Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -
|
|
- Sergio Ramírez Franco
- hace 8 años
- Vistas:
Transcripción
1 Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1
2 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos de datos Tipos de datos desde la perspectiva de Data Mining Actividad. Relación de Data Mining con otras áreas Relación de Data Mining con otras áreas Ejemplos preliminares de aplicación 2
3 Índice de contenidos (II) Actividad. Dominios de aplicación Aplicaciones de Data Mining Recopilación de datos Selección, limpieza y transformación de datos Actividad. Técnicas de selección Selección de datos Actividad. Técnicas de limpieza Limpieza de datos 3
4 Introducción a Data Mining (I) Dato: representación, mediante algún símbolo (número, letra, etc.), de un atributo de una determinada entidad Minería: arte que nada tiene que ver con la informática y que existe mucho antes que ésta Minería de datos? Disciplina de la informática que estudia el análisis de grandes cantidades de datos con el objetivo de obtener conocimiento a partir de ellos 4
5 Introducción a Data Mining (II) 5
6 1960s Introducción a Data Mining (III) Data fishing Data dredging 1990s Data Mining Por qué en 1990 experimentó su gran auge? 6
7 Introducción a Data Mining (IV) Gran cantidad de datos históricos de la operativa diaria de empresas e instituciones Cambio de visión Por qué no sacar partido de esos datos? Es posible obtener algo provechoso de ellos? 7
8 Introducción a Data Mining (V) Otros factores: Gran volumen de negocio y, por tanto, de datos, en las empresas Gran cantidad de datos en las disciplinas científicas: biología, medicina, astronomía, etc. Aparición de Internet Gran capacidad de cómputo y almacenamiento a precio razonable 8
9 Introducción a Data Mining (VI) No perdamos de vista: DM es una fase del proceso de KDD (quizá la más conocida, por lo que da su nombre a la disciplina) Fase posterior a la preparación de datos Genera como resultado los modelos de data mining Esos modelos han de ser evaluados, interpretados y, luego, utilizados 9
10 Actividad. Tipo de Datos Pensar en los diferentes tipos de datos que existen, en grupo y sin Internet Puesta en común 10
11 Tipos de datos (según Data Mining) (I) Los tipos de datos varían según la visión tomada: Booleano, string, entero, float, Programación de alto nivel Data Mining establece tipos de datos según lo que representan y la forma en la que han de ser tratados en función de eso: Magnitudes Cuantitativos Categorías Cualitativos 11
12 Tipos de datos (según Data Mining) (II) Cuantitativos: Discretos: Aquellos que pueden tomar un número limitado de valores diferentes. Por ejemplo, el número de estudiantes de una clase. Continuos: Aquellos para los que se cumple que, para cualquier par de valores, siempre se puede encontrar un valor intermedio. Por ejemplo, el peso de una persona. 12
13 Tipos de datos (según Data Mining) (III) Cualitativos: Nominales: Aquellos para los cuales existe una asignación puramente arbitraria de números o símbolos para cada una de las categorías. Por ejemplo, el color de una prenda de ropa. Ordinales: Aquellos para los cuales existe una relación de orden entre las categorías. Por ejemplo, el número de cita de cada paciente en la consulta de un médico. 13
14 Tipos de datos (según Data Mining) (IV) Otros datos no univaluados? Series temporales Documentos Datos espaciales Datos multimedia: sonidos, imágenes, vídeos, etc. Datos procedentes de la Web 14
15 Actividad. Relación con otras áreas Pensar en posibles áreas y disciplinas del saber con las que Data Mining está relacionada, en grupo y sin Internet Puesta en común 15
16 Relación de Data Mining con otras áreas (I) 16
