Aux 1. Introducción a la Minería de Datos
|
|
- Laura Méndez Gil
- hace 5 años
- Vistas:
Transcripción
1 Aux 1. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial Universidad de Chile 2010
2 Información General del Curso - Evaluaciones [1] Auxiliares Uso de herramientas computacionales (RapidMiner, Matlab, etc.) Conocimientos básicos de bases de datos, estadística, probabilidades, optimización y algebra lineal. Revisión materia, teoría y aplicación práctica con RapidMiner (v5.0). Tareas No es obligatorio programar Tareas incrementales en dificultad Conocimiento acumulativo. Grupos de 3-4 personas. Informes: Portada, Introducción, metodología propuesta, resultados, análisis y conclusiones, referencias, código. Entregas vía u-cursos.
3 Información General del Curso - Evaluaciones [2] CTPs 4 Lecturas (papers de páginas) CTPs de 30 a 45 minutos basados en la lectura. CTPs sorpresa en clases de cátedra (serán considerados como CTP7) Resolución de un caso (CTP5), presentación invitado (CTP6) Examen Toda la materia del semestre. Con apuntes.
4 Información General del Curso - Evaluaciones [3] Notas CTPs = 7 ( i=1 N.CTP i 5,0) Tareas = 4 ( i=1 N.Tarea i 4,0) Examen = 1 (N.Ex 4,0) N.Final 4,0 Nota final N.Final = 0,2 [ 1 7 [ 7 1 N.CTP i ]+0,4 4 i=1 4 N.Tarea i ]+0,4 N.Ex i=1
5 Calendario Actividades Semana Fecha Actividad Aux 1 - Introducción al curso Aux Aux 3 - CTP Aux 4 - Tarea Aux Aux 6 - CTP Aux 7 - Tarea Vacaciones Mitad de Semestre Aux Aux 9 - CTP Aux 10 - Tarea Aux Aux 12 - CTP Aux 13 - Tarea Aux Examenes Examenes
6 Motivación Bases de Datos permiten almacenar datos. Datos son utilizados para la generación de Información. Información utilizada para generar conocimiento. Sistemas basados en información y conocimiento originados en ambientes preferentemente analíticos. Capacidad de almacenamiento y procesamiento actuales han hecho posible tener aplicaciones en sistemas operacionales. Estos conceptos son la base del proceso KDD 1 [Fayyad et al., 1996]. Data Warehousing [Chaudhuri and Dayal, 1997, Inmon, 2005, Kimball and Ross, 2002]. Minería de Datos [Witten and Frank, 2005, Tan et al., 2005] Machine Learning [Mitchell, 1997] (Supervised Learning, Unsupervised Learning) 1 KDD: Knowledge Discovery in Databases
7 Aprendizaje Supervisado Dataset x 1,1... x 1,A x 2,1... x 2,A X =..., Y = x N,1... x N,A y 1 y 2. y N X = {x i } N i=1, x i = (x i,1,..., x i,a ), i {1,..., N} Y = (y 1,..., y N ) T Probabilidad que cliente j pague el credito y = f (X ) y j = P( pague el credito x j )
8 Aprendizaje No Supervisado Dataset x 1,1... x 1,A x 2,1... x 2,A X =..., k x N,1... x N,A X = {x i } N i=1, x i = (x i,1,..., x i,a ), i {1,..., N} k N + Segmento del cliente j {c i } k i=1 f (X, k) y j = arg mín i d(x j, c i ), i {1,..., k}
9 Escenario Actual [1]
10 Escenario Actual [2] BDs interactúan sin excepciones con todos los departamentos y áreas dentro de las empresas. Toda transacción realizada en una empresa queda (debería quedar). Transacción registrada en algún tipo de BD. Concepto de BD es más amplio que un Sistema Administrador de Bases de Datos relacional.
