Introducción a la Minería de Datos
|
|
- Patricia Cano Franco
- hace 7 años
- Vistas:
Transcripción
1 Introducción a la Minería de Datos
2 Introducción a la Minería de Datos Estamos viviendo en la era de la información Vivimos en la era de los datos WWW ( Tera o Pentha bytes de data) Almacenamiento de datos provenientes de: Negocios Sociedad Ciencias Ingeniería Medicina Etc...
3 Introducción a la Minería de Datos Avances en las tecnologías de recolección y almacenamiento de datos A partir de fuentes como: Ciencia, Ingeniería, Medicina Bases de datos muy grandes Negocios, Bancos Datos Redes de telecomunicaciones Instituciones públicas y privadas La Web Comunidades Virtuales y redes sociales, entre otras Diferentes y nuevos conjuntos de datos: imágenes, textos, multimedia, espaciales, temporales, streams,
4 Introducción a la Minería de Datos Registros médicos Datos? Registros del uso de tarjetas de crédito, historiales crediticios Transacciones en supermercados, tiendas, entre otras Accesos a la Web Detalles del uso de telefonía móvil Imágenes espaciales, médicas, entre otras Genoma humano Librerías digitales, textos, páginas Web Datos climáticos Interacciones en redes sociales y muchos más!
5 Introducción a la Minería de Datos En los datos hay conocimiento oculto, el cual puede ser utilizado para la toma de decisiones. Registros médicos asociados a pacientes Identificar los pacientes con riesgo de sufrir una patología concreta. Archivos de registro de servidores web Detectar patrones de comportamiento de los usuarios Variables financieras de compañías Determinar la capacidad de pagos de crédito Tweets de los usuarios Valores de métricas que caracterizan un proyecto de software Determinar el impacto en la población de eventos naturales o epidemias Estimar el costo y tiempo de desarrollo
6 Introducción a la Minería de Datos Entonces, Datos? Conocimiento útil para la toma de decisiones Cómo extraer conocimiento a partir de datos?
7 Introducción a la Minería de Datos Una alternativa a la búsqueda y extracción de conocimiento a partir de datos: KDD (Knowledge Discovery in Databases) Proceso de descubrimiento de conocimiento a partir de datos Definición: según Fayyad, 1996 Proceso no trivial de identificar, a partir de datos, patrones válidos, novedosos, potencialmente útiles y, en última instancia, comprensibles Según esta definición, las propiedades deseables del conocimiento extraído son:
8 Introducción a la Minería de Datos Válido: los patrones deben ser precisos para nuevos datos. Novedoso: deben aportar algo desconocido para el usuario Potencialmente útil: Comprensible: deben producir algún beneficio para el usuario Que posibilite su interpretación, revisión, validación y uso en la toma de decisiones. Entonces, objetivo del KDD Procesar automáticamente grandes cantidades de datos, identificar los patrones más significativos y relevantes, y presentarlos como conocimiento apropiado para satisfacer las necesidades del usuario
9 Introducción a la Minería de Datos El proceso de KDD envuelve: Datos Preparación de los datos Minería de datos Etapa del proceso KDD Evaluación e interpretación Conocimiento (patrones, estructuras descubiertas)
10 Introducción a la Minería de Datos Definiciones de minería de datos: Proceso de extraer conocimiento útil y comprensible, previamente desconocido, desde grandes cantidades de datos almacenados en distintos formatos. Proceso no trivial de identificación de patrones válidos, novedosos, potencialmente útiles y entendibles que se encuentran ocultos en los datos. Conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmente útil y humanamente comprensible, a partir de conjuntos de datos. Proceso de descubrir automáticamente conocimiento en grandes volúmenes de datos
11 Introducción a la Minería de Datos Entonces, Datos Minería de datos Conocimiento (útil y novedoso) (Proceso KDD) Analizar los datos para extraer conocimiento que permita resolver problemas y apoye la toma de decisiones
12 Introducción a la Minería de Datos Aprendizaje automático Minería de datos Estadística Técnicas, de la Inteligencia Artificial, para el aprendizaje a partir de ejemplos (machine learning) Conceptos, teorías y técnicas Bases de datos Almacenes de datos y OLAP Visualización de datos Otras disciplinas Dependiendo del tipo de datos: técnicas de procesamiento del lenguaje natural, procesamiento de imágenes, señales, etc.
13 Aplicaciones En diferentes dominios: Medicina: diagnóstico de enfermedades, gestión hospitalaria, recomendación de medicinas, Educación: Construcción de perfiles de estudiantes, predicción del rendimiento de estudiantes, Industria: Detección de piezas defectuosas, predicción de fallas, extracción de modelos de producción, estimación de modelos de calidad, Mercado: Segmentación de clientes, estimación de ventas, evaluación de campañas publicitarias, determinación de perfiles de compra, Inteligencia de negocios: determinación del comportamiento de clientes, análisis de mercados, predicción de ventas, Asistencia personalizada: buscadores Web adaptados a los usuarios, periódicos electrónicos con noticias personalizadas,
14 Aplicaciones Banca y Finanzas: Análisis de riesgo de asignación de créditos, detección de fraude, Biología y Ambiente: Modelos de calidad del agua, construcción de indicadores ecológicos, clasificación de especies, Turismo: Identificación de patrones de reserva, segmentación de clientes, Telecomunicaciones: Determinación de patrones de llamadas y uso de telefonía móvil, detección de intrusos, Web: Análisis del comportamiento de usuarios, clasificación de sitios Web Ingeniería de Software: Predicción y estimación de índices de calidad del software, coste, duración de proyectos,... y muchas más
15 Aplicaciones Otros ejemplos: Identificación de grupos con características similares (por ejemplo, a partir de los viajes que han realizado clientes de una agencia de viajes, identificar grupos de personas con preferencias similares, con el objetivo de organizar diferentes ofertas). Detección de patrones de comportamiento de usuarios (por ejemplo, es posible descubrir las asociaciones entre los accesos y usos de la Web por parte de los usuarios. Esta información puede servir de ayuda para mejorar y replantear el sitio Web con el fin de facilitar la búsqueda). Predicción de fallas (por ejemplo, a partir de los registros de los usuarios de una compañía de telefonía celular, identificar las posibles fallas que se puedan presentar en el servicio. Esto permitiría mejorar los tiempos de respuesta de los casos hacia los usuarios y mejorar la calidad del servicio).
