ARTÍCULOS 1. Anahory, S., Murray, D. (1997): Data Warehousing in the Real World. Addison Wesley, Harlow; capítulo 4, páginas Berry, M. J. A., Linoff, G. (1997): Data Mining Techniques For Marketing, Sales, and Customer Support. John Wiley & Sons, New York 3. C. M. Bishop (2005), Neural Network for Pattern Recognition, Oxford University Press Inc. 4. Duda R., Hart P., Stork (2001): Pattern Classification. 5. Elmasri, R., Navathe, S.B. (1997): Sistemas de Bases de Datos Conceptos fundamentales. Seg. Edición, Addison Wesley Iberoamericana, Wilmington, Delaware; capítulo 6, páginas , capítulo 7, página Edelstein H. (1998): Introduction to Data Mining and Knowledge Discovery 7. Freeman, J.A., Skapura, D.M. (1993): Redes Neuronales Algoritmos, Aplicaciones y Técnicas de Programación. Addison Wesley Iberoamericana/ Diaz de Santos, Wilmington, Delaware 8. Famili, A., Shen, W. M., Weber, R., Simoudis, E. (1997): Data Preprocessing and Intelligent Data Analysis. Intelligent Data Analysis Vol. 1, No. 1, Hammergren T., Hammergren T.C. (1997): Data Warehousing: Building the Corporate Knowledge Base. 10. Hastie T., Tibshirani R., Friedman J. (2001): The Elements of Statistical Learning 3

4 11. G. Shmueli and N.R. Patel and P.C. Bruce (2007), Data Mining for Business Intelligence, Wiley InterScience, Hoboken, New Jersey. PROGRAMACIÓN Y CONTENIDOS Unidad Contenidos Aplicaciones Lecturas complementarias Unidad 1: Etapas para la realización de un Proyecto BI 1. Introducción al proceso KDD (Knowledge Discovery Databases) y su relación con la Minería de Datos. 2. Definición de las etapas de preprocesamiento y transformación de la información y su impacto en los modelos analíticos. 3. Selección del modelo adecuado y su relación con la problemática de negocio. Modelos predictivos y predicción de demanda From Data Mining to Knowledge Discovery in Databases Unidad 2: Presentación de los conceptos y métodos principales de Minería de Datos centrándose en la discusión de sus fuerzas y debilidades 1. Redes Neuronales 2. Árboles de Decisión 3. Algoritmos de Cluster 4. Support Vector Machines Modelos de Credit Scoring Modelos Analíticos para el manejo del riesgo Unidad 3: Aplicaciones de Minería de Datos. Presentación de aplicaciones reales y discusión de casos aplicados ala industria 1. Database marketing 2. Detección temprana de fraude 3. Evaluación de solvencia y riesgo de Crédito 4. Retención de clientes 5. Segmentación de carteras Modelos de Ofertas focalizadas y Gestión de personal a gran escala Predicción de Fugas de Clientes para una Institución Financiera mediante Support Vector Machines Sistemas avanzados de gestión para mejorar el servicio al cliente en las estaciones del Metro S.A. 4

5 CURRÍCULUM DEL PROFESOR Jaime Miranda Pino Es director del Centro de Gestión de la Información para los Negocios de la Facultad de Economía y Negocios de la Universidad de Chile y Presidente del Instituto Chileno de Investigación Operativa. Ha publicado artículos en revistas nacionales e internacionales especializadas en las áreas de gestión de operaciones y logística, junto con participar activamente en proyectos de desarrollo. Ha implementado diversos sistemas de soporte a la toma de decisiones, basados en modelos de optimización, para diversas instituciones privadas y estatales. Actualmente es académico jornada completa del Departamento de Control de Gestión y Sistemas de Información y socio principal de la empresa Real Solutions. 5

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

DIPLOMADOS. Universidad de Chile. Diplomado en Business Intelligence. Colección: Postales DIPLOMADOS Colección: Postales Universidad de Chile Diplomado en Business Intelligence 2015 Por qué La Universidad de Chile? No cualquier Diplomado No cualquier Universidad Es la institución de educación

