Grupo de Investigación en Sistemas de Información
This presentation is the property of its rightful owner.
Sponsored Links
1 / 85

Grupo de Investigación en Sistemas de Información Universidad Nacional de Lanús PowerPoint PPT Presentation


  • 89 Views
  • Uploaded on
  • Presentation posted in: General

Grupo de Investigación en Sistemas de Información Universidad Nacional de Lanús. INGENIERIA DE EXPLOTACION DE INFORMACION Seminario en la Universidad de Medellín Prof. Dr. Ramón Garcia-Martinez. INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez. INTRODUCCION.

Download Presentation

Grupo de Investigación en Sistemas de Información Universidad Nacional de Lanús

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

Grupo de Investigación en Sistemas de InformaciónUniversidad Nacional de Lanús

INGENIERIA

DE

EXPLOTACION DE INFORMACION

Seminario en la Universidad de Medellín

Prof. Dr. Ramón Garcia-Martinez


Introduccion

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

INTRODUCCION


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CONTEXTO

*

La inteligencia de negocio propone un abordaje interdisciplinario que tomando:

+

todos los recursos de información disponibles

+

el uso de herramientas analíticas y de síntesis con capacidad de transformar la información en conocimiento

se centra en generar a partir de estos, conocimiento que contribuya con la toma de decisiones de gestión y generación de planes estratégicos en las organizaciones.

*

La explotación de Información es la sub-disciplina Informática que aporta a la Inteligencia de Negocio las herramientas (procesos y tecnologías) para la transformación de información en conocimiento

*

La explotación de información basada en tecnologias de sistemas inteligentes se refiere a la aplicación de métodos de sistemas inteligentes, para descubrir y enumerar patrones de conocimiento presentes en la información.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ ES UN PATRON DE CONOCIMIENTO?

INFORMACION


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ ES UN PATRON DE CONOCIMIENTO?

ESTADISTICA: Marco Conceptual


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ ES UN PATRON DE CONOCIMIENTO?

ESTADISTICA: Patrón a priori 1


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ ES UN PATRON DE CONOCIMIENTO?

ESTADISTICA: Patrón a priori 2


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ ES UN PATRON DE CONOCIMIENTO?

EXPLOTACION DE INFORMACION

(sin patrón a priori)


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PATRONES

PATRONES

PROCESOS

CONFIRMA / REFUTA /AJUSTA PATRONES SUPUESTOS

EXPLOTACION DE INFORMACION VS ESTADISTICA

Visión Complementaria

INFORMACION

ESTADISTICA

EXPLOTACIONDE INFORMACION

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Tecnologias y procesos de explotaci n de informaci n

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

TECNOLOGIAS Y PROCESOSDEEXPLOTACIÓN DE INFORMACIÓN


Vacancia conceptual en explotacion de informacion

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CONSENSO

Hay CONSENSO en la comunidad académica sobre la necesidad de:

(Curtis et al., 1992; Chen et al., 1996; Cody et al., 2002; Chung et al., 2003; 2005; Musen et al., 2000; Musen, 2002; Abraham, 2003; Coley, 2003; Fuld et al., 2003; Chau et al.,2007; Golfarelli et al., 2004;Kosala y Blockeel, 2000; Reiterer et al., 2000; Marshall et al., 2004; Shiefer et al., 2004; Nguyen et al., 2005.)

*

Definir procesos que permitan obtener conocimiento a partir de las grandes masas de información disponible.

*

Identificar las tecnologías involucradas en dichos procesos.

VACANCIA CONCEPTUALEN EXPLOTACION DE INFORMACION

PROCESOS DE EXPLOTACION DE INFORMACION

?

¿COMO LAS

SE USAN PARA RESOLVER EL

TECNOLOGIAS

PROBLEMA

EXPLOTACION

DE INFORMACION

INTELIGENCIA

DE NEGOCIO


Tecnolog as de explotaci n de informaci n

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

TECNOLOGÍAS DE EXPLOTACIÓN DE INFORMACIÓN

  • Basadas en Análisis Estadístico:

  • Análisis de varianza

  • Regresión

  • Prueba Chi-cuadrado

  • Análisis de agrupamientos

  • Análisis de determinantes

  • Series de tiempo

  • Basadas en Sistemas Inteligentes:

  • Algoritmos TDIDT

  • Redes Neuronales SOM

  • Redes Bayesianas

  • ¿Redes Neuronales BP?


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

ALGORITMOS TDIDT

Fundamentos

La familia TDIDT (Top Down Induction Trees)pertenece a los métodos inductivos del Aprendizaje Automático que aprenden a partir de ejemplos preclasificados.

Dado un conjunto que contiene ejemplos pertenecientes a distintas clases, se realiza una prueba sobre los distintos atributos y se realiza una partición según el “mejor” atributo.

Para encontrar el “mejor” atributo, se utiliza la teoría de la información, determinando que atributo aporta mayor ganacia (o menor perdida de informacion) al tomar un determinado valor.