16 Aplicaciones Construcción de sistemas de recomendación (por ejemplo, partir de las búsquedas que realiza un usuario en la Web es posible determinar sus preferencias o perfil, para construir un buscador personalizado que realice recomendaciones de acuerdo al perfil detectado) Detección de fraude (por ejemplo, a partir de los registros de uso de las tarjetas de crédito por parte de los usuarios de un entidad bancaria, es posible detectar eventos anómalos que puedan indicar posibilidad de fraude). Videojuegos adaptativos: (por ejemplo, a partir de las sesiones de juego de los usuarios se podría detectar su nivel de experticia para realizar una recomendación de niveles).
17 Heramientas Sobre la base del proceso de extracción de conocimiento a partir de datos, en general estas herramientas proporcionan: Datos Preparación de los datos Minería de datos Evaluación e interpretación Funcionalidades para limpieza y preparación de los datos, así como para la visualización y análisis exploratorio. Implantación de diversos algoritmos aprendizaje para resolver diferentes tareas de la minería de datos Funcionalidades para la evaluación de los modelos obtenidos y visualización de resultados.
18 Herramientas De libre distribución: WEKA (Universidad de Waikato) Suite de Minería de Datos de PENTAHO (basado en Weka) Orange (Facultad de informática de la Universidad de Ljubljana) RapidMiner (Universidad de Dortmund, puede utilizar los algoritmos de Weka) R (R Development Core Team) DBMiner (Universidad Simon Fraser, Canadá) Otros: SPSS Clementine ORACLE Data Miner SAS Enterprise Miner STATISTICA Data Miner
19 Herramientas Ejemplo: WEKA Proyecto de la Universidad de Waikato WEKA es una colección de algoritmos de aprendizaje automático para las tareas de minería de datos. Los algoritmos pueden ser aplicados directamente a un conjunto de datos o ser llamados desde código Java. Contiene herramientas para el pre-procesamiento de los datos y visualización, clasificación, regresión, agrupación y reglas de asociación. También permite la incorporación de nuevos algoritmos de aprendizaje Sitio Web:
20 Herraientas Interfaz de WEKA
21 En este curso Datos Preparación de los datos Minería de datos Evaluación e interpretación Cómo preparar los datos para el proceso de minería de datos? Cuáles técnicas pueden ser aplicadas para extraer conocimiento a partir de datos? Cómo evaluar e interpretar los modelos extraídos? Conocimiento
22 Datos, patrones y tareas de la MD Minería de datos: Conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmente útil y humanamente comprensible, a partir de conjuntos de datos. Datos Minería de datos (Proceso KDD) Conocimiento (útil y novedoso) Analizar los datos para extraer conocimiento que permita resolver problemas y apoye la toma de decisiones
23 Datos, patrones y tareas de la MD Datos Cómo son los datos? Tipos de conjuntos de datos Minería de datos Qué tipo de problemas pueden resolverse? Conocimiento Cómo expresarlo? Tipos de patrones Tareas de la minería de datos
24 Conjuntos de datos La minería de datos puede aplicarse a muchos tipos de conjuntos de datos Almacén de datos Hojas de cálculo Bases de datos relacionales Datos transaccionales
25 Conjuntos de datos Multimedia: Imágenes, video, audio Conjunto de imágenes de espermatozoides Señal de audio
26 Conjuntos de datos Espaciales: Donde las relaciones espaciales (ubicación) son muy importantes (datos geográficos, imágenes satelitales) Sistema de información geográfico Temperatura promedio mensual de la tierra y el océano (espacio-temporal)
27 Conjuntos de datos Temporales: con atributos relacionados con el tiempo Estudios poblacionales Señales en cardiologí a
28 Conjuntos de datos Documentales: como textos Páginas Web
29 Conjuntos de datos En general, independiente de: Preprocesamiento Conjunto de datos Tabla atributovalor
30 Conjuntos de datos Tabla Atributo Valor: Atributo 1 Atributo 2 Atributo d Cada fila: Instancias Ejemplos Registros Casos Muestras Observaciones Un atributo es una propiedad de un objeto Una colección de atributos describe a un objeto Cada columna: Atributo Variable Característica Campo
31 Conjuntos de datos Cada atributo puede ser de cierto tipo: Nominales o categóricos: Toman valores en un número finito y predeterminado de símbolos o categorías. Ejemplos: - Sexo: [M,F] - Color de ojos: [negro, marrón, azul, verde] - Tipo de correo: [Spam, No Spam] Binarios: Atributo nominal que sólo puede tomar dos categorías o estados: y 1, donde el significa ausencia y 1 significa presencia. Ejemplo: - Paciente fumador: indica que no fuma, 1 indica que fuma.
