Ejercicios de aplicación con Knime. Luis P. Guerra Velasco
|
|
- Luz Ortega de la Cruz
- hace 5 años
- Vistas:
Transcripción
1 Ejercicios de aplicación con Knime Luis P. Guerra Velasco May 8, 2008
2 2
3 Índice 1 Introducción 5 2 Ejercicios Preprocesado Clasificación no supervisada Clasificación supervisada
4 4 ÍNDICE
5 Capítulo 1 Introducción Este documento consiste en una serie de ejercicios de aplicación sobre la herramienta Knime. El objetivo de los mismos es comenzar a utilizar la herramienta de manera sencilla y, de esta manera, familiarizarse con los elementos que la forman y con sus posibilidades de desarrollo. Para realizar los ejercicios se utilizará una pequea muestra de un conjunto de datos reales de personas con cáncer de pecho a las cuales se les ha extirpado el tumor. Existe información sobre 77 pacientes y para cada uno de ellos, existen datos acerca de 70 valores genéticos y 7 datos clínicos (como la edad, el tamao del tumor, etc.), también existe información sobre si cada paciente ha sufrido recidiva en el cáncer posteriormente (variable de clase). También se utilizará un conjunto de datos igual que el anterior, pero con información sobre 19 pacientes, y que servirá como conjunto de test para validar los modelos que se obtengan. Analizando datos como el de este conjunto, se puede estimar si un nuevo paciente con estos mismos datos podría sufrir recidiva o no de un posible cáncer, por lo tanto, son datos y técnicas de una gran aplicación real a la vida diaria. Además de esta aplicación médica, existen otras muchas sobre las que puede trabajar la minería de datos (y, por lo tanto, Knime) como puede ser la estimación de si dar un crédito bancario a una persona conociéndo los datos sobre la misma, o realizar una estimación de ventas en una tienda por ejemplo. 5
6 6 CAPÍTULO 1. INTRODUCCIÓN
7 Capítulo 2 Ejercicios Los ejercicios se dividien en tres secciones, la primera dedicada a realizar un preprocesado de los datos. La segunda a realizar clasificación no supervisada, y por último, se utilizará Knime para realizar clasificación supervisada. Para la realización de estos ejercicios se supone que la herramienta Knime ha sido instalada, y que se le ha aadido la extensión para conectarla con la herramienta Weka (más información en Preprocesado 1. Cargar el fichero Initial.arff y analizar los datos obteniendo las estadísticas de los mismos. Realizar una captura de pantalla de las estadísticas correspondientes a los datos clínicos. 2. En caso de existir Missing Values, rellenarlos de la manera correspodiente utilizando el valor medio del resto de datos. 3. Existe relación directa entre el atributo Grade y la información de la clase? Visualizar los datos de alguna manera, capturando la imágen correspondiente, y explicar la relación en caso de existir. 4. Los atributos Grade, Angioinvasion y Lymphocytic, son datos discretos. En cambio, en la especificación del conjunto de datos, aparecen como continuos (de tipo Double). Utilizar el nodo correspondiente para cambiar el tipo de los tres atributos a String. Comprobar que los datos obtenidos corresponden a valores discretos (1,2,3, etc, en vez de 1.0, 2.0), en caso de no ser así, utilizar el nodo correspondiente para reemplazar estos valores. La salida de este nodo (o conjunto de nodos) deberá ser guardado en el disco duro en el lugar que se desee, ya que será la entrada para los ejercicios de clasificación no supervisada 5. Para realizar una clasificación supervisada posteriormente, es recomendable que todos los atributos sean discretos. Dado que hay atributos continuos, se pide realizar una discretización de los datos correspondientes utilizando el algoritmo de Kurgan and Cios. La salida de este nodo (o conjunto de nodos) deberá ser guardado en el disco duro en el lugar que 7