17 Relación de Data Mining con otras áreas (II) Estadística. Muchas de las técnicas que se aplican en la minería de datos son o tienen su raíz en la estadística. De alguna manera, se podría decir que la estadística es la madre de la minería de datos, dado que muchos de los conceptos y técnicas de la estadística se aplican en minería de datos. Bases de datos. El proceso de KDD parte de datos que, habitualmente, se encuentran almacenados en bases de datos. Como se ha comentado anteriormente, dichos datos son preparados para su posterior análisis. 17
18 Relación de Data Mining con otras áreas (III) Visualización. El objetivo final de la minería de datos es obtener conocimiento que sea útil. Para lograrlo, es un requisito fundamental que ese conocimiento pueda ser visualizado por los expertos de cada dominio. De ahí la importancia de las técnicas de visualización (diagramas, gráficos, resúmenes, etc.) en el campo de la minería de datos. Aprendizaje Automático. El aprendizaje automático se encuentra profundamente ligado con la minería de datos, ya que ambos, de alguna manera, persiguen la obtención de modelos por medio de mecanismos automáticos. 18
19 Relación de Data Mining con otras áreas (IV) Otras. Además de las anteriores, la minería de datos también está relacionada con otras áreas como, por ejemplo: Los sistemas de apoyo a la decisión La recuperación de información El tratamiento y procesamiento de señales 19
20 Ejemplos preliminares de aplicación (I) Ejemplo 1 20
21 Ejemplos preliminares de aplicación (II) Ejemplo 1 Posible resultado: Grupo 1: Hombres, jóvenes (28 años de media) sin hijos, con un salario de unos 1200 euros, y con un consumo bajo (38,9 euros de media). Grupo 2: Hombres, de edad media (47 años de media) con hijos, con un salario de unos 1775 euros, y con un consumo alto (99,1 euros de media). Grupo 3: Mujeres, jóvenes (33 años de media) con un hijo, con un salario de unos 1250 euros, y con un consumo moderado (54,8 euros de media). 21
22 Ejemplos preliminares de aplicación (III) Ejemplo 2 22
23 Ejemplos preliminares de aplicación (IV) Ejemplo 2 Posible resultado: Si (Ingresos<1000) y (Edad=joven) y (Sexo=H) Devuelve_Préstamo = NO 23
24 Ejemplos preliminares de aplicación (V) Ejemplo 3 24
25 Ejemplos preliminares de aplicación (VI) Ejemplo 3 Posible resultado: Pan, Azúcar Leche 25
26 Ejemplos preliminares de aplicación (VII) Ejemplo 1 Clústering Ejemplo 2 Clasificación Ejemplo 3 Asociación 26
27 Actividad. Dominios de aplicación Pensar en posibles dominios de aplicación de Data Mining y problemas concretos que puede resolver dentro de ellos (en grupo y sin Internet) Puesta en común 27
28 Aplicaciones de Data Mining (I) Dominio Problemas abordados con minería de datos Negocios Fidelización de clientes. Publicidad personalizada. Captación de nuevos clientes. Aumento del volumen de ventas. Estudio de las tipologías de clientes. Banca y finanzas Detección del uso fraudulento de tarjetas de crédito. Estudio de la concesión de créditos a clientes. Predicción de la evolución de un valor bursátil. Compañías de seguros Detección de fraudes y simulaciones. Estudio de la concesión de coberturas a los clientes en función de sus características. Supermercados Análisis de la cesta de la compra (identificar productos que se compran juntos). Ubicación de productos dentro del supermercado. Campañas de publicidad dirigidas. 28
29 Aplicaciones de Data Mining (II) Dominio Problemas abordados con minería de datos Educación Predicción de la calificación de los estudiantes. Mejora del proceso de enseñanza-aprendizaje. Medicina Ayuda al diagnóstico de enfermedades. Estudio de la evolución de pacientes. Estudio de la efectividad de un tratamiento. Biología, genética y otras ciencias Estudio de las secuencias de genes en busca de patrones significativos. Predicción de catástrofes naturales. Predicción meteorológica. Internet Análisis del comportamiento de los usuarios en la Web. Estudio del contenido y estructura de los sitios web. Detección de correo basura (spam). Identificación de comportamientos fraudulentos en comercio electrónico. 29
30 Recopilación de datos Seleccionar datos de diferentes fuentes e integrarlos en algún lugar que permita el análisis Qué lugar? Data warehouse Proceso ETL Modelo multidimensional Posible esquema desnormalizado Los veremos más adelante 30