32 Conjuntos de datos Ordinales: Toman valores en un número finito y predeterminado de símbolos o categorías ordenados. Ejemplos: - Satisfacción del cliente: [muy satisfecho, medianamente satisfecho, poco satisfecho] - Grado académico: [Bachiller, Técnico, Licenciado, Postgrado] - Tamaño: [Pequeño, Mediano, Grande] Numéricos o cuantitativos: Asumen valores enteros o reales. Ejemplos: - Edad: [1, 9] años - Temperatura: [, 4] grados - Salario: [7,5] Bs. F
33 Conjuntos de datos Si los datos son complejos: Preprocesamiento Conjunto de datos (Tabla atributovalor)
34 Conjuntos de datos Preprocesamiento Conjunto de datos (Tabla atributovalor)
35 Tareas de la minería de datos Minería de datos Qué tipo de problemas pueden resolverse? Importante: Minería de datos Datos Información del problema Inducción Aprendizaje a partir de ejemplos Modelo estimado Deducción Lo que se quiere aprender: Concepto, función, modelo, que explique los datos y que permita hacer predicciones válidas para nuevos datos Predicción, Respuestas
36 Tareas de la minería de datos Población Muestra Que permita hacer predicciones, dar respuestas, explicaciones, VÁLIDAS, para la población
37 Tareas de la minería de datos Básicamente se pueden generar dos tipos de modelos: Modelos predictivos (asociados a tareas predictivas) Predicen el valor de un atributo particular basado en los valores de otros atributos. Estiman valores futuros o desconocidos de variables de interés ( = variable dependiente u objetivo), a partir de otras variables (= variables independientes o predictivas). Identifican patrones que explican o describen los datos. Modelos descriptivos (asociados a tareas descriptivas) Derivan patrones (correlaciones, grupos, anomalías, trayectorias) que sumarizan las relaciones fundamentales de los datos. Sirven para explorar las propiedades de los datos
38 Tareas de la minería de datos Tareas de la minería de datos Tareas predictivas Tareas descriptivas Clasificación Agrupación (clustering) Regresión Análisis de asociación (descubrimiento de reglas de asociación) Aprendizaje supervisado: Se dispone de un atributo que representa la respuesta del problema Detección de anomalías Aprendizaje no supervisado: La respuesta del problema no está dada
39 Tareas de la minería de datos A) Clasificación: - Dada una colección de registros o instancias (conjunto de aprendizaje) Donde cada registro contiene un conjunto de atributos, uno de los cuales es la clase (cada instancia pertenece a una clase) - Encontrar un modelo para el atributo clase como una función de los valores de los otros atributos. Dato s Modelo de clasificació n Clase Objetivo: Predecir la clase para nuevas instancias o registros tan exactamente como sea posible. Respuesta (variable categórica)
40 Tareas de la minería de datos Clasificación: ejemplo 1 Determinar el rechazo o aceptación de una solicitud de crédito basado en la información financiera y personal del solicitante. - Conjunto de datos: solicitudes realizadas anteriormente, con la información del cliente y la decisión sobre la aceptación o no de la solicitud por parte de la entidad bancaria. Eda d Años en el banco Tarjeta de crédito Saldo en cuenta Asignación 3 4 SI > 2M SI 19 1 NO < 2M NO 44 1 SI < 2M SI Clase - A partir de esta información estimar un modelo para el atributo clase, que permita determinar si dadas las características de un solicitud nueva es viable la concesión del crédito
41 Tareas de la minería de datos Clasificación: ejemplo 2 Predecir si un correo es un SPAM a partir de la información contenida en el mismo. - Conjunto de datos: textos de correos clasificados como SPAM y No SPAM. - Estos datos son preprocesados con técnicas de procesamiento de textos para transformarlos en una tabla, donde cada columna representa las frecuencias relativas de palabras claves en los textos. P1 P2 P3 P4 P5 P6 TIPO SPAM NO SPAM SPAM Clase - A partir de esta tabla, estimar un modelo para el atributo clase, que permita predecir si un correo desconocido es un SPAM o no
42 Tareas de la minería de datos Clasificación: ejemplo 3 Identificar los números de un código postal manuscrito a partir de una imagen digitalizada. - Conjunto de datos: Imágenes de los 1 dígitos con su etiqueta de clase U N O D O S U N O TR ES SIE TE - Estos datos son preprocesados para transformarlos en una tabla donde cada columna representa una característica extraída mediante algoritmos de procesamiento de imágenes. - A partir de esta tabla, estimar un modelo para el atributo clase, que permita determinar el dígito en una imagen. Clase
43 Tareas de la minería de datos B) Regresión: - Dada una colección de registros o instancias (conjunto de aprendizaje) Donde cada instancia tiene asociado un valor real - Encontrar un modelo para el atributo real como una función de los valores de los otros atributos. Dato s Modelo de regresión Respuesta (variable numérica) Valor numérico Objetivo: Predecir un valor real para nuevas instancias o registros tan exactamente como sea posible
44 Tareas de la minería de datos Regresión: ejemplo 1 Predecir el valor de un inmueble a partir de las características de la zona de ubicación y su arquitectura. - Conjunto de datos: registros asociados a diferentes tipos de inmuebles en diferentes zonas..... No. de habitacione s No. de baños índice de criminalidad Índice de acceso a TP Valor (x 1 Bs.F) Atributo de Salida. - A partir de esta información, encontrar un modelo de regresión que permita estimar el valor de un nuevo inmueble.