8 8 CAPÍTULO 2. EJERCICIOS se desee, ya que será la entrada para los ejercicios de clasificación supervisada 6. En el fichero test.arff no ha sido realizada la discretización, por lo tanto, se pide aplicar el modelo obtenido en el paso anterior para realizar la discretización correspondiente en el fichero de test. La salida de este nodo (o conjunto de nodos) deberá ser guardado en el disco duro en el lugar que se desee, ya que será la entrada para los ejercicios de clasificación supervisada 2.2 Clasificación no supervisada 1. Con el fichero obtenido en el paso 4 de la sección 2.1, se pide: Realizar, utilizando el algoritmo K-medias, un agrupamiento de 3 clusters del atributo Diameter. Obtener una captura de pantalla, diferenciando por colores los distintos clusters creados, de una representación por puntos donde se aprecien los clusters. Repetir el paso anterior, con el atributo Age y 4 clusters. Obtener el dendograma (en una captura de pantalla) creado al realizar clustering jerárquico del atributo ERp. Utilizar para ello distancia Euclidea y la media para realizar los enlaces. 2.3 Clasificación supervisada 1. Con los ficheros preprocesados en la sección 2.1, se pide (utilizando nodos originales de Knime): Obtener el valor de Accuracy para NaiveBayes. Obtener el valor de Accuracy, así como una captura del árbol generado, para C4.5 (J48) 2. Utilizando nodos de la extensión de Weka para Knime, se pide: Comprobar que los valores obtenidos en el paso anterior, son los mismos utilizando nodos de Weka (adjuntar capturas de pantalla). Obtener el valor de Accuracy para K-nn, con K = 1 y K = 2, utilizando Cross Validation (con 10 como número de validaciones).
Primeros pasos con Knime. Luis P. Guerra Velasco
Primeros pasos con Knime Luis P. Guerra Velasco May 7, 2008 2 Índice 1 Introducción 5 2 Instalación y extensiones 7 3 Preprocesado y manejo de datos 9 4 Clasificación no supervisada 13 5 Clasificación
Más detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 3:
Más detallesCURSOS DE VERANO 2014
CURSOS DE VERANO 2014 TÍTULO APROXIMACIÓN DEL CURSO PRÁCTICA A LA CIENCIA DE DATOS Y BIG DATA: HERRAMIENTAS KNIME, R, HADOOP Y TÍTULO PONENCIA MAHOUT NOMBRE PROFESOR Introducción a KNIME María José del
Más detallesInteligencia de Negocio Curso
Inteligencia de Negocio Curso 2018-2019 La asignatura Inteligencia de Negocio se centrará el estudio y diseño de técnicas de extracción de conocimiento utilizadas en el área de Business Analytics/ciencia
Más detallesInteligencia de Negocio Curso
Inteligencia de Negocio Curso 2017-2018 La asignatura Inteligencia de Negocio se centrará el estudio y diseño de técnicas de extracción de conocimiento utilizadas en el área de Business Analytics/ciencia
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 detallesPráctica 2: Utilización de WEKA desde la línea de comandos.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 2: Utilización de WEKA desde la línea de comandos. Objetivos: Utilización de WEKA desde la
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2017-2018 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Universidad Autónoma de
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesHerramientas de Software Libre para el aprendizaje automático.
Herramientas de Software Libre para el aprendizaje automático. Ing. Corso, Cynthia Lorena, Ing. Gibellini Fabián Departamento de Ingeniería en Sistemas de Información/Laboratorio de Sistemas de Información.
Más detallesAnalizando patrones de datos
Analizando patrones de datos SQL Server DM, Excel DM, Azure ML y R Ana María Bisbé York @ambynet http://amby.net/ Temario Introducción a Minería de datos MS Office Excel Herramientas de tabla y Minería
Más detallesTécnicas de Preprocesado
Técnicas de Preprocesado Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Por qué preprocesar p los datos? Técnicas de filtro Depuración
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesClustering: Auto-associative Multivariate Regression Tree (AAMRT)
Introducción Tipos Validación AAMRT Clustering: Auto-associative Multivariate Regression Tree (AAMRT) Miguel Bernal C Quantil 12 de diciembre de 2013 Miguel Bernal C Quantil Matemáticas Aplicadas Contenido
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 detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 11 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 11 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Resolución manual de clasificación bayesiana
Más detallesÍNDICE. Introducción... Capítulo 1. Técnicas de minería de datos y herramientas... 1
ÍNDICE Introducción... XI Capítulo 1. Técnicas de minería de datos y herramientas... 1 Clasificación de las técnicas de minería de datos y herramientas más comunes... 1 Modelado originado por la teoría
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
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 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 detallesPráctica 3: Almacenamiento de modelos con WEKA.