31 Selección, limpieza y transformación Una vez integrados los datos que constituyen el núcleo a analizar hay que. Elegir cuáles de ellos sirven exactamente para cada tarea de data mining a abordar (Selección) Eliminar o minimizar el ruido o errores que puedan contener (Limpieza) Adaptar los datos a los algoritmos que vayamos a utilizar en la tarea de data mining a abordar (Transformación) 31
32 Actividad. Técnicas de selección Pensar en posibles técnicas o estrategias de selección de datos (en grupo y sin Internet) Puesta en común 32
33 Selección de datos (I) Filtrado de atributos. Es posible que algunos de los atributos de los datos a analizar no sean de interés. Por ejemplo, si se tiene información acerca de los clientes de una compañía y uno de los atributos es el DNI, es más que probable que dicho atributo deba ser filtrado ya que, de cara a un posible análisis de datos, ese atributo no aporta nada. Filtrado de registros. En ocasiones, el objetivo puede ser eliminar algunos de los registros almacenados. Por ejemplo, es posible que la empresa anterior sólo esté interesada, en este momento, en los clientes cuya edad es mayor que un cierto umbral. 33
34 Selección de datos (II) Una de las razones para querer filtrar registros es trabajar con un subconjunto representativo más manejable MUESTRA Tipos de Muestreo: Muestreo aleatorio simple. En este caso, todos los elementos del conjunto completo de datos tienen igual probabilidad de ser extraídos en la muestra. Muestreo aleatorio estratificado. El objetivo de este tipo de muestreo es que todos los grupos o estratos que conforman el conjunto de datos completo, estén representados de forma equilibrada en la muestra. Muestreo de grupos. En este caso, solamente se seleccionan registros pertenecientes a un grupo determinado, por ejemplo, aquellos clientes de una compañía que consuman más de 200 euros mensuales en sus 34 productos.
35 Actividad. Técnicas de limpieza Pensar en posibles técnicas o estrategias de limpieza de datos (en grupo y sin Internet) Puesta en común 35
36 Limpieza de datos Dos motivos principales: Tratamiento de valores erróneos: código postal inexistente, edad en un rango absurdo, etc. Son propios de una mala gestión de errores en la aplicación para introducir los datos Tratamiento de valores faltantes (missing values): atributos de los que no se tiene su valor (datos personales) Son propios de los esquemas relacionales con atributos opcionales o, a veces, tienen significado: estado civil que no se desea desvelar, segundo apellido no existe en ciertos países, etc. 36
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesAprendizaje 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 detallesData Mining Técnicas y herramientas
Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 5 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 5 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Data Warehouse Modelo multidimensional Diagrama
Más detallesCOMUNICADO Nro. 49763 08/11/2010. Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49763 08/11/2010 Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
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 detallesManual de rol gestor de GAV para moodle 2.5
Manual de rol gestor de GAV para moodle 2.5 Consultas LDAP-GAUR... 2 Buscar en LDAP datos de un usuario... 2 Docentes... 3 Buscar en GAUR datos de un docente... 3 Buscar en GAUR la docencia de un docente
Más detallesTEMA 3: TRATAMIENTO DE DATOS EN MS. EXCEL (I)
VARIABLES Variable: característica de cada sujeto (cada caso) de una base de datos. Se denomina variable precisamente porque varía de sujeto a sujeto. Cada sujeto tiene un valor para cada variable. El
Más detallesEs de aplicación a todas aquellas situaciones en las que se necesita desplegar un objetivo para obtener una visión clara de cómo debe ser alcanzado.