45 Tareas de la minería de datos Regresión: ejemplo 2 Determinar el rendimiento relativo de un dispositivo (CPU) - Conjunto de datos: registros de diferentes dispositivos caracterizados según la casa de fabricación y variables de rendimiento.... Nombre del vendedor Ciclos de máquina Memoria Cache Memoria Principal IBM HP ADVISER SIEMENS Rendimiento Atributo de salida - A partir de esta información, encontrar un modelo de regresión que permita estimar el rendimiento de un dispositivo.
46 Tareas de la minería de datos C) Agrupación (clustering): - Dada una colección de registros o instancias Donde cada registro tiene asociado un conjunto de atributos, no hay salida definida. - Encontrar grupos naturales a partir de los datos - Objetivo: Los objetos de un grupo son muy similares entre sí y muy diferentes a los objetos de otros grupos. La distancia intragrupo se minimiza La distancia entre grupos se maximiza Se utilizan medidas de similitud, que dependerán del tipo de variable presente en el conjunto de datos
47 Tareas de la minería de datos Agrupación: ejemplo 1 Determinar diferentes tipos de documentos basados en su contenido - Conjunto de datos: conjunto de documentos - Estos datos son preprocesados para transformarlos en una tabla donde cada columna representa las frecuencias relativas de términos claves en los documentos. Términos D oc. Industria Mercad o Trabaj o País Inflació n Precio Sal ud Drog a Vacuna Médico Utilizando una medida de similitud adecuada, encontrar grupos de documentos que son similares entre si basados en los términos importantes que aparecen en ellos, para posteriormente identificar el tema de un nuevo documento.
48 Tareas de la minería de datos Agrupación: ejemplo 2 Determinar diferentes estados operacionales en una planta de tratamiento de aguas residuales. - Conjunto de datos: registros diarios de los sensores de la planta Flujo de entrada ph de entrada Cantidad de zinc de entrada Sedimento s de entrada Sólidos de entrada - Utilizando una medida de similitud adecuada, encontrar grupos que especifiquen diferentes estados de operación para posteriormente predecir posibles fallas.
49 Tareas de la minería de datos D) Análisis de asociación: - Dada una colección de registros o instancias Donde cada registro contiene un conjunto de atributos o items, no hay salida definida - Encontrar combinaciones o asociaciones de items (atributos) que ocurren frecuentemente. - Objetivo: descubrir patrones que describen características fuertemente asociadas en los datos. Identificar relaciones no explícitas entre atributos categóricos. Regla de asociación: Si el atributo X toma el valor A entonces el atributo Y toma el valor B Regla de dependencia que permite predecir la ocurrencia de un item basado en la ocurrencia de otros items
50 Tareas de la minería de datos Reglas de asociación: ejemplo 1 Manejo de los estantes de un supermercado - Conjunto de datos: registros de las compras de los clientes provenientes de los puntos de ventas. - Identificar items que son comprados juntos por un número suficiente de clientes, para mejorar la organización física del almacén. Transacción 1 Pan, Leche Transacción 2 Pan, Servilletas, Cerveza, Huevos Transacción 3 Leche, Servilletas, Cerveza, Agua Transacción 4 Pan, Leche, Servilletas, Cerveza Transacción 5 Pan, Servilletas, Cerveza, Refresco... Una regla clásica sería: Si el cliente compra pan y servilletas muy probablemente comprará cerveza
51 Tareas de la minería de datos Reglas de asociación: ejemplo 2 Análisis de petición de servicios médicos en un institución - Conjunto de datos: registros cuyos atributos expresan si se ha realizado o no, cada una de las posibles pruebas médicas que pueden aplicarse a un paciente. - Identificar las pruebas médicas que frecuentemente se realizan juntas, para mejorar la gestión de la institución. Paciente Perfi l 2 Orina Heces Coleste rol VIH Glicem ia 1 X X 2 X X X X 3 X X X X 4 X X X X 5 X X X X Una regla que puede ser encontrada: 7% de las veces que se pide un análisis de orina también se solicita uno de sangre, y esto ocurre en 6 de cada 1 pacientes
52 Tareas de la minería de datos E) Detección de anomalías: - Dada una colección de registros o instancias Donde cada registro contiene un conjunto de atributos - Detectar desviaciones significativas del comportamiento normal - Objetivo: Identificar instancias o registros cuyas características son significativamente diferentes del resto (= outlier)
53 Tareas de la minería de datos Detección de anomalías: ejemplo 1 Detección de fraude en el uso de tarjetas de crédito - Conjunto de datos: registros del uso de las tarjetas de créditos para cada uno de los clientes de un banco - A partir de estos datos se construye un perfil de cada cliente - Utilizando este perfil, se detectan comportamientos anómalos ( = observaciones que difieren significativamente del perfil normal ) Detección de anomalías: ejemplo 2 Detección de disturbios en ecosistemas - Conjunto de datos: registros de sensores. - A partir de estos datos se construye un modelo de comportamiento de la zona bajo estudio. - Utilizando este modelo, se pueden detectar posibles situaciones anómalas que permitan implantar planes de prevención.