11 Bases de datos Operacionales BD Operaciones transaccionales del día a día (OLTPs 2 ). Responden a la gran cantidad de transacciones presentes en las empresas. Transacciones cortas con pocos datos. Ejemplos: Enterprise Resource Planning (ERPs) Manufacturing Resource Planning (MRPs) Portales y aplicaciones Web (miles o millones de usuarios cada día) Transacciones Bancarias (Instituciones Financieras) Interacción con Puntos de Ventas (POS) OLTP integrados con Web Services (SOA) 2 OLTP: On-Line Transactional Processing
12 Aplicación: Data Warehousing Figura: Más detalles en Aux. 2 y curso IN840 (Data Warehousing).
13 Aplicación: KDD Figura: Se revisará en profundidad todo el semestre.
14 Data Mining: Ejemplos Determinar la probabilidad que un cliente pague el crédito (Credit Scoring) Predicción de fuga de clientes en una empresa de telecomunicaciones (Churn Analysis) Estimación de demanda en Retail (Regression Analysis) Segmentación de mercado (Clustering Analysis) Determinar niveles de influencia entre usuarios α en Twitter, Facebook, Linked-in (Social Media Mining) Determinación de falla de maquinaria en base a características de algún proceso ( T, P, etc.) Análisis de blogs, noticias y reportes para determinar la opinión ante una empresa (Opinion Mining) Optimización de procesos de negocio y determinación de cuellos de botella (Process Mining) Hot-Spot Analysis para predicción de niveles de criminalidad (Geo-Mining)
15 CRISP-DM [1] CRoss Industry Standard Process for Data Mining Diseñado 1999 por un consorcio de 4 empresas SPSS (U.K.) NCR / TeraData (Dinamarca) DaimlerChrysler (Alemania) OHRA (Holanda) Metodología que pretende estandarizar los proyectos de Minería de datos.
16 CRISP-DM [2]
17 CRISP-DM: Comprensión del Negocio [1] 1 Determinación de los objetivos de negocio Determinación del contexto Determinación de los objetivos del negocio Criterios de éxito del negocio 2 Situación actual Disponibilidad de recursos Requerimientos y restricciones Riesgos y contingencias Costos y beneficios 3 Determinación de Objetivos del proyecto Definición de los objetivos Definición de los criterios de éxito 4 Producción del plan del proyecto Desarrollo del plan de proyecto Asesoría inicial de herramientas y técnicas
18 CRISP-DM: Comprensión y Preparación de los Datos Comprensión de datos 1 Recolección inicial, Descripción, Exploración y Verificación de datos Preparación de datos 1 Selección de datos En base al tamaño de la muestra a utilizar 2 Limpieza de datos Selección de atributos y de observaciones 3 Construcción de datos Transformación y construcción de atributos 4 Integración de datos Integración y definición de tabla maestra 5 Formato de datos
19 CRISP-DM: Modelamiento y Evaluación 1 Seleccionar técnicas para modelar el problema 2 Diseño de pruebas y validación del modelo 3 Construcción del modelo Determinación de los parámetros Determinación de los modelos 4 Evaluación del modelo Evaluación del modelo Revisión de factores de éxito del proyecto 1 Evaluación de resultados Revisión y aprobación de los resultados 2 Revisión del proceso 3 Determinación de los pasos a seguir Definición de lista de posibles acciones a tomar Toma de decisiones sobre la lista anterior
20 CRISP-DM: Despliegue del Proyecto 1 Plan de despliegue Integración e implementación del modelo 2 Plan de monitoreo y mantención del proyecto Actualización del modelo Redefinición de los objetivos y actualización del proyecto 3 Desarrollo del reporte final del proyecto 4 Revisión y cierre del proyecto
21 References I Chaudhuri, S. and Dayal, U. (1997). An overview of data warehousing and olap technology. SIGMOD Rec., 26(1): Fayyad, U. M., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery: an overview. pages Inmon, W. H. (2005). Building the Data Warehouse, 4rd Edition. Wiley Publishing. Kimball, R. and Ross, M. (2002). The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling (Second Edition). Wiley. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill, Inc., New York, NY, USA. Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA.