DIAGRAMA DE AÁRBOL 1.- INTRODUCCIÓN Este documento describe el proceso de construcción de un Diagrama de Árbol, mediante el cual se dispone de una metodología simple y sistemática para la identificación
Más detallesVersión final 8 de junio de 2009
GRUPO DE EXPERTOS «PLATAFORMA PARA LA CONSERVACIÓN DE DATOS ELECTRÓNICOS PARA CON FINES DE INVESTIGACIÓN, DETECCIÓN Y ENJUICIAMIENTO DE DELITOS GRAVES» ESTABLECIDO POR LA DECISIÓN 2008/324/CE DE LA COMISIÓN
Más detallesTEMA 2: Representación de la Información en las computadoras
TEMA 2: Representación de la Información en las computadoras Introducción Una computadora es una máquina que procesa información y ejecuta programas. Para que la computadora ejecute un programa, es necesario
Más detallesv.1.0 Clase 5 Docente: Gustavo Valencia Zapata
v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería
Más detalleshay alguien ahi? por Marcelino Alvarez maralvilla@gmail.com
hay alguien ahi? por Marcelino Alvarez maralvilla@gmail.com Un repaso a las estadísticas de lectura tanto de la página web como de la revista digital, para ver si alguien se acuerda de nosotros. Ya podemos
Más detallesMÓDULO DE FIDELIZACIÓN
MÓDULO DE FIDELIZACIÓN ÍNDICE 1 DEFINICIÓN Y CONSIDERACIONES INICIALES...1 2 OBTENCIÓN DE PUNTOS Y DEFINICIÓN DE REGALOS...2 2.1. OBTENCIÓN DE PUNTOS...2 2.2. DEFINICIÓN DE REGALOS...3 3 CUENTA CORRIENTE
Más detallesLa metodologia Cuantitativa. Encuestas y muestras
La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma
Más detallesEL MODELO DE DATOS RASTER
EL MODELO DE DATOS RASTER El modelo de datos raster, como señala Bosque (1992), es el modelo de datos complementario al modelo vectorial presentado anteriormente. Tiene como principal característica el
Más detallesModelo de fuerza deportiva NOTA TÉCNICA
Modelo de fuerza deportiva NOTA TÉCNICA Contenido 1 Motivación 3 2 El modelo de fuerza deportiva 3 2.1 Supuestos del modelo 3 2.2 Críticas al modelo 4 2.3 Formulación 4 2.4 Estimación de los parámetros
Más detallesCentro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)
Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN
Más detallesGENERACIÓN DE ANTICIPOS DE CRÉDITO
GENERACIÓN DE ANTICIPOS DE CRÉDITO 1 INFORMACIÓN BÁSICA La aplicación de generación de ficheros de anticipos de crédito permite generar fácilmente órdenes para que la Caja anticipe el cobro de créditos
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesManual para la utilización de PrestaShop
Manual para la utilización de PrestaShop En este manual mostraremos de forma sencilla y práctica la utilización del Gestor de su Tienda Online mediante Prestashop 1.6, explicaremos todo lo necesario para
Más detallesBoletín de Asesoría Gerencial* Modelo Credit Scoring: Un paso hacia una gestión diferenciada y eficiente del riesgo de crédito
Espiñeira, Sheldon y Asociados No. 22-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesLa inteligencia de marketing que desarrolla el conocimiento
La inteligencia de marketing que desarrolla el conocimiento SmartFocus facilita a los equipos de marketing y ventas la captación de consumidores con un enfoque muy relevante y centrado en el cliente. Ofrece
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 12 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 12 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Fundamentos de clustering Ejemplo inicial Aplicaciones
Más detallesIngeniería del Software
Ingeniería del Software Curso 2010-2011 PuntoMatik German Rigau y Aingeru Mayor {german.rigau, aingeru.mayor}@ehu.es Ingeniería Técnica en Informática de Sistemas Facultad de Informática de San Sebastián
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesTransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion
TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede
Más detallesInteligencia aplicada a la protección de infraestructuras
Inteligencia aplicada a la protección de infraestructuras En la última década, la mayor conciencia sobre las amenazas potenciales hacia la seguridad sobre las personas y las infraestructuras han hecho
Más detallesMarketing One to One e Internet
Marketing One to One e Internet Paula Andrea Brienza Objetivos del Trabajo Analizar el desarrollo de una estrategia de Marketing One to One y las aplicaciones de Internet en el área de negocios, con el
Más detallesDescripción y tablas de especificaciones de las pruebas formativas. Área Matemática 2015
Descripción y tablas de especificaciones de las pruebas formativas Área Matemática 2015 De 3 de Primaria a 3 de Media Contenidos El referente conceptual de la evaluación... 3 CUADRO 1. TABLA DE ESPECIFICACIONES
Más detallesCuestionario: 1) Utilizas o haz utilizado la línea de colectivo 128? Sí, No? 2) Crees qué se encuentra en buen estado de servicio? Sí, No?