54 Tareas de la minería de datos Para los siguientes problemas, indique qué tarea de minería de datos puede ser adecuada para su resolución y describa un posible conjunto de datos. Justifique. Identificar patrones de comportamiento de usuarios en un sitio Web. Determinar la aptitud física de la tierra para un determinado cultivo. Indicar la cantidad de lluvia a corto plazo a partir de datos climatológicos Determinar la categoría de un Servicio Web. Determinar las fallas de un servicio de telefonía móvil a partir de los registros de los usuarios Identificar brotes de gripe a partir de los Tweets de los usuarios Determinar el costo de un nuevo contrato en una compañía a partir de los costos correspondientes a contratos anteriores. Determinar cuáles son los itinerarios más seguidos por los visitantes de un sitio Web Estimar el tamaño del software a partir de mediciones realizadas en el ámbito de la especificación de requisitos. Indicar la presencia de intrusos o eventos maliciosos en un sistema móvil. Determinar las preferencias de compra de clientes en un sistema de comercio electrónico. Identificar patrones de comportamiento de estudiantes en un sistema e-learning
DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesModelos de Mercadotecnia Tema 1: Dimensión del Marketing
Tema 1: Dimensión del Marketing Sesión 2: Bases de Datos Objetivo de la Sesión: Al concluir la sesión el alumno reconocerá el proceso para llevar a cabo la minería de datos y describirá cómo las herramientas
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesCURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO Gestión empresarial de la información. Business Intelligence. Data Mining.
Más detalles10 EXÁMENES
10 EXÁMENES 2014-2018 Convocatoria Extraordinaria de Septiembre 1 de Septiembre de 2014 1. (1 pto.) a) Aunque por abuso del lenguaje hemos hablado de minería de datos y de KDD como sinónimos, indica las
Más detallesCientífico de datos o data scientist
Científico de datos o data scientist La demanda de científicos de datos se ha incrementado de manera constante en los últimos años, existe en el mercado una amplia oferta para los científicos de datos.
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 I. Introducción Motivación I Econometría: Rama de la disciplina económica que concierne con la estimación
Más detallesMinería de Datos. Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria
Minería de Datos Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria 1 Que es un conjunto de datos? Es una colección de objetos con sus respectivo atributos. Un atributo es una propiedad
Más detallesINTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesBuenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.
Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM. Qué es la ciencia de datos? Es muy difícil encontrar una definición
Más detallesCurso de Formación Continua Nº identificación Propuesta nueva/reedición
Curso de Formación Continua Nº identificación Propuesta nueva/reedición Aplicaciones Industriales con Minería de Datos y Sistemas Expertos FC1011195 Propuesta nueva Tipo de Créditos Créditos ECTS Campo
Más detallesUniversidad Autónoma del Estado de México. La minería de datos en el proceso de KDD ( Knowledge Discovery and Data Mining)
Universidad Autónoma del Estado de México Material didáctico multimedia Sólo visión La minería de datos en el proceso de KDD ( Knowledge Discovery and Data Mining) Unidad de Aprendizaje Minería de Datos
Más detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesPROPUESTA DE MINOR CIENCIA DE LOS DATOS. DATA SCIENCE Resultados de Aprendizaje del Minor
PROPUESTA DE MINOR Nombre del Minor CIENCIA DE LOS DATOS DATA SCIENCE del Minor Al finalizar el Minor el estudiante logrará: Analizar y representar grandes volúmenes de datos complejos tales como: imágenes,
Más detallesModelos de Mercadotecnia. SESIÓN # 2. Bases de datos.
Modelos de Mercadotecnia SESIÓN # 2. Bases de datos. Contextualización La definición de una base de datos se puede simplificar en una sola palabra: colección. Este concepto se define como la recopilación
Más detallesINTRODUCCIÓN A LA ESTADÍSTICA TEMA 1: DATOS Y ESTADÍSTICA
UNIDAD 1 INTRODUCCIÓN A LA ESTADÍSTICA TEMA 1: DATOS Y ESTADÍSTICA Datos numéricos que ayudan a entender la información 1 Datos numéricos que ayudan a entender la información Promedios, medias, porcentajes
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesEstadística Computacional
Estadística Computacional Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María Estructura del Curso 1.- Introducción. 2.- Análisis Exploratorio de Datos. 3.-
Más detallesNuevo plan de estudios. Especialización en Inteligencia de Negocios. Marzo de Curso Descripción Corta Contenidos
Nuevo plan de estudios Especialización en Inteligencia de Negocios Marzo de 2018 Curso Descripción Corta Contenidos Fundamentos de Inteligencia de Negocios y Gobierno de datos Almacenamiento de Información
Más detallesAplicaciones de minería de datos. Por: M.C. Leopoldo González Rosas campodeencinos.wordpress.com
Aplicaciones de minería de datos Por: M.C. Leopoldo González Rosas www.cnys.com.mx campodeencinos.wordpress.com Agenda Presentación Motivación qué es minería de datos? Disciplinas involucradas Aplicaciones
Más detallesPrograma de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas.
Programa de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas. DIPLOMADO EN MINERÍA DE DATOS. Coordinadora académica: Dra. Amparo López Gaona. MODULO I: INTRODUCCIÓN A LAS BASES
Más detallesMinería de datos para la innovación y desarrollo de alimentos. por Rocío del Carmen Molina // Somos Datos
2016 Minería de datos para la innovación y desarrollo de alimentos por Rocío del Carmen Molina // Somos Datos Quiénes Somos? Somos una comunidad de habla hispana especializada en big data y minería de
Más detallesHow can I analyze this data? Knowledge. Data rich, Information poor. Conocimiento (patrones interesantes)
Introducción al Data Mining Fernando Berzal, berzal@acm.org Introducción al Data Mining Qué es la minería de datos? Aplicaciones KDD (Knowledge Discovery in Databases) El proceso de extracción de conocimiento
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesESPECIALISTA EN CONSULTORIA TIC. Cómo Gestionar Empresas con el Apoyo de las Nuevas Tecnologías?