PROGRAMA DE DOCTORADO INTERUNIVERSITARIO APRENDIZAJE AUTOMÁTICO Y DATA MINING Práctica 3: Almacenamiento de modelos con WEKA. Objetivos: Almacenar modelos creados con WEKA. Utilizar un modelo previo para
Más detallesUN CAMPUS VIRTUAL A SU SERVICIO Universidad Internacional Menéndez Pelayo. Guía rápida para conocer lo esencial del CAMPUS
Guía rápida para conocer lo esencial del CAMPUS Un usuario se identifica ante el sistema con un único login (nº de matrícula) y un password (DNI + 1 apellido) proporcionado por el administrador del campus.
Más detallesNEWTON TREES. Árboles de Estimación Estocástica de Probabilidades:
Tesis de Máster en Ingeniería del Software, Métodos Formales y Sistemas de Información Árboles de Estimación Estocástica de Probabilidades: NEWTON TREES Autor: Fernando Martínez Plumed 1 Directores: Cèsar
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T12: Aprendizaje no Supervisado {jdiez, juanjo} @ aic.uniovi.es Índice Aprendizaje no Supervisado Clustering Tipos de clustering Algoritmos Dendogramas 1-NN K-means E-M Mapas auto-organizados
Más detallesDESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER Big Data
DESARROLLO APLICACIONES BUSINESS INTELLIGENCE CON MS SQL SERVER 2016 + Big Data DESCRIPCIÓN Este curso está orientado a brindar a los alumnos los fundamentos necesarios en el campo del Business Intelligence
Más detallesANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS)
ANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS) AGRUPAMIENTOS Cuál agrupamiento es mejor? MÉTODOS DE AGRUPACIÓN Métodos jerárquicos: Los objetos se agrupan (dividen) i por partes hasta clasificar todos los
Más detallesGUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO. CURSO ACADÉMICO - SEMESTRE Primer semestre
GUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre FECHA DE PUBLICACIÓN Julio - 2015 Datos Descriptivos Nombre de la Asignatura
Más detallesAGENCIA PÚBLICA ANDALUZA DE EDUCACIÓN
AGENCIA PÚBLICA ANDALUZA DE EDUCACIÓN CONSEJERÍA DE EDUCACIÓN MANUAL USUARIO APLICACIÓN WEB PROVEEDORES Fecha de Última Actualización: 24/09/2015 11:40:00 Versión: V01 Hoja de Control de Documento Documento
Más detallesMinería de Datos Web. Cursada 2018
Minería de Datos Web Cursada 2018 Proceso de Minería de Texto Clustering de Documentos Clasificación de Documentos Es un método supervisado para dividir documentos en base a categorías predefinidas Los
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
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 detallesTópicos Selectos en Aprendizaje Maquinal. Clasificación y Regresión con Datos Reales
Tópicos Selectos en Aprendizaje Maquinal Guía de Trabajos Prácticos N 2 Clasificación y Regresión con Datos Reales 18 de septiembre de 2014 1. Objetivos Introducir conceptos básicos de aprendizaje automático.
Más detallesDESCRIPCIÓN DE LA CONFECCIÓN ON LINE DEL MODELO 620
DESCRIPCIÓN DE LA CONFECCIÓN ON LINE DEL MODELO 620 Octubre 2011 1. INTRODUCCIÓN... 3 2. FUNCIONALIDADES. DESCRIPCIÓN.... 3 2.1. GUARDAR... 3 2.2. CARGAR... 3 2.3. VALIDAR XML... 4 2.4. GUARDAR PLANTILLA...