Cuestionario: 1) Utilizas o haz utilizado la línea de colectivo 128? Sí, No? 2) Crees qué se encuentra en buen estado de servicio? Sí, No? 3) El colectivo en su totalidad se encuentra en buen funcionamiento?
Más detallesTema 2. Variables y medidas
Curso de Estadística Aplicada a las Ciencias Sociales Tema 2. Variables y medidas Fuentes: Manual (2.1.) y Agresti (cap. 2) Tema 2. Variables y medidas Introducción 1. Variables, valores y escalas 2. Definición
Más detallesUnidad 1. Fundamentos en Gestión de Riesgos
1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.
Más detallesAdemás, 42 entidades de 60 permiten realizar al menos 5 extracciones sin cargo a través de cajeros propios.
2008 - Año de la Enseñanza de las Ciencias COMUNICADO Nro. 49231 30/04/2008 Ref.: Cajas de ahorro y Tarjetas de crédito. Tasas y costos promedio de las cajas de ahorro y tarjetas de crédito durante marzo
Más detallesTÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA
TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una
Más detallesVisión global del KDD
Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento
Más detallesCómo preguntarle a Internet? (tutorial)
Cómo preguntarle a Internet? (tutorial) Y a hemos aprendido acerca de las mejores herramientas de búsqueda, sobre distintos métodos, diferenciamos la Web Superficial de la Profunda y descubrimos sus características.
Más detallesLAS REGLAS DEL MERCADO HAN CAMBIADO
LAS REGLAS DEL MERCADO HAN CAMBIADO Hoy en día, cuando los consumidores escuchan sobre un producto, su primera reacción es Voy a buscarlo en Internet. Y emprenden una aventura de descubrimiento: sobre
Más detallesCASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION
CASO 3-5 EUROPEAN ALCOHOL RESEARCH FOUNDATION INTRODUCCIÓN Este caso describe el enfoque de caracterizaciones interculturales de consumidores (Cross Cultural Consumer Characterizations; 4C) de Young &
Más detallesIntroducción a Spamina
Spamina Introducción a Spamina El servicio de seguridad que se le ofrece al contratar el servicio de Exchange con Alestra es conocido como Spamina Cloud Email Firewall que protege de Spam, Virus y Phishing
Más detallesIngeniería 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 detallesCómo registrarse y crear su cuenta de usuario? < IMAGEN 2.1.1: HAZ CLIC SOBRE EL BOTÓN RESALTADO
Cómo registrarse y crear su cuenta de usuario? Si es la primera vez que visita la página, y nunca ha creado un usuario para poder acceder a todos los servicios que el sistema ofrece, deberá registrarse
Más detallesBASE DE DATOS UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA T.S.U. EN ESTADISTICA DE SALUD CATEDRA DE COMPUTACIÓN II. Comenzar presentación
UNIVERSIDAD DE LOS ANDES FACULTAD DE MEDICINA T.S.U. EN ESTADISTICA DE SALUD CATEDRA DE COMPUTACIÓN II BASE DE DATOS Comenzar presentación Base de datos Una base de datos (BD) o banco de datos es un conjunto
Más detalles1 Marketing Avanzado: Eventos y Campañas
Marketing Avanzado Campañas y Eventos Madrid, 5 de mayo de 2011 1 Marketing Avanzado: Eventos y Campañas SIGI real estate. Nuestro CRM Inmobiliario permite; El seguimiento detallado de los resultados de
Más detallesTécnicas de venta (nueva versión)
Técnicas de venta (nueva versión) Muestra cómo debe estar organizada una empresa centrándose en el departamento comercial, donde se definirá la figura del vendedor como un comercial que además de conseguir
Más detallesEPB 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 detallesIngeniería del Software I
- 1 - Ingeniería del Software I Introducción al Modelo Conceptual 2do. Cuatrimestre 2005 INTRODUCCIÓN... 2 CLASES CONCEPTUALES... 3 ESTRATEGIAS PARA IDENTIFICAR CLASES CONCEPTUALES... 3 Utilizar lista
Más detallesNOTAS TÉCNICAS SOBRE EL SIT: Definición y Configuración de Usuarios
NOTAS TÉCNICAS SOBRE EL SIT: Definición y Configuración de Usuarios Qué es un Usuario?...2 Definición...2 Características...2 Tipos de Usuario...3 Supervisor...3 Privilegios de Acceso...4 Confidenciales...4
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesBases de datos en Excel
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Bases de datos en Excel Hojas de cálculo Tema 5 Bases de datos en Excel Hasta ahora hemos usado Excel básicamente para realizar cálculos