ESPECIALISTA EN CONSULTORIA TIC. Cómo Gestionar Empresas con el Apoyo de las Nuevas Tecnologías? Duración: 260 horas Modalidad: A distancia (e Learning) Fecha de Inicio: 1 de Diciembre de 2008 Finalización:
Más detallesMinería de Datos Diplomado
Módulo Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Este documento se desarrolló a partir de otras fuentes que se encuentran citadas tanto dentro
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detalles1. ANÁLISIS EXPLORATORIO DE DATOS
1. ANÁLISIS EXPLORATORIO DE DATOS El Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis) es un conjunto de técnicas estadísticas cuya finalidad es conseguir un entendimiento básico de los
Más detallesUniversidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática
Universidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática Plan de Estudios 2008 (Modificado: Resolución VD-8687-2011)
Más detallesPROGRAMA DE CURSO. Código Nombre INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining Unidades
PROGRAMA DE CURSO Código Nombre IN 4521 INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar Personal
Más detallesCONCEPTOS Y ECOSISTEMA BIG DATA
CONCEPTOS Y ECOSISTEMA BIG DATA El presente documento ha sido elaborado de forma conjunta por las empresas Sunqu y Ticxar para dar a conocer el ecosistema Big Data, su tipología, la analítica y la visualización
Más detallesGrado en Estadística Guía Académica Universidad de Salamanca
Grado en Estadística Guía Académica 2015-2016 131 TERCER CURSO. CUATRIMESTRE 2 TÉCNICAS ESTADÍSTICAS EN MINERÍA DE DATOS 1. Datos de la Asignatura Código 100726 Plan 2009 ECTS 6 Carácter Optativa Curso
Más detallesAfinación y Rendimiento de Bases de Datos
DIPLOMADO Afinación y Rendimiento de Bases de Datos TEMARIO DURACIÓN: 250 hrs. 1. Sistemas de Información OLTP y SQL (40 hrs.) 1.1 Componentes de un Sistema de Información 1.2 Tipos de un Sistema de Información
Más detallesMinería de Datos aplicada a la Detección de factores para la prevención de incidentes informáticos.
Minería de Datos aplicada a la Detección de factores para la prevención de incidentes informáticos. Corso Cynthia, García Alejandro, Ciceri Leonardo, Romero Fernando. Laboratorio de Sistemas de Información
Más detallesIntroducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
Más detallesPOSGRADOS. Maestría en Analítica e Inteligencia de Negocios
POSGRADOS Maestría en Analítica e Inteligencia de Negocios CRECE PROFESIONALMENTE y perfecciona tus habilidades y aptitudes En la Maestría en Analítica e Inteligencia de Negocios de la UNITEC adquieres
Más detalles1.1. El concepto de Estadística. Qué es y para qué sirve?
1.1. El concepto de Estadística. Qué es y para qué sirve? La Estadística se ocupa de la recolección, agrupación, presentación, análisis e interpretación de datos. A menudo se llaman estadísticas a las
Más detallesMcal. Antonio José de Sucre
ESCUELA MILITAR DE INGENIERÍA Mcal. Antonio José de Sucre Prestigio, Disciplina y Mejores Oportunidades VERSIÓN - 1 (DDCS-1) Mediante D.S. 2226, de 26 de octubre de 1950, elevada a rango de Ley Nro. 286
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 103000391 - PLAN DE ESTUDIOS 10AK - CURSO ACADÉMICO Y SEMESTRE 2018/19 - Primer semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesIntroducción a la Minería de Datos. Instituto de Computación - CPAP
Introducción a la Minería de Datos Instituto de Computación - CPAP 2018 Antecedentes Grandes cantidades de información son almacenadas en la actualidad: Web Data E-comercio Tiendas de autoservicio Bancos
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesUniversidad de Ciencias Empresariales y Sociales
Universidad de Ciencias Empresariales y Sociales Curso para Docentes Investigadores TALLER DE SPSS Tema 2 Organización de los datos Docente a cargo Segundo Cuatrimestre 2012 1 OBJETIVOS DE APRENDIZAJE
Más detallesAutomatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica
Automatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica Ronald René Vergara Pareja 1 Agenda Objetivo de la Investigación. Situación Actual de los Proyectos de Inversión Publica.