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallesConclusiones. Somos la suma de nuestras decisiones. WOODY ALLEN Delitos y Faltas (1989)
Capítulo 7 Conclusiones Somos la suma de nuestras decisiones WOODY ALLEN Delitos y Faltas (1989) En este trabajo se ha presentado una nueva estrategia para construir árboles de decisión que ha conseguido
Más detallesMINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES
MINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES Rubén Gómez-Chacón Camuñas rgomezch@ing.uc3m.es Javier Jimenez Dorado jjdorado@ing.uc3m.es RESUMEN En este artículo vamos a tratar un problema de minería
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 detallesDESCRIPCIÓN DE LA CONFECCIÓN ON LINE DEL MODELO 600
DESCRIPCIÓN DE LA CONFECCIÓN ON LINE DEL MODELO 600 Octubre 2011 1. INTRODUCCIÓN.... 3 2. FUNCIONALIDADES. DESCRIPCIÓN... 3 2.1. GUARDAR... 3 2.2. CARGAR... 3 2.3. VALIDAR XML... 4 2.4. GUARDAR PLANTILLA...
Más detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
Más detallesSistemas Inteligentes de Gestión. Guión de Prácticas de Minería de Datos. Práctica 2. Reglas de Asociación
Sistemas Inteligentes de Gestión Guión de Prácticas de Minería de Datos Práctica 2 Reglas de Asociación Juan Carlos Cubero & Fernando Berzal FICHEROS DE DATOS Titanic.arff Datos de empleados.sav agaricus-lepiota.csv
Más detallesMétodos no supervisados: Agrupamiento
Métodos no supervisados: Agrupamiento Agrupamiento clustering- Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Introducción. Basados en particiones 3. Métodos
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 detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesMódulo Minería de Datos Diplomado. Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS
Módulo Minería de Datos Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Error de clasificación Algoritmo de aprendizaje h Entrenamiento DATOS Evaluación
Más detallesQuanto. Descripción del procedimiento de cargas masivas. desde ficheros externos MINISTERIO DE HACIENDA Y FUNCIÓN PÚBLICA.
SECRETARÍA DE ESTADO DE PRESUPUESTOS Y GASTOS INTERVENCIÓN GENERAL DE LA SUBDIRECCIÓN GENERAL DE APLICACIONES DE PRESUPUESTOS Y FONDOS COMUNITAROS Quanto Descripción del procedimiento de cargas masivas
Más detallesGrado en Ingeniería Informática Estructura de Datos y Algoritmos, Grupo 81M, 2014/ de Marzo de
Grado en Ingeniería Informática Estructura de Datos y Algoritmos, Grupo 81M, 2014/2015 11 de Marzo de 2015 Nombre y Apellidos:... PROBLEMA 1 (1 punto) Programación Orientada a Objetos. Un club deportivo
Más detallesIntroducción Clustering jerárquico Clustering particional Clustering probabilista Conclusiones. Clustering. Clasificación no supervisada
Clustering Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Clustering jerárquico 3 Clustering particional 4 Clustering probabilista 5 Conclusiones Introducción Objetivos
Más detallesPredicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador INTRODUCCIÓN El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre
Más detallesElabora en un documento PDF la instalación y configuración de servicios de clusters en Windows 2008 Server.