22 References II Witten, I. H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, San Francisco, 2nd edition edition.
Aux 2. Introducción a la Minería de Datos
Aux 2. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
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 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 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 detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Data warehousing y data mining. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Data warehousing y data mining CURSO ACADÉMICO - SEMESTRE 2015-16 - Segundo semestre GA_61IF_615000143_2S_2015-16 Datos Descriptivos Nombre de la Asignatura
Más detallesTÓPICOS SELECTOS DE OTROS CURSOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: TÓPICOS SELECTOS DE OTROS CURSOS DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):
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 Metodologías Las tres metodologías dominantes para el proceso de la minería
Más detallesPrograma(s) Educativo(s): Clave de la materia: Semestre:
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA MINERÍA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan
Más detallesSistemas de Soporte a las Decisiones
Universidad Tecnológica Nacional Facultad Regional San Francisco Ingeniería en Sistemas de Información Sistemas de Soporte a las Decisiones PLANIFICACIÓN CICLO LECTIVO 2010 ÍNDICE ÍNDICE... 2 PROFESIONAL
Más detallesDatos Generales. 1. Nombre de la Asignatura Estructura de Datos Avanzados y Minería de Datos. 2. Nivel de formación Doctoral
Datos Generales 1. Nombre de la Asignatura Estructura de Datos Avanzados y Minería de Datos 2. Nivel de formación Doctoral 3. Clave de la Asignatura F0454 4. Prerrequisitos F0453 Bases de datos 5. Área
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA EN INFORMÁTICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN LICENCIATURA EN INFORMÁTICA PROGRAMA DE LA ASIGNATURA DE: Seminario de Sistemas Informáticos para la Inteligencia de Negocios
Más detallesPrograma Educativo (PE): Ingeniería en Ciencias de la Computación. Área: Tecnología. Programa de Asignatura: Minería de Datos.
Programa Educativo (PE): Ingeniería en Ciencias de la Computación Área: Tecnología Programa de Asignatura: Minería de Datos Código: CCOM-606 Créditos: 5 Fecha: Julio de 2009 1 1. DATOS GENERALES Nivel
Más detallesPrograma Educativo (PE): Licenciatura en Ciencias de la Computación. Área: Tecnología. Programa de Asignatura: Minería de Datos.
Programa Educativo (PE): Licenciatura en Ciencias de la Computación Área: Tecnología Programa de Asignatura: Minería de Datos Código: CCOM-606 Créditos: 5 Fecha: Julio de 2009 1 1. DATOS GENERALES Nivel
Más detallesPROGRAMA DE CURSO. Horas Docencia Horas de Trabajo SCT. Horas de Cátedra Docentes. Personal 6 10 3.0 1.5 5.5
PROGRAMA DE CURSO Código Nombre IN5523 DATA WAREHOUSING Nombre en Inglés Data Warehousing es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar Personal 6 10 3.0 1.5 5.5 Requisitos
Más detallesMinería de datos Unidad 2. El proceso KDD
Minería de datos Unidad 2. El proceso KDD M en I Sara Vera Noguez 2. La minería de datos en el proceso de KDD Etapas de proceso de KDD: 1) Integración y recopilación 2) Selección, Limpieza (también llamada
Más detallesPrograma de DISEÑO Y CONSTRUCCION DE DATA WAREHOUSE
Programa de DISEÑO Y CONSTRUCCION DE DATA WAREHOUSE 1. NOMBRE DE LA UNIDAD CURRICULAR Diseño y Construcción de Data Warehouse 2. CRÉDITOS 10 créditos 3. OBJETIVOS DE LA UNIDAD CURRICULAR Brindar al estudiante
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA)
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SOFTWARE 1. INFORMACIÓN GENERAL
Más detallesETL es el proceso responsable por las operaciones que tiene lugar en el back stage de una arquitectura de Data Warehouse.
ETL Segunda Parte ETL es el proceso responsable por las operaciones que tiene lugar en el back stage de una arquitectura de Data Warehouse. Framework de ETL Datos extraídos de fuentes de almacenamiento
Más detallesTECNOLOGIAS APLICADAS PARA BUSINESS INTELLIGENCE
TECNOLOGIAS APLICADAS PARA BUSINESS INTELLIGENCE Año 2016 Carrera: Licenciatura en Informática y Licenciatura en Sistemas Planes 2003, 2003/07, 2012 y 2015 Año: Optativa Duración: Semestral Profesor: Lic.