Más detallesPrograma de Criminología UOC
Programa de Criminología UOC Trabajo Final de Grado Presentación Descripción La asignatura en el conjunto del plan de estudios Campos profesionales en que se proyecta Conocimientos previos Objetivos y
Más detallesUNIDAD I INTRODUCCIÓN. Funciones y aplicaciones de la estadística
UNIDAD I INTRODUCCIÓN Funciones y aplicaciones de la estadística 1 INTRODUCCIÓN Hay varias razones por las que el alcance de la estadística y la necesidad de estudiar la estadística han crecido de manera
Más detallesQué es la Estadística?
EYP2214 Estadística para Construcción Civil 1 Qué es la Estadística? La Estadística es una ciencia que proporciona un conjunto de métodos que se utilizan para recolectar, resumir, clasificar, analizar
Más detallesFORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES WEB
I.E.S. Aguadulce Aguadulce - Almería Departamento de Informática CICLO FORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES
Más detallesEste documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. www.fundibeq.org
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
Más detallesDescripción y tabla de especificaciones para prueba formativa Área Matemática Año 2014
Descripción y tabla de especificaciones para prueba formativa Área Matemática Año 2014 Contenidos 1. El referente conceptual de la evaluación... 1 CUADRO 1. TABLA DE ESPECIFICACIONES EN EL ÁREA DE MATEMÁTICA...
Más detallesTécnicas de valor presente para calcular el valor en uso
Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar
Más detallesI.E.S.MEDITERRÁNEO CURSO 2015 2016 DPTO DE MATEMÁTICAS PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O.
PROGRAMA DE RECUPERACIÓN DE LOS APRENDIZAJES NO ADQUIRIDOS EN MATEMÁTICAS DE 3º DE E.S.O. Este programa está destinado a los alumnos que han promocionado a cursos superiores sin haber superado esta materia.
Más detallesTesina. Considerada también un texto recepcional, la tesina es un informe científico breve y original con
Tesina Definición Considerada también un texto recepcional, la tesina es un informe científico breve y original con menor grado de aportación de conocimientos específicos que la tesis, pero con exigencias
Más detallesESPACIOS DE COMUNICACIÓN VIRTUAL
1 ESPACIOS DE COMUNICACIÓN VIRTUAL La comunicación es la base de la formación en un entorno virtual que facilita las necesidades esenciales de un buen aprendizaje. El entorno virtual desarrolla la comunicación
Más detallesCódigo del programa: PEMDE. Programa Experto en MANEJO DE DATOS CON EXCEL. Modalidad: Virtual. Descripción del programa
Código del programa: PEMDE Programa Experto en MANEJO DE DATOS CON EXCEL Modalidad: Virtual Descripción del programa 1 Presentación del programa Justificación Microsoft Excel es la herramienta de manejo
Más detallesSeguimiento y evaluación
Seguimiento y evaluación Por qué es necesario contar con herramientas para el seguimiento y la evaluación? Es la manera en que se puede evaluar la calidad e impacto del trabajo en relación con el plan
Más detallesCiencia y Sociedad ISSN: 0378-7680 dpc@mail.intec.edu.do Instituto Tecnológico de Santo Domingo República Dominicana
Ciencia y Sociedad ISSN: 0378-7680 dpc@mail.intec.edu.do Instituto Tecnológico de Santo Domingo República Dominicana Reseña de "GESTIÓN FINANCIERA" de María C. Verona Martel y José Juan Déniz Mayor. Ciencia
Más detallesGuía de aprendizaje Marketing aplicado y comunicación
Guía de aprendizaje Marketing aplicado y comunicación Año académico: 2013-2014 Máster en dirección, gestión e intervención en servicios sociales Profesor: Carolina Sorribas Morales 1 1.- Presentación de
Más detallesIntroducción a la Estadística con Excel
Introducción a la Estadística con Excel En el siguiente guión vamos a introducir el software Excel 2007 y la manera de trabajar con Estadística Descriptiva. Cargar o importar datos En Excel 2007 podemos
Más detallesUF0351: Aplicaciones informáticas de la gestión. comercial. TEMA 1. Utilización de aplicaciones de gestión en relación con clientesproveedores
UF0351: Aplicaciones informáticas de la gestión TEMA 1. Utilización de aplicaciones de gestión en relación con clientesproveedores (CRM) TEMA 2. Utilización de aplicaciones de gestión de almacén TEMA 3.