Elabora en un documento PDF la instalación y configuración de servicios de clusters en Windows 2008 Server. Con los clúster conseguiremos alta disponibilidad, que si se nos cae uno de los servidores (nodo)
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesAseguramiento de la calidad y pruebas de software
Y yo qué hago aquí? Weka Aseguramiento de la calidad y pruebas de software 5- Pruebas del software 2a parte estándar IEEE-1012 Automatización de pruebas unitarias 1a parte Blanca A. Vargas Govea vargasgovea@itesm.mx
Más detallesIngeniería de Requisitos y Orientación a Objetos: un enfoque práctico con IRqA
Ingeniería de Requisitos y Orientación a Objetos: un enfoque práctico con IRqA SIMO TCI 2002 TCP Sistemas e Ingeniería E-mail: info@irqaonline.com www.irqaonline.com Qué es IRqA? Herramienta CASE de Ingeniería
Más detallesDecidiendo en 3D. Soluciones de Negocio
Decidiendo en 3D Soluciones de Negocio Desarrollo Propio Dedicado a la Decisión Bayesiana 1 www.aparasw.com Arquitectura Objetivo de la presentación Objetivo de la presentación 2 www.aparasw.com El Porqué
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 detallesPrimera Sesión. Objetivos.-
Primera Sesión. Exponer todas las funcionalidades del sistema. Definir los niveles y estructuras a utilizar tanto en el plan de cuentas, como en centros de costos, etc. Inicializar el sistema Parametrizar
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 detallesAPLICACIÓN DE RESERVAS Y FACTURACIÓN ONLINE
APLICACIÓN DE RESERVAS Y FACTURACIÓN ONLINE Guía del usuario v1.0 Mayo 2011 Página 1 Introducción - La aplicación de reservas y facturación online de Zonaregalo.com es una aplicación dedicada exclusivamente
Más detallesHerramientas de Minería de datos: WEKA (Waikato Environment for Knowledge Analysis)
Herramientas de Minería de datos: WEKA (Waikato Environment for Knowledge Analysis) Juan A. Botía Blaya juanbot@um.es November 27, 2007 1 Introducción En esta práctica, vamos a ilustrar el uso de Weka
Más detallesVISUALBITOOL: Una Herramienta para la Visualización de Datos en Inteligencia de Negocios MANUAL DEL USUARIO
VISUALBITOOL: Una Herramienta para la Visualización de Datos en Inteligencia de Negocios MANUAL DEL USUARIO Grupo de Investigación GRIAS- KDD Departamento de Sistemas Facultad de Ingeniería Universidad
Más detallesComunidades. Buscando grupos naturales de nodos
Comunidades Buscando grupos naturales de nodos cliques, -componentes (Newman 7.8.1, 7.8.2) similaridad (N7.12) Geometria: means topologia: equivalencia estructural vs equivalencia regular Clustering jerarquico
Más detallesAprendizaje inductivo no basado en el error Métodos competitivos supervisados.
Aprendizaje inductivo no basado en el error Métodos competitivos supervisados. Aprendizaje basado en instancias Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesÍndice. agradecimientos... 13
Índice agradecimientos... 13 INTRODUCCIÓN... 15 CAPÍTULO 1. CARACTERIZACIÓN DE SISTEMAS OPERATIVOS... 17 1.1 El sistema informático... 18 1.1.1 Clasificación de los sistemas informáticos... 20 1.1.2 Estructura
Más detallesINDICE. CONFIGURACION Sistema SRD - UdeConf SR-200 SISTEMA ASISTENCIAL SRD. CONFIGURACION - SISTEMA ASISTENCIAL SRD - UdeConf SR-200 Rev.
CONFIGURACION Sistema SRD - UdeConf SR-200 INDICE Página SISTEMA OPERATIVO WINDOWS DE 32 o 6 bits 2 INSTALACION SOFTWARE CONEXIONADO CONFIGURACION DEL SISTEMA ASISTENCIAL SR-200 Configuración Abrir / Salvar
Más detallesINDICE. Sistema INTERCOM-200. CONFIGURACIÓN Sistema INTERCOM Udeconf-ID200. Página 2. SISTEMA OPERATIVO WINDOWS DE 32 o 64 bits
Sistema INTERCOM-200 CONFIGURACIÓN Sistema INTERCOM-200 - Udeconf-ID200 INDICE SISTEMA OPERATIVO WINDOWS DE 32 o 6 bits INSTALACION SOFTWARE CONEXIONADO CONFIGURACION DEL SISTEMA INTERCOM-200 Configuracion
Más detallesManual del Portal del estudiante
Manual del Portal del estudiante Bienvenido! Desde el portal del estudiante se puede consultar el expediente académico, las calificaciones y los reconocimientos realizados, así como actualizar los datos
Más detallesCARACTERÍSTICAS GENERALES
CARACTERÍSTICAS GENERALES Nombre del programa Licenciatura de Ingeniería en Sistemas Inteligentes, 2007 Título que otorga Ingeniero/a en Sistemas Inteligentes Espacio donde se imparte Unidad Académica
Más detallesManual de usuario del programa para la presentación de solicitudes de ayudas
programa para la presentación de Mayo 2012 (v1.0) Índice. 1. Introducción... 3 2. Requisitos para ejecutar la aplicación... 3 3. Descarga de la aplicación... 4 4. Funcionamiento general de la aplicación...