Más detallesArquitectura de un data warehouse Funcionamiento detallado de un data warehouse
El modelo multidimensional Data a Warehousing OLAP vs. OLTP Data Warehousing El modelo multidimensional Dimensiones, medidas y hechos Arquitectura de un data warehouse Funcionamiento detallado de un data
Más detallesInteligencia de Negocios
Regresar... Inteligencia de Negocios Datos Generales 1. Nombre de la Asignatura 2. Nivel de formación 3. Clave de la Asignatura Inteligencia de Negocios Licenciatura I5641 4. Prerrequisitos 5. Area de
Más detallesTECNOLOGIAS APLICADAS PARA BUSINESS INTELLIGENCE
TECNOLOGIAS APLICADAS PARA BUSINESS INTELLIGENCE Año 2018 Carrera: Licenciatura en Informática y Licenciatura en Sistemas Planes 2003, 2003/07, 2012 y 2015 Año: Optativa Duración: Semestral Profesor: Mg.
Más detallesINTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2017-2018 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales
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 detallesBases de Datos: Teoría General y Aplicaciones
IN60E Aplicaciones de Bases de Datos en la Empresa y Minería de Datos Otoño 2008 Bases de Datos: Teoría General y Aplicaciones Universidad de Chile Departamento de Ingeniería Industrial Profesor: Richard
Más detallesUniversidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO
Universidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO CODIGO DEL CURSO: CS370 1 Datos Generales FACULTAD : Ingeniería de Producción y Servicios DEPARTAMENTO :Ingeniería de Sistemas e Informática
Más detallesIntegración de datos espaciales de dos dimensiones en la construcción de hipercubos dentro del procesamiento analítico en línea
Integración de datos espaciales de dos dimensiones en la construcción de hipercubos dentro del procesamiento analítico en línea Carlos Fernando Ruiz Chávez Introducción El descubrimiento de conocimiento
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 detallesUNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERIA ESCUELA DE CIENCIAS Y SISTEMAS PROGRAMA DEL CURSO ESTRUCTURA DE DATOS
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERIA ESCUELA DE CIENCIAS Y SISTEMAS PROGRAMA DEL CURSO ESTRUCTURA DE DATOS CODIGO: 775 CREDITOS: 4 ESCUELA: Ciencias y Sistemas AREA: Desarrollo
Más detallesJosé Hernández Orallo Mª. José Ramírez Quintana
http://www.dsic.upv.es/~jorallo/docent/master/index.html José Hernández Orallo Mª. José Ramírez Quintana jorallo@dsic.upv.es mramirez@dsic.upv.es Cèsar Ferri Ramírez cferri@dsic.upv.es (profesor responsable)
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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Ciencias. Plan de estudios de la Licenciatura en Actuaría. Modelos Lineales
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Modelos Lineales Clave 0861 Modalidad Semestre 7 u 8 Créditos 10 Área Campo de conocimiento
Más detallesCuestiones administrativas Sistemas Inteligentes de Gestión Segundo cuatrimestre, curso 2011/2012 Horario de clases Teoría Miércoles, de 17:00 a 19:00
Sistemas Inteligentes de Gestión Fernando Berzal, berzal@acm.org Cuestiones administrativas 1 Cuestiones administrativas Sistemas Inteligentes de Gestión Segundo cuatrimestre, curso 2011/2012 Horario de
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN DE BASES DE DATOS FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:
Más detallesExploraciones sobre el soporte Multi-Agente en Minería de Datos
Exploraciones sobre el soporte Multi-Agente en Minería de Datos Alejandro Guerra-Hernández Nicandro Cruz-Ramírez Rosibelda Mondragón-Becerra Departamento de Inteligencia Artificial Facultad de Física e
Más detallesRetos de la Minería de Datos en las Ciencias e Ingeniería
Retos de la Minería de Datos en las Ciencias e Ingeniería Patricia Galván Morales patricia.galvan@itcelaya.edu.mx Franco Fabio García González franco.garcia@itcelaya.edu.mx José Emigdio Godoy Zárate emigdio.galvan@itcelaya.edu.mx
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES MINERÍA DE DATOS
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES MINERÍA DE DATOS Programa o Dpto. Maestría en Ciencias de la Información y las Comunicaciones
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 615000365 - PLAN DE ESTUDIOS 61SI - CURSO ACADÉMICO Y SEMESTRE 2017/18 - Segundo semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesENSIA 605 Inteligencia de Negocios y Minería de Datos
ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías
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 detallesData Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing
Data Mining Introduction Convierte Datos en Conocimiento y Aplicalos al Marketing Presentación La generación de conocimiento es el proceso que reditúa las mayores ventajas competitivas en las organizaciones
Más detallesTEF-1403 SATCA 1 : Carrera:
1. Datos Generales de la asignatura Nombre de la asignatura: Inteligencia de Negocios Clave de la asignatura: SATCA 1 : Carrera: TEF-1403 3 2 5 Ing. en Sistemas Computacionales, Ing. en Tecnologías de
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 detallesBase de Datos ASIGNATURA(S) SUBSECUENTE(S)
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE: 7 (SÉPTIMO) Administración
Más detallesSYLLABUS de la Asignatura Inteligencia de Negocios
Escuela de Informática Sazié 2325 +56 2 2661 8256 contactofi@unab.cl SYLLABUS de la Asignatura Negocios 1. Descripción de la asignatura Este curso presenta el diseño y análisis de sistemas de información
Más detallesFUNDAMENTOS DE INTELIGENCIA DE NEGOCIOS
FUNDAMENTOS DE INTELIGENCIA DE NEGOCIOS Estructura de contenidos INTRODUCCIÓN... 3 1. INTELIGENCIA DE NEGOCIOS... 3 1.1. La implementación de un esquema de BI permite:... 4 1.2. Selección de Indicadores:...
Más detalles1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Inteligencia de Negocios
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Créditos 1 Inteligencia de Negocios Ingeniería en Tecnologías de la Información y Comunicaciones, Ingeniería en Sistemas
Más detallesCI2355 Almacenes de datos y OLAP
CI2355 Almacenes de datos y OLAP Examen Lunes, 7 de mayo de 2012 2012/03/26 CI2355 - Almacenes de datos y OLAP 2 Trabajo de Investigación Presentación Artículo 40-45 minutos Fechas: Entre el 14 de mayo
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN HORAS SEMANA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE:5(QUINTO) Ingeniería
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Probabilidad Avanzada
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Probabilidad Avanzada I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Probabilidad
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 detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesBASE DE DATOS AVANZADAS
SECRETARÍA ACADÉMICA Dirección de Desarrollo Curricular BASE DE DATOS AVANZADAS Unidad de Enseñanza Aprendizaje y Secuencia Didáctica PROGRAMA EDUCATIVO: MODALIDAD: MODELO DE FORMACIÓN: TIPO: Ingeniería
Más detallesÁrea Académica: Sistemas Computacionales. Tema: Explotación de un Almacén de Datos: Herramientas OLAP. Profesor: Mtro Felipe de Jesus Nuñez Cardenas
Área Académica: Sistemas Computacionales Tema: Explotación de un Almacén de Datos: Herramientas OLAP Profesor: Mtro Felipe de Jesus Nuñez Cardenas Periodo:Agosto Noviembre 2011 Keywords Herramientas OLAP,
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 detallesAVANCES EN PROCEDIMIENTOS DE LA EXPLOTACIÓN DE INFORMACIÓN PARA LA IDENTIFICACIÓN DE DATOS FALTANTES, CON RUIDO E INCONSISTENTES
AVANCES EN PROCEDIMIENTOS DE LA EXPLOTACIÓN DE INFORMACIÓN PARA LA IDENTIFICACIÓN DE DATOS FALTANTES, CON RUIDO E INCONSISTENTES H. Kuna 1, S. Caballero 1, A. Rambo 1, E. Meinl 1, A. Steinhilber 1, G.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SEÑALES ALEATORIAS 1560 5 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería en Telecomunicaciones
Más detallesIntroducción Definición Procesos Técnicas y Algoritmos Principales Usos Software Metodología CRISP - DM Conclusión
Introducción Definición Procesos Técnicas y Algoritmos Principales Usos Software Metodología CRISP - DM Conclusión Introducción Día a día generamos información y esto nos lleva a tener una gran cantidad
Más detallesUNIVERSIDAD DE SAN C ARLOS DE GUATEMALA FACULTAD DE INGENIER IA ESCUELA DE CIENCIAS Y SISTEMAS PROGRAMA DEL CURSO: SISTEMAS DE BASES DE DATOS 2
UNIVERSIDAD DE SAN C ARLOS DE GUATEMALA FACULTAD DE INGENIER IA ESCUELA DE CIENCIAS Y SISTEMAS PROGRAMA DEL CURSO: SISTEMAS DE BASES DE DATOS 2 CODIGO: 775 CREDITOS: 4 ESCUELA: Ciencias y Sistemas AREA
Más detallesDES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:
: : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.