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesExperto en Data Mining
titulación de formación continua bonificada expedida por el instituto europeo de estudios empresariales Experto en Data Mining duración total: precio: 0 * modalidad: Online * hasta 100 % bonificable para
Más detallesDirección General de Estudios de Postgrado Área de Ingeniería Programa: Maestría Sistemas de Información
Dirección General de Estudios de Postgrado Área de Ingeniería Programa: Maestría Sistemas de Información Caracas, Abril 2016 Integrantes: Areiza, Elvis Pérez, Dalila Rivas, Juan Puntos a tratar: 1.- Almacén
Más detallesServei d Estadística Aplicada
Servei d Estadística Aplicada Asesoramiento experto y consultoría en todos los ámbitos de la Estadística En todo proyecto de investigación, la Estadística Analítica es la pieza clave para procesar información
Más detallesDATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY
DATA ANALYTICS EL VALOR INTRINSECO EN EL DATO INNOVATION QUANT ANALYSIS BIG DATA STRATEGY DATA ANALYTICS ANTES DE LA APARICIÓN DE INTERNET Y REDES SOCIALES Pentaquark posee una metodología que se basa
Más detallesPrograma Internacional. Programa Certificado en. Big Data
Programa Internacional Programa Certificado en Big Data A1 Introducción La revolución del Mundo Digital ha permitido que las personas encuentren un gran sinnúmero de información, en el cual el problema
Más detallesUnidad 1: Introducción a la Minería de Datos
Unidad 1: Introducción a la Minería de Datos Rafael Vázquez Pérez Sábados de 10-13 Agenda 1. Introducción 1.1 Porque Minar Datos? 1.2 Que es la Minería de Datos? 1.3 Que datos pueden ser minados? 2. Descubriendo
Más detallesMinería de Datos Para la Inteligencia de Negocios
Minería de Datos Para la Inteligencia de Negocios Luis Francisco Zaldivar, MSE www.modelacionderiesgos.com Porqué el Análisis de Datos Tradicional es Limitado? 1. Tremenda y creciente cantidad de información
Más detallesAnálisis exploratorio de datos. Análisis Exploratorio de Datos - Claudia Jiménez R
Análisis exploratorio de datos 1 Métodos de recolección de datos Censo Muestreo Diseño de experimentos Muestra Población Etdíti Estadística descriptiva Inferencia inductiva 2 Variables Son aquellas características
Más detallesBI (Business Intelligence o inteligencia de negocio) ING. MSC. GABRIELA BOBADILLA ING. LOURDES DELGADO ING. KATIA AYALA
BI (Business Intelligence o inteligencia de negocio) ING. MSC. GABRIELA BOBADILLA ING. LOURDES DELGADO ING. KATIA AYALA Cuántos de ustedes disponen de más información y de menos tiempo para analizarla?
Más detallesIMPORTANCIA DE LA MINERÍA DE DATOS EN LOS PROCESOS DE SUPERVISIÓN SUPERINTENDENCIA DE VALORES Y SEGUROS
IMPORTANCIA DE LA MINERÍA DE DATOS EN LOS PROCESOS DE SUPERVISIÓN SUPERINTENDENCIA DE VALORES Y SEGUROS Sonia Muñoz Chacón Jefa Area Informática Santiago, 9 de junio de 2011 INFORMACIÓN Definición: En
Más detallesPR1: Programación I 6 Fb Sistemas Lógicos 6 Obligatoria IC: Introducción a los computadores 6 Fb Administración de
CUADRO DE ADAPTACIÓN INGENIERÍA INFORMÁTICA - Campus Río Ebro Código Asignaturas aprobadas Créditos Carácter Asignaturas/Materias reconocida Créditos Carácter 12007 Cálculo 7,5 MAT1; Matemáticas I 12009
Más detallesCURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO Gestión empresarial de la información. Business Intelligence. Data Mining.
Más detallesCOMP 6315 Mineria de Datos
COMP 6315 Mineria de Datos CLASE 2: TIPO de Datos (basada en notas del Prof V. Kumar) Dr. Edgar Acuna Departmento de Matematicas Universidad de Puerto Rico- Mayaguez academic.uprm.edu/eacuna/comp3015.html
Más detallesInteligencia de Negoción con GlobalDataMED
Inteligencia de Negoción con GlobalDataMED Inteligencia de Negocios Soluciones de software que ayudan a las personas de todos los niveles de su organización de salud a tomar decisiones financieras, operativas
Más detallesDIPLOMADO EN DATA MINING
DIPLOMADO EN DATA MINING DIPLOMADO EN DATA MINING Los datos que tienen relevancia para las decisiones de gestión, se están acumulando a un ritmo increíble, debido a una serie de avances tecnológicos. La
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Qué nos interesa de la ESTADISTICA APLICADA? - El Análisis Descriptivo y Exploratorio de datos. - La obtención de muestras y el diseño de experimentos. - La Inferencia Estadística
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesÍNDICE. Parte 1 Información y tecnología de la investigación de mercados... 1
ÍNDICE Parte 1 Información y tecnología de la investigación de mercados... 1 Capítulo 1 Función de la investigación de mercados en la planeación estratégica... 2 Valor de la información de la investigación
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesRECURSOS DE TI Aplicaciones - Bibliografía USO DE BD PARA MEJORAR EL DESEMPEÑO EMPRESARIAL
Sistemas de Información para la Gestión UNIDAD 3: RECURSOS DE TECNOLOGÍA DE INFORMACIÓN Aplicaciones UNIDAD 3: RECURSOS DE TI Aplicaciones 1. Administración de bases de datos e información: Sistemas de
Más detallesAdministración de las Bases de Datos
Universidad Alonso de Ojeda Facultad de Ingeniería Administración de las Bases de Datos Base de Datos II Profesora: Anaylen López Base de Datos Distribuidas Concepto "Base de datos distribuida" es en realidad
Más detallesFACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
FACULTAD DE INGENIERÍA Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SILABO DE TOPICO ESPECIALES DE INGENIERÍA DE SISTEMAS E INFORMÁTICA I. DATOS GENERALES 1.0 Unidad Académica
Más detallesINDICE. Parte 1. Información y Tecnología de la Investigación de Mercados 1 Capitulo 1. Función de la Investigación de mercados en la
INDICE Parte 1. Información y Tecnología de la Investigación de Mercados 1 Capitulo 1. Función de la Investigación de mercados en la 2 Planeación Estratégica Valor de la información de la investigación
Más detallesComputación distribuida e inteligencia computacional aplicadas a ciudades inteligentes
Computación distribuida e inteligencia computacional aplicadas a ciudades inteligentes Sergio Nesmachnow, Renzo Massobrio, Sebastián Baña Universidad de la República, Uruguay AGENDA Ciudades inteligentes
Más detallesSISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS.
SISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS. MTIE. Erik Guerrero Bravo. Universidad Tecnológica Tula - Tepeji. Introducción Sistemas Transaccionales
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN En este capítulo, primero se introducirán algunos conceptos estadísticos básicos, luego se dará una definición y división de la estadística. Finalmente se hará una clasificación
Más detallesLa Minería de Datos y el Negocio:
La Minería de Datos y el Negocio: Aplicaciones, Metodologías y Técnicas María Esther Ordóñez O. -2008 Agenda Minería de Datos en el contexto de BI y DWH Aplicaciones de Minería de Datos Principales Tareas
Más detallesLAS 14 AREAS TEMATICAS DE LA COMPUTACIÓN
En los años 1986-1989 la ACM(Association for Computing Machinery) y la IEEE (Institute for Electrical and Electronic Engineers)Computer Society : Peter Denning y otros definen la Informática como disciplina
Más detallesCAPÍTULO 1. INTRODUCCIÓN
CAPÍTULO 1. INTRODUCCIÓN Las tecnologías de la información son herramientas que ayudan a las personas a tomar decisiones de forma eficiente y efectiva. Los Data Warehouse [16, 5], Minería de datos [9,
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN En este capítulo, primero se introducirán algunos conceptos estadísticos básicos, luego se dará una definición y división de la estadística. Finalmente se hará una clasificación
Más detallesIntroducción 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 detallesUNIDAD ACADÉMICA DE ESTUDIOS GENERALES ESTADÍSTICA
UNIDAD ACADÉMICA DE ESTUDIOS GENERALES ESTADÍSTICA Mg. AGUSTINA RAMÍREZ TORRES aramirez@wienergroup.com OBSERVEMOS LAS SIGUIENTES NOTICIAS: PENSIÓN PROMEDIO POR JUBILACIÓN Del total de 88.985 jubilados
Más detallesDesarrollo de Productos Editoriales Multimedia
Desarrollo de Productos Editoriales Multimedia REF: E101240 OBJETIVO Este conjunto de materiales didácticos se ajusta a lo expuesto en el itinerario de aprendizaje perteneciente al Certificado de Profesionalidad
Más detallesMinería Multimedia. Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, octubre 19 de 2017 Motivación
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INGENIERÍA EN COMPUTACIÓN (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN OTROS REQUERIMIENTOS Álgebra (1100) 1 Geometría Analítica (1102) 1 Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de las Matemáticas sea similar
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INFORMÁTICA (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN: OTROS REQUERIMIENTOS Teoría del Conocimiento (1156) 1 Filosofía Administración Básica (1157) 1 Administración o afín, Maestría en Administración Análisis, Diseño e
Más detallesFACULTAD DE INGENIERÍA
FACULTAD DE INGENIERÍA FORMACIÓN EN INGENIERÍA DE SOFTWARE Y BASES DE DATOS EN LOS ESTUDIANTES DE LA CARRERA DE ING. EN COMPUTACIÓN DE LA FI, UNAM EN EL PLAN DE ESTUDIOS 2015 MAYO, 2015 Porcentaje de alumnos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesAplicaciones empresariales
KDD y Data Minig Descubrimiento de Conocimiento en Bases de Datos Se define como la extracción no trivial de información implícita, desconocida, y potencialmente útil de los datos. La palabra descubrimiento
Más detallesGLOSARIO DE TÉRMINOS
Apéndice A, Apartado 3: Glosario de términos!401" APÉNDICE A, APARTADO 3 GLOSARIO DE S Administración de la calidad Conjunto de actividades de la función general de administración que determina la política
Más detallesTABLA DE CONTENIDO. Resumen Introducción Entorno relevante asociado al proyecto Contexto de la Industria...
TABLA DE CONTENIDO Resumen... 2 1 Introducción... 15 2 Entorno relevante asociado al proyecto... 16 2.1 Contexto de la Industria... 16 2.1.1 Mercado de metales en el mundo... 16 2.1.2 Industria Minera
Más detallesSOLUCIONES DE INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y EXPLOTACIÓN COGNITIVA
SOLUCIONES DE INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y EXPLOTACIÓN COGNITIVA Recientemente, tecnologías como la Inteligencia Artificial (IA) han avanzado significativamente, y han creado grandes oportunidades
Más detallesInteligencia de mercados e investigación en base de datos
Inteligencia de mercados e investigación en base de datos Objetivos de aprendizaje Conocer los elementos básicos de los diseños de inteligencia de mercados. Explicar el papel de la minería de datos en
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesEL ALMACENAMIENTO DE LA INFORMACIÓN
EL ALMACENAMIENTO DE LA INFORMACIÓN INFORMACIÓN : MATERIA PRIMA DE TODA ORGANIZACIÓN INFORMACIÓN DE CALIDAD = INFORMACIÓN ÚTIL PROCESAR LA INFORMACIÓN: EFICACIA y EFICIENCIA BURÓTICA: Conjunto de fases
Más detalles