Más detallesSistemas Inteligentes de Gestión. Guión de Prácticas de Minería de Datos. Práctica 4. Clasificación y regresión
Sistemas Inteligentes de Gestión Guión de Prácticas de Minería de Datos Práctica 4 Clasificación y regresión Juan Carlos Cubero & Fernando Berzal FICHEROS DE DTOS Datos de empleados.sav Mundo 95.sav agaricus-lepiota.csv
Más detallesMáquinas de vectores soporte con R
Máquinas de vectores soporte con R Datos Cargamos la librería en la que se encuentran las funciones que vamos a utilizar y el fichero con los datos necesarios: library(mass) library(e1071) load(url('http://www.uam.es/joser.berrendero/datos/practica-svm-io.rdata'))
Más detallesTRABAJO PRÁCTICO III: Minería de datos. PARTE 01: Arboles de decisión (J48)
TRABAJO PRÁCTICO III: Minería de datos PARTE 01: Arboles de decisión (J48) Introducción: En este trabajo se implementa el primero de una serie de algoritmos que se presentarán durante la materia para realizar
Más detallesTécnicas Multivariadas Avanzadas
Métodos basados en árboles Universidad Nacional Agraria La Molina 2014-2 Introducción Introducción Se describen métodos basados en árboles para regresión y clasicación. Estos métodos requieren estraticar
Más detallesCreación y seguimiento de peticiones de servicio
Qué es una petición de servicio? Peticiones de intervenciones planificadas que se encuentran dentro de un catálogo específico y que requieren de la acción de algún departamento de IT. Nueva petición de
Más detallesImplantación de soluciones de Alta Disponibilidad
2013 Implantación de soluciones de Alta Disponibilidad Adrián de la Torre López adriandelatorsad.wordpress.com 06/03/2013 Este proceso lo deberemos realizar con todos los nodos del clúster, primero lo
Más detallesMinería a de Datos. plataforma WEKA. Ismael Fernández Castellano Telmo Calle Facal
Minería a de Datos Predicción n meteorológica con la plataforma WEKA Ismael Fernández Castellano Telmo Calle Facal Introducción Buscamos un sistema de caracterización meteorológica a partir de datos tomados
Más detallesGráficos estadísticos
Gráficos estadísticos Francisco García (fgarcia@cipf.es) CIPF s Research Development Programme 29 de octubre de 2014 Índex 1 Introducción 2 Gráficos con R Qué es R? Ejemplos y ejercicios 3 Herramientas
Más detallesAnexo 2. Te cnicas de Modelado y Disen o de Pruebas
Anexo 2. Te cnicas de Modelado y Disen o de Pruebas Contenido 1. Introducción... 2 2. Técnicas de Minería de Datos Seleccionadas... 2 2.1 Técnica de Reglas de Asociación... 2 2.1.1 Objetivo al aplicar
Más detalleshttps://sede.seg-social.gob.es/sede_1/lanzadera/index.htm?url=96
Acceder al programa de Autocálculo de la Pensión de Jubilación haciendo click en el siguiente link https://sede.seg-social.gob.es/sede_1/lanzadera/index.htm?url=96 Pulsar "Continuar" si queremos dar de
Más detallesCORPME GUÍA ABREVIADA DE PRESENTACIÓN DE CUENTAS TELEMÁTICAMENTE. Manual de usuario. Autor/es:
CORPME GUÍA ABREVIADA DE PRESENTACIÓN DE CUENTAS TELEMÁTICAMENTE Autor/es: Colegio de Registradores Última modificación: 08 de febrero de 2010 ÍNDICE 1 GENERAR PRESENTACIÓN DE CUENTAS... 3 1.1 PRESENTACIÓN
Más detallesPráctica WEKA. Edwar Javier Herrera Osorio Gestión del Conocimiento. UAN
Práctica WEKA Edwar Javier Herrera Osorio Gestión del Conocimiento. UAN El entorno de trabajo del Weka Este software ha sido desarrollado bajo licencia GPL lo cual ha impulsado que sea una de las suites
Más detallesRetenciones e ingresos a cuenta. Rentas o rendimientos procedentes del arrendamiento o subarrendamiento de inmuebles urbanos.