Más detallesBodegas de Datos y OLAP. Introducción a la Bodegas de Datos
Bodegas de Datos y OLAP Introducción a la Bodegas de Datos Contenido SI-Definición y Clasificación MIS Vs DSS DSS-Definición y Características DW-Definición, Elementos, Características, Arquitectura, OLTP
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 detallesOPTATIVA I: MINERIA DE DATOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN Módulo Titulación GRADO EN INGENIERÍA INFORMÁTICA (463) Plan 463 Código 45209 Periodo de impartición 2º CUATRIMESTRE
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 detallesFechas Mes/año Clave Semestre 8 a 10
PROGRAMA DE ESTUDIOS: ESPECIALIDAD DE BASES DE DATOS I I PROTOCOLO Fechas Mes/año Clave Semestre 8 a 10 Elaboración 05-010 Nivel Licenciatura X Maestría Doctorado Aprobación Ciclo Integración Básico Superior
Más detallesMinería de datos. Unidad 2. El proceso KDD Evaluación, difusión y uso. M en I Sara Vera Noguez
Minería de datos Unidad 2. El proceso KDD Evaluación, difusión y uso M en I Sara Vera Noguez El proceso KDD Hernández, 2008 p.20 La parte iterativa Una vez obtenido el modelo se debe evaluar Si satisface
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: SEMESTRE: 5 (QUINTO) MODALIDAD
Más detallesRendimiento Académico: un estudio de la situación actual en las carreras de ingeniería en UTN Rafaela. Contexto
Rendimiento Académico: un estudio de la situación actual en las carreras de ingeniería en UTN Rafaela Fornari Javier 1, Culzoni Cecilia 1, La Red Martínez David 2 1 Universidad Tecnológica Nacional, Facultad
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 detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesPlanificaciones Base de Datos. Docente responsable: SERVETTO ARTURO CARLOS. 1 de 7
Planificaciones 9505 - Base de Datos Docente responsable: SERVETTO ARTURO CARLOS 1 de 7 OBJETIVOS Proveer al estudiante los elementos básicos de la tecnología de bases de datos que le permitan tanto diseñar
Más detallesDATA 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 detallesMÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS Curso 2014-2015 MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO Análisis Exploratorio y Minería de Datos PROFESOR(ES) Análisis Exploratorio y Minería de Datos
Más detallesLas empresas han comenzado a aprovechar los cada vez más numerosos datos en línea para tomar mejores decisiones sobre sus actividades.
Las empresas han comenzado a aprovechar los cada vez más numerosos datos en línea para tomar mejores decisiones sobre sus actividades. Para ejecutar de manera eficiente las consultas sobre datos tan diferentes
Más detallesPROGRAMA DE CURSO. Personal Computación Resultados de Aprendizaje
PROGRAMA DE CURSO Código Nombre CC 5606 Modelamiento e Implementación de Procesos Nombre en Inglés Process Modeling and Implementation SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar
Más detallesUniversidad Tecnológica Nacional Facultad Regional San Francisco. Ingeniería en Sistemas de Información. Sistemas de Gestión
Universidad Tecnológica Nacional Facultad Regional San Francisco Ingeniería en Sistemas de Información PLANIFICACIÓN CICLO LECTIVO 2015 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN...