Más detalles

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

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

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

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

Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial

Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial Grado en INFORMÁTICA 4º curso Modalidad: Presencial Sumario Datos básicos 3 Breve descripción de la asignatura 4 Requisitos previos 4 Objetivos 4 Competencias 5 Contenidos 6 Metodología 6 Criterios de

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

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

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

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

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

Facultad de Ingeniería y Tecnología Informática Licenciatura en Sistemas de Información Plan: 2012 Ciclo: 2014 Programa Analítico Base de Datos II

Facultad de Ingeniería y Tecnología Informática Licenciatura en Sistemas de Información Plan: 2012 Ciclo: 2014 Programa Analítico Base de Datos II 1. OBJETIVOS: Lograr que los alumnos conozcan los componentes y la arquitectura de las bases de datos relacionales. Brindar un curso internacionalmente actualizado respecto del ámbito académico, así como

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

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

Diploma en Business Analytics

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

Más detalles

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

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

El taller de Inteligencia de Negocio no tiene requisitos en cuanto a conocimientos, debido a su naturaleza introductoria. DESCRIPTOR DE PROGRAMAS PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE Versión: 03 UNIDAD ACADÉMICA: Escuela de Ingeniería Departamento de Ciencia de la Computación- CETIUC NOMBRE DE LA ACTIVIDAD Taller: Inteligencia

Más detalles

Prontuario. I. Titulo del curso: Minería de Datos. II. Codificación: ESTA 5504. Horas / Crédito: 3 horas semanales / 3 Créditos

Prontuario. I. Titulo del curso: Minería de Datos. II. Codificación: ESTA 5504. Horas / Crédito: 3 horas semanales / 3 Créditos Universidad de Puerto Rico Recinto de Rio Piedras Facultad de Administración de Empresas 1 2 I. Titulo del curso: Minería de Datos Prontuario II. Codificación: ESTA 5504 III. Horas / Crédito: 3 horas semanales

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

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

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

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

Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile

Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile Modelos Analíticos de Scoring Motivación original: Predecir qué clientes fallarán

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

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

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

TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO

TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO TÓPICOS ESPECIALES DE INGENIERÍA DE SISTEMAS E SÍLABO I. DATOS GENERALES CARRERA PROFESIONAL : INGENIERÍA DE SISTEMAS E CÓDIGO DE LA CARRERA : 02 NOMBRE DE LA ASIGNATURA : TÓPICOS ESPECIALES DE INGENIERÍA

Más detalles

GUÍA DOCENTE DE LA ASIGNATURA

GUÍA DOCENTE DE LA ASIGNATURA GUÍA DOCENTE DE LA ASIGNATURA M70 - Análisis Inteligente de Datos y Toma de Decisiones Máster Universitario en Ingeniería Informática Optativa. Curso Curso Académico 204-205 . DATOS IDENTIFICATIVOS Título/s

Más detalles

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.

Los futuros desafíos de la Inteligencia de Negocios. Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile. Los futuros desafíos de la Inteligencia de Negocios Richard Weber Departamento de Ingeniería Industrial Universidad de Chile rweber@dii.uchile.cl El Vértigo de la Inteligencia de Negocios CRM: Customer

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

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata

v.1.0 Clase 1 Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: Introducción a la Inteligencia de Negocios Hitos y personajes Arquitectura de BI Evolución de la Información Inteligencia de Negocios (BI)

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

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

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN

INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Centro Integral de Educación Continua (CIEC) Curso de Educación Continua (CEC) INTELIGENCIA DE NEGOCIOS: GESTIÓN ESTRATÉGICA DE LA INFORMACIÓN Del 21 de julio al 25 de agosto de 2015 Martes y jueves de

Más detalles

Escuela de Ingeniería en Informática Empresarial SYLLABUS

Escuela de Ingeniería en Informática Empresarial SYLLABUS Nombre módulo PROGRAMACIÓN Y TALLER DE BASE DE DATOS Nº créditos 10 ECTS ( 270 horas totales, 108 horas presenciales, 162 horas de trabajo autónomo) Nivel Requisitos Contribución de este módulo a la formación.

Más detalles

ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL.

ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL. ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL. 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Introducción a la Inteligencia Artificial Línea de trabajo: Desarrollo y aplicación de tecnologías

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

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

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia GUÍA DOCENTE Curso Académico 2015/16 1. Técnicas de Análisis Estadístico basado en Inteligencia Artificial 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la

Más detalles

DIRIGIDO A: * Origen y Evolución * Fundamentos * Componentes * Casos. * Arquitectura * Bases de Datos * Data Warehousing * OLAP * Software de Apoyo

DIRIGIDO A: * Origen y Evolución * Fundamentos * Componentes * Casos. * Arquitectura * Bases de Datos * Data Warehousing * OLAP * Software de Apoyo DIRIGIDO A: Profesionales ue presenten interés en especializarse en el ámbito de minería de datos e inteligencia de negocios, insertos en empresas del sector público o privado en áreas relacionadas con

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

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

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

Más detalles

Denominación: Negocios Inteligentes

Denominación: Negocios Inteligentes Denominación: Negocios Inteligentes Clave: Semestre: 7º 8º Carácter: Optativa de Elección Profesionalizante Tipo: Teórica Modalidad: Curso UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA

Más detalles

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012.

Cátedra: BI Business Intelligence. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012. Asignatura BI Business Intelligence Ciclo Lectivo 2012 Vigencia del Ciclo lectivo 2012 programa Plan 2008 Área Complementaria Carga horaria semanal Anual/ cuatrimestral Coordinador de Cátedra Objetivos

Más detalles

Clase 1 Módulo: Data Warehouse & Datamart Docente: Gustavo Valencia Zapata

Clase 1 Módulo: Data Warehouse & Datamart  Docente: Gustavo Valencia Zapata v.1.0 Clase 1 Docente: Gustavo Valencia Zapata Temas Clase 1: El Rol de TI en BI BI Retos de TI en BI Evolución de la Información Arquitectura de BI Referencias www.gustavovalencia.com Evolución de la

Más detalles

Datamining Introducción

Datamining Introducción Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Introducción Yerko Halat 2 de Octubre del 2001 1 Cuál es la diferencia entre

Más detalles

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

METODOS DE INGENIERIA AVANZADA II

METODOS DE INGENIERIA AVANZADA II 1. PRESENTACION METODOS DE INGENIERIA AVANZADA II Actualmente las instalaciones de manufactura deben incorporar los últimos avances y las más novedosas tecnologías junto con procesos de producción automatizados

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

DATA WAREHOUSE Y DATA MINING APLICADOS AL ESTUDIO DEL RENDIMIENTO ACADÉMICO Y DE PERFILES DE ALUMNOS

DATA WAREHOUSE Y DATA MINING APLICADOS AL ESTUDIO DEL RENDIMIENTO ACADÉMICO Y DE PERFILES DE ALUMNOS DATA WAREHOUSE Y DATA MINING APLICADOS AL ESTUDIO DEL RENDIMIENTO ACADÉMICO Y DE PERFILES DE ALUMNOS D. L. LA RED MARTINEZ, J. C. ACOSTA, L. A. CUTRO, V. E. URIBE, A. R. RAMBO Departamento de Informática

Más detalles

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

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

Más detalles

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública

La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública La Inteligencia Analítica: Una Herramienta para el Mejoramiento en la Administración Pública Dr. Viterbo H. Berberena G. Coordinador de la Maestría en Inteligencia Analítica Consultor Sénior en Inteligencia

Más detalles

ASIGNATURA: Tecnologías de Información y Comunicación II

ASIGNATURA: Tecnologías de Información y Comunicación II ASIGNATURA: Tecnologías de Información y Comunicación II 53 HORAS DESCRIPCIÓN DE LA ASIGNATURA: Esta asignatura proporciona al alumno las competencias y herramientas teóricas necesarias para la aplicación

Más detalles

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información: Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

Determinación de Perfiles de Rendimiento Académico en la UTN - FRRe

Determinación de Perfiles de Rendimiento Académico en la UTN - FRRe Determinación de Perfiles de Rendimiento Académico en la UTN - FRRe David L. la Red Martínez, Mirtha E. Giovannini, Noelia Pinto, Martín Frisone, M. Eugenia Báez Grupo de Investigación Educativa / Departamento

Más detalles

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM).

Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente (CRM). DIPLOMADO GERENCIA MARKETING Y SERVICIO AL CLIENTE Mineria de Datos Introducción a la Minería de datos. DATA MINING Modelamiento de datos para Marketing y Administración de las Relaciones con el Cliente

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

Objetivos. Metodología docente. Criterios de evaluación

Objetivos. Metodología docente. Criterios de evaluación Desarrollo de Nuevos Productos Licenciatura en Investigación y Técnicas de Mercado Asignatura Optativa Segundo cuatrimestre Universidad de Granada Profesora Dolores Mª Frías Jamilena A227 :: 958 242 847

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

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

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

Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes

Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes REVISTA INGENIERÍA DE SISTEMAS VOLUMEN XIV, Nº 1, JUNIO 2000 Data Mining en la Empresa y en las Finanzas Utilizando Tecnologías Inteligentes Richard Weber 1 Departamento de Ingeniería Industrial, Universidad

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

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

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

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

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Yegny Amaya, Edwin Barrientos, Universidad Francisco de Paula Santander, Colombia Diana Heredia Vizcaíno, Universidad

Más detalles

Pontificia Universidad Católica del Ecuador

Pontificia Universidad Católica del Ecuador DATOS INFORMATIVOS: MATERIA O MÓDULO: APLICACIONES DIFUSAS CÓDIGO: IS -10344 CARRERA: NIVEL: INGENIERIA DE SISTEMAS OCTAVO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS PRÁCTICA: 2 SEMESTRE / AÑO ACADÉMICO:

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

Sistema de Asignación de Riesgos Crediticios

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

Más detalles

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM?

Pero que es el Data Mining? Como esta tecnología puede resolver los problemas diarios de las organizaciones? Cuál es el ciclo de vida de un DM? Introducción En vista de los comentarios y sugerencias que nos hicieron, via mail y por chat, sobre la posibilidad de la creación de nuevo conocimiento, he creido conveniente introducir el tema Data Mining

Más detalles

Minería de datos para la determinación del grado de exclusión social

Minería de datos para la determinación del grado de exclusión social Minería de datos para la determinación del grado de exclusión social Data mining to determine the degree of social exclusion * Jorge Enrique Rodríguez Rodríguez Fecha de recepción: 23 de agosto de 2008

Más detalles

Curso de Posgrado On-line. Del 18 de mayo al 14 de agosto de 2015

Curso de Posgrado On-line. Del 18 de mayo al 14 de agosto de 2015 DMI Data Mining aplicado a la Ingeniería D e s c u b r i e n d o c o n o c i m i e n t o a p a r t i r d e l o s d a t o s d e l a o r g a n i z a c i ó n Curso de Posgrado On-line Del 18 de mayo al 14

Más detalles

UNIVERSIDAD NACIONAL DE SAN MARTÍN-T

UNIVERSIDAD NACIONAL DE SAN MARTÍN-T UNIVERSIDAD NACIONAL DE SAN MARTÍN-T FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA Escuela Académico Profesional de Ingeniería de Sistemas e Informática Semestre Académico 2014-II SILABO I. INFORMACIÓN

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

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

MACROPROCESO MISIONAL PROCESO GESTION DOCENCIA VERSION: 5. SYLLABUS PAGINA:1 de 5

MACROPROCESO MISIONAL PROCESO GESTION DOCENCIA VERSION: 5. SYLLABUS PAGINA:1 de 5 SYLLABUS PAGINA:1 de 5 INFORMACIÓN GENERAL FACULTAD PROGRAMA ACADÉMICO DENOMINACIÓN DEL CURSO FACULTAD DE INGENIERIA ESPECIALIZACIÓN EN NEGOCIOS Y COMERCIO ELECTRÓNICO INTELIGENCIA DE NEGOCIOS EN LA CÓDIGO

Más detalles

TO BI OR NOT TO BI QUÉ HAY QUE CONSIDERAR PARA QUE EL BUSINESS INTELLIGENCE PUEDA REALMENTE MEJORAR LA CALIDAD DE LAS DECISIONES?