MODELO 115 Retenciones e ingresos a cuenta. Rentas o rendimientos procedentes del arrendamiento o subarrendamiento de inmuebles urbanos. Antes de Comenzar a Usar el Módulo Para realizar la presentación
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 detallesRevisión de distribuciones
Revisión de distribuciones Sistema de Auditoría Unidad Técnica de Fiscalización Índice Inicio de Sesión... 3 Selección de Configuración... 4 Menú y barra de acciones... 5 Bandeja de contabilidades... 7
Más detallesWeka: Waitako Environment for Knowledge Analysis
Weka: Waitako Environment for Knowledge Analysis Introducción Explorer Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenidos Fuentes Introducción The Explorer Introducción
Más detallesSecretaría de la Función Pública Unidad de Recursos Humanos y Profesionalización de la APF.
Secretaría de la Función Pública Unidad de Recursos Humanos y Profesionalización de la APF. Sistema de Validación de la Valuación y del Nivel del Tabulador (SIVAL) Manual de Usuario Índice ANTECEDENTES...
Más detallesPara comenzar con la integración de la información se deben realizar los siguientes pasos:
Hoja 14 DE 24 Para comenzar con la integración de la información se deben realizar los siguientes pasos: 1) Selecciona en el menú principal la ruta: Integración / Integración de información / Capturar
Más detallesEXTENSIÓN: Kosmo Desktop v2.0. Origen de datos CSV
EXTENSIÓN: Kosmo Desktop v2.0 Origen de datos CSV Versión 1.0 25/11/2009 KOSMO DESKTOP v2.0 2 0 Licencia Puede visualizar la licencia completa en castellano en el siguiente enlace: http://creativecommons.org/licenses/by-sa/3.0/es/legalcode.es
Más detallesModelos de Desarrollo de Programas Práctica Curso Sistema de Gestión de Equipos Informáticos
Introducción Modelos de Desarrollo de Programas Práctica Curso 2003 2004 Sistema de Gestión de Equipos Informáticos Se desea desarrollar un sistema informático que gestione los equipos y los programas
Más detallesPresentación telemática de escritos
Presentación telemática de escritos Guía para nuevos operadores jurídicos ÍNDICE 1. Introducción... 3 1.1. Por qué esta guía y qué objetivo tiene?... 3 1.2. A quién se dirige esta guía?... 3 2. Acceso
Más detallesQUE ES CONTASAT? PARA QUE SIRVE?
QUE ES CONTASAT? Contasat es la nueva y única herramienta que deberás utilizar para validación e ingreso de tus facturas digitales a partir del 09 de Mayo de 2016, no existirá ningún otro medio ni correo
Más detallesGUÍA DE COMANDOS MS-DOS
GUÍA DE COMANDOS MS-DOS 1. Abrir una consola de comando MSDOS (cmd), en su computadora: 2. Saber que versión de DOS se tiene instalado en el Windows, colocar: 3. Cambiar de la Unidad o volumen C:\> a la
Más detallesCONTABILIZACIÓN AUTOMÁTICA DE LA LIQUIDACIÓN DE PARTÍCIPES Y COLABORADORES
CONTABILIZACIÓN AUTOMÁTICA DE LA LIQUIDACIÓN DE PARTÍCIPES Y COLABORADORES 1 de 1 Contabilización automática de la liquidación de partícipes y colaboradores Tenemos la posibilidad de contabilizar los apuntes
Más detallesSOLUCIÓN A PROBLEMAS DE VISUALIZACIÓN DE FICHEROS SWF (Flash)
SOLUCIÓN A PROBLEMAS DE VISUALIZACIÓN DE FICHEROS SWF (Flash) MEC-2007 (22/02/2007) 1 1. Por qué no puedo ver los ficheros swf? Origen del problema Cuando utilizamos los recursos desde una copia en local
Más detallesManual de Captura e Integración de los DTE Recibidos
Manual de Captura e Integración de los DTE Recibidos 1. Captura de un DTE Un Contribuyente Electrónico además de ser un emisor de documentos electrónicos, tiene que ser necesariamente un receptor de DTE
Más detalles