Más detallesInteligencia de Negocios
Inteligencia de Negocios Entender el concepto de Inteligencia de Negocio Conocer los elementos más importantes en el diseño de una sistema de Inteligencia de Negocio Motivación La información en las organizaciones
Más detallesGRADUADO EN INGENIERÍA DEL SOFTWARE Guía de Aprendizaje Información al estudiante
GRADUADO EN INGENIERÍA DEL SOFTWARE Guía de Aprendizaje Información al estudiante DATOS DESCRIPTIVOS ASIGNATURA: Data Warehousing y Data Mining Nombre en inglés: Data Warehousing and Data Mining MATERIA:
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Big data. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Big data CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre GA_10AN_103000640_1S_2015-16 Datos Descriptivos Nombre de la Asignatura Titulación Centro responsable
Más detallesIngeniería de Sistemas de Información Fernando Berzal, Cuestiones administrativas
Ingeniería de Sistemas de Información Fernando Berzal, berzal@acm.org Cuestiones administrativas 1 Cuestiones administrativas Ingeniería de Sistemas de Información 3º Grado en Ingeniería Informática, Especialidad:
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 615000539 - PLAN DE ESTUDIOS 61CI - CURSO ACADÉMICO Y SEMESTRE 2017/18 - Segundo semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesUniversidad Nacional Autónoma de México Facultad de Psicología. Programa de la Asignatura: Investigación y Análisis de Datos III Clave: 1717
Universidad Nacional Autónoma de México Facultad de Psicología Programa de la Asignatura: Investigación y Análisis de Datos III Clave: 1717 Semestre: 7 Campo de conocimiento: Ciencias Cognitivas y del
Más detallesUNMSM FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO
UNMSM FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA SÍLABO I. INFORMACIÓN GENERAL CURSO : MODELOS Y SIMULACIÓN DE SISTEMAS CÓDIGO : CICLO : 2010-1 CRÉDITOS : 4 HORAS LES : 5 PROFESORES : Mag. Marcos
Más detallesDr. Fidel Ulin Montejo M.C. Robert Jeffrey Flowers Jarvis Fecha de elaboración: Agosto 2004 Fecha de última actualización: Julio 2010
PROGRAMA DE ESTUDIO Análisis de Regresión Programa Educativo: Licenciatura en Actuaría Área de Formación : Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Total de Horas: 5 Total de créditos:
Más detallesSegmentación de una cartera de clientes usando aprendizaje de máquina
Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014 Inicio Inicio
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA OBJETIVO GENERAL El objetivo general del Aprendizaje de Máquina (ML por
Más detallesIngeniería de Sistemas de Información Fernando Berzal, Cuestiones administrativas
Ingeniería de Sistemas de Información Fernando Berzal, berzal@acm.org Cuestiones administrativas 1 Cuestiones administrativas Ingeniería de Sistemas de Información 3º Grado en Ingeniería Informática, Especialidad:
Más detallesMÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO
GUIA DOCENTE DE LA ASIGNATURA ( ) Sistemas Informáticos de Soporte a la Colaboración y la Decisión Curso 2017-2018 (Fecha última actualización: 23/06/2017) (Fecha de aprobación en Consejo de Departamento:
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN PROGRAMA DE LA MATERIA CORRESPONDIENTE A LA INGENIERÍA EN CIENCIAS DE LA COMPUTACIÓN Coordinación: NOMBRE DE LA MATERIA: Área
Más detallesBases de Datos Distribuidas IFM Participantes. Integrantes de la Academia de Sistemas Computacionales
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas-teoría-practica-crédito: Bases de Datos Distribuidas Ingeniería en Sistemas Computacionales IFM - 0406 3-2-8 2.-
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 detallesAlgoritmos Genéticos. Héctor Alejandro Montes
Algoritmos Genéticos hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Evaluación del curso Ordinaria Tareas Examenes parciales Proyecto final Extraordinaria y a Título de Suficiencia Examen teórico Examen
Más detalles