TO BI OR NOT TO BI QUÉ HAY QUE CONSIDERAR PARA QUE EL BUSINESS INTELLIGENCE PUEDA REALMENTE MEJORAR LA CALIDAD DE LAS DECISIONES? Toma de Decisiones Business Intelligence TO BI OR NOT TO BI QUÉ HAY QUE CONSIDERAR PARA QUE EL BUSINESS INTELLIGENCE PUEDA REALMENTE MEJORAR LA CALIDAD DE LAS DECISIONES? Jaime Miranda Director Académico

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

200622 - EGE - Estadística para la Gestión Empresarial

200622 - EGE - Estadística para la Gestión Empresarial Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa MÁSTER

Más detalles

Introducción a la Minería de Datos (Data Mining)

Introducción a la Minería de Datos (Data Mining) a la Minería de Datos (Data Mining) IT-Nova Facultad de Ingeniería Informática y Telecomunicaciones Iván Amón Uribe, MSc Minería de Datos Diapositivas basadas parcialmente en material de Inteligencia Analítica

Más detalles

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

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

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

FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN CÓDIGO AÑO APLICACIÓN 2007 ELECT. COMP.

FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN CÓDIGO AÑO APLICACIÓN 2007 ELECT. COMP. FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN I. IDENTIFICACIÓN ASIGNATURA: Sistemas de Computación I CÓDIGO 503429 CRÉDITOS 4 HRS. TRAB. ACAD. CARRERA Ingeniería

Más detalles

Computación paralela y distribuida

Computación paralela y distribuida Computación paralela y distribuida MSC-0302 Nombre de la asignatura: Computación paralela y distribuida Línea de trabajo: Tecnologías web Tiempo de dedicación del estudiante a las actividades de: DOC TIS

Más detalles

INTELIGENCIA DE NEGOCIO 2014-2015

INTELIGENCIA DE NEGOCIO 2014-2015 INTELIGENCIA DE NEGOCIO 2014-2015 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Retos en Inteligencia de Negocio Tema 3. Minería de Datos Tema 4. Modelos de Predicción: Clasificación, regresión

Más detalles

ARTÍCULOS Y REFLEXIONES

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

Más detalles

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

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved.

Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina. Copyright 2010, SAS Institute Inc. All rights reserved. Competir con Analytics Fernando Mogetta Gerente de Consultoría de Negocios SAS Argentina OCHO NIVELES DE ANALYTICS 4 ALERTAS Contesta las preguntas: Cuándo reaccionar? Qué acciones son necesarias? 3 2

Más detalles

Data Warehouse y Data Mining Aplicados al Estudio del Rendimiento Académico

Data Warehouse y Data Mining Aplicados al Estudio del Rendimiento Académico Data Warehouse y Data Mining Aplicados al Estudio del Rendimiento Académico D. L. LA RED MARTINEZ, J. C. ACOSTA, L. A. CUTRO V. E. URIBE, A. R. RAMBO Dpto. Informática. FACENA. Univ. Nac. del Nordeste

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

Sistema de Asignación de Riesgos Crediticios

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

Más detalles

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

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata

Clase 0 Módulo: Minería de datos Docente: Gustavo Valencia Zapata v.1.0 Clase 0 Quien tiene la información tienen el poder. - Anónimo Quien tiene el saber tiene el poder. - David Hume Quien tiene la información y la analiza, tiene el poder. Módulo: Visualización de Información

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

Bases de Datos II. Programa de la Asignatura:

Bases de Datos II. Programa de la Asignatura: Programa de la Asignatura: Bases de Datos II Código: 761 Carrera: Ingeniería en Computación Plan:2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer Año Segundo cuatrimestre

Más detalles

Bachillerato en Ingeniería del software

Bachillerato en Ingeniería del software Estructuras de datos 2 NIVEL: SÉTIMO Cuatrimestre Horas Teóricas : 2 Horas de Trabajo individual: 7 Horas Laboratorio: 3 Créditos: 4 1.0. DESCRIPCIÓN DEL CURSO Este curso continúa el estudio de estructuras

Más detalles