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática. Investigación Operativa Práctica 6: Simulación
UNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Investigación Operativa Práctica 6: Simulación Guión práctico: Generación de Números Aleatorios y Simulación Monte Carlo Curso 08/09 Objetivo: Aprender
Más detallesMinería de Datos. Universidad Politécnica de Victoria
Minería de Datos Universidad Politécnica de Victoria 1 Motivación Nuevas Necesidades del Análisis de Grandes Volúmenes de Datos El aumento del volumen y variedad de información que se encuentra informatizada
Más detallesTALLERES DE SOCIALIZACIÓN 2012
Contenido TALLERES DE SOCIALIZACIÓN 2012 Presentación Qué evalúa PISA? Prueba de alfabetización matemática Dimensiones de la evaluación Prueba de lectura Prueba de ciencias Prueba de solución de problemas
Más detallesAdministración de la producción. Sesión 10: Gestor de Base de Datos (Access)
Administración de la producción Sesión 10: Gestor de Base de Datos (Access) Contextualización Microsoft Access es un sistema de gestión de bases de datos, creado para uso personal y de pequeñas organizaciones,
Más detallesMINISTERIO DE EDUCACIÓN DIRECCIÓN DE EDUCACIÓN TÉCNICA Y PROFESIONAL PROGRAMA DE LA ASIGNATURA BASE DE DATOS ESPECIALIDAD INFORMÁTICA.
MINISTERIO DE EDUCACIÓN DIRECCIÓN DE EDUCACIÓN TÉCNICA Y PROFESIONAL PROGRAMA DE LA ASIGNATURA BASE DE DATOS ESPECIALIDAD INFORMÁTICA. AUTORES: MSC. MIREYA LÓPEZ DELGADO LIC. ESPINOSA. CUIDAD HABANA PROGRAMA
Más detallesInformática II Ing. Industrial. Data Warehouse. Data Mining
Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano
Más detalles1.- INTRODUCCIÓN 2.- PARÁMETROS
1.- INTRODUCCIÓN Hemos diseñado una aplicación que facilite el envío a las entidades bancarias de las de cobro por domiciliación. La entrada de esta aplicación pueden ser, tanto ficheros cuyos formatos
Más detallesPasos para elaborar un presupuesto. Un presupuesto nos permite: Algunos consejos:
Pasos para elaborar un presupuesto 1. Calcular los ingresos para un mes. 2. Hacer una lista de todos los gastos y la cantidad de dinero que necesita para cada uno de ellos durante el mes. 3. Sumar todos
Más detalles5.- ANÁLISIS DE RIESGO
5.- ANÁLISIS DE RIESGO El módulo de Análisis de Riesgo se caracteriza por desarrollar una herramienta formativa para la gestión, que permite al usuario identificar, analizar y cuantificar el riesgo de
Más detallesCorrespondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech
Correspondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech Resumen Todo documento XBRL contiene cierta información semántica que se representa
Más detallesArtículo dedicado a la Innovación y Mejores Prácticas en la Ingeniería de Negocios
Herramienta para Indicadores de Gestión Se ha dado cuenta de lo difícil que es conseguir que todos los miembros de su organización vean "la gran foto" y trabajen juntos para lograr los objetivos estratégicos
Más detallesPOLÍTICA DE EJECUCIÓN DE ÓRDENES
POLÍTICA DE EJECUCIÓN DE ÓRDENES Avda. Diagonal 463 pral. 2ª - 08036 Barcelona 1. Introducción 2. Objetivo 3. Ámbito 3.1. Instrumentos financieros 3.2. Clientes a. Tipología: Minoristas y Profesionales
Más detallesEvaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial
Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de
Más detallesSistemas de Gestión de Documentos Electrónicos de Archivo (SGDEA)
Sistemas de Gestión de Documentos Electrónicos de Archivo (SGDEA) Agenda 1. Introducción 2. Concepto Documento Electrónico 3. A que se le denomina Documento Electrónico 4. Componentes de un Documento Electrónico
Más detallesProyecto Human Brain
Proyecto Human Brain 2013 Human Brain Project Laboratorio Cajal de Circuitos Corticales (UPM-CSIC) Universidad Politécnica de Madrid El SP11 representa el primer paso hacia la consecución de los ambiciosos
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detallesResumen. Funcionamiento. Advertencia
Resumen Módulo: Librería: IMPEXP.DLL Acoplable a: FactuCont 5, versiones monopuesto y red Descripción: Permite exportar datos de documentos, clientes, proveedores y artículos en un solo fichero para poder
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesSi nunca has invertido en Bolsa, o te da miedo acercarte a este mercado, existe una alternativa para
SIMULADORES DE INVERSIÓN EN BOLSA [Por Joan Lanzagorta / Ilustración Jorge del Ángel] Si nunca has invertido en Bolsa, o te da miedo acercarte a este mercado, existe una alternativa para que puedas hacerlo
Más detallesactivuspaper Text Mining and BI Abstract
Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura
Más detallesÍndice INTERNET MARKETING 1
INTERNET MARKETING 1 Índice Manual de Google Analytics... 2 Qué es Google Analytics?... 2 Cómo funciona Google Analytics?... 2 Iniciar Sesión en Google Analytics... 3 Visualizar las estadísticas... 3 Resumen
Más detallesPréstamo Tipo Costo Financiero Total (CFT). Préstamos Generales Tasas, Montos y Condiciones de otorgamiento.
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49723 11/08/2010 Ref.: Préstamos Personales. Mayo de 2010. Préstamos Personales a Mayo de 2010 Préstamo Tipo Costo Financiero Total
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesCierre de Ejercicios Fiscales en el Sistema ASPEL-COI 4.0
Cierre de Ejercicios Fiscales en el Sistema ASPEL-COI 4.0 La creación de la póliza de cierre consiste en saldar las cuentas de resultados y determinar la pérdida o ganancia contable del ejercicio. Este
Más detallesMinería de datos (Introducción a la minería de datos)
Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24
Más detallesEsta prestación permite enviar las hojas de salario por e-mail a nivel de empresas, centros de trabajo o trabajadores.
Prestaciones de a3nom Plus Envío de Hojas de salario por mail Esta prestación permite enviar las hojas de salario por e-mail a nivel de empresas, centros de trabajo o trabajadores. Aviso Control de Datos
Más detallesI N T E R P R E T A T I V O
S E L E C C I Ó N D E S A R R O L L O L I D E R A Z G O H O G A N D E S A R R O L L O I N T E R P R E T A T I V O INVENTARIO DE RAZONAMIENTO DE NEGOCIOS DE HOGAN Reporte Para: High Score Usuario: UH007438
Más detallesLos sistemas y plataformas de negociación en España. Tipos de operaciones y órdenes
Jornadas sobre la modernización de los mercados y los retos de su supervisión La Antigua 2011 Los sistemas y plataformas de negociación en España. Tipos de operaciones y órdenes Francisco Millán Comisión
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detalles