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

ALGORITMOS TDIDT

Presentación intuitiva del proceso de inducción

Infarto agudo de miocardio

Infarto agudo de miocardio

Infarto agudo de miocardio

Infarto agudo de miocardio

Infarto agudo de miocardio

Infarto agudo de miocardio

Dolor de pecho de angor

Irradiación del angor

Angor en relación

Duración del angor

Antigüedad del angor

Respuesta vasodilatadora

Duración del angor

Más de 30’

Menos de 30’

No (Infarto de miocardio)

Dolor de pecho de angor

Típico

Ausente

Atípico

Si (Infarto de miocardio)

No (Infarto de miocardio)

Respuesta vasodilatadora

Negativo

Positivo

Irradiación del angor

Si (Infarto de miocardio)

Si

No

Si (Infarto de miocardio)

No (Infarto de miocardio)

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

ALGORITMOS TDIDT

Construcción de reglas

Si

Cantidad de calorías = Alta

Y estoy a dieta = No

Y estoy yendo al gimnasio = No

Entonces

Comerlo la mitad

Si

Cantidad de calorías = Alta

Y estoy a dieta = No

Y estoy yendo al gimnasio = Sí

Entonces

Comerlo

Si

Cantidad de calorías = Baja

Entonces

Comerlo

Reglas

Si

Cantidad de calorías = Alta

Y estoy a dieta = Sí

Entonces

No comerlo

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Neurona artificial

REVISION REDES NEURONALES

Neurona biológica

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CONEXIONES ENTRE

NEURONAS

NEURONAS

DE SALIDA

NEURONAS

DE ENTRADA

NEURONAS

OCULTAS

REDES NEURONALES

Arquitectura Básica


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES SOM

Fundamentos

  • Este modelo trata de establecer una correspondencia entre los datos de entrada y un espacio bidimensional, creando mapas topológicos, de manera que datos similares activen neuronas en zonas próximas.

  • Produce una partición (clasificación) de un conjunto de registros ingresados (partición desconocida “apriori”) en subconjuntos de registros con caracteristicas similares (clusters).

  • Cada vez que se presenta una registro de entrada, las neuronas “compiten” y una se define como la ganadora (Best Matching Unit).

  • Los pesos de la BMU se actualizan y también los de las neuronas vecinas de manera más atenuada a través de una función de “vecindario” o “Kernel”.

  • Los registros deben tener un grado de redundancia elevado para que la SOM pueda realizar su clasificación.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES SOM

Arquitectura Básica

  • Cada una de las N neuronas de entrada se conecta a las M de salida a través de conexiones hacia adelante (feedfoward).

  • Entre las neuronas de la capa de salida, existen conexiones laterales de inhibición (peso negativo) implícitas

  • Aunque no estén conectadas cada una de las neuronas va a tener cierta influencia sobre sus vecinas.

  • El valor que se asigne a los pesos de las conexiones hacia adelante entre las capas de entrada y salida durante el proceso de aprendizaje de la red va a depender precisamente de esta interacción lateral.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

SOM

REDES SOM

Presentación intuitiva del proceso de agrupamiento

Presentación intuitiva del proceso de agrupamiento


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES BAYESIANAS

Fundamentos

  • Una red bayesiana es:

    • Grafo acíclico dirigido

    • Nodos representan variables

    • Arcos representan dependencias probabilísticas

      • Causa – Efecto

      • Probabilidad condicional

Ladrón

Alarma

Terremoto


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES BAYESIANAS

Generación

  • Aprendizaje estructural

    • Relaciones de dependencia e independencia

  • Aprendizaje paramétrico

    • Probabilidad a priori y condicionales

  • Proceso de inferencia

    • Predicciones a partir de observaciones


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES BAYESIANAS

Aprendizaje estructural

Fumador

Visitó Asia

Bronquitis

Cáncer de pulmón

Disnea

Tuberculosis

Bronquitis

Cáncer de pulmón

Fumador

Radiografías

Tuberculosis

Tuberculosis o Cáncer

Tuberculosis o Cáncer

Visitó Asia

Radiografías

Disnea


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REDES BAYESIANAS

Aprendizaje paramétrico

Fumador

Visitó Asia

Tuberculosis

Bronquitis

Cáncer de pulmón

Tuberculosis o Cáncer

Radiografías

Disnea


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Fumador

Fumador

Visitó Asia

Visitó Asia

Visitó Asia

Fumador

Visitó

1,0%

Fumador

50,0%

No visitó

99,0%

No fumador

50,0%

Tuberculosis

Tuberculosis

Bronquitis

Bronquitis

Cáncer de pulmón

Cáncer de pulmón

Tuberculosis

Cáncer de pulmón

Bronquitis

Presente

1,0%

Presente

5,5%

Presente

45,0%

Ausente

99,0%

Ausente

94,5%

Ausente

55,0%

Tuberculosis o Cáncer

Tuberculosis o Cáncer

Tuberculosis o Cáncer de pulmón

Verdadero

6,5%

Falso

93,5%

Radiografías

Radiografías

Disnea

Disnea

Disnea

Radiografías

Presente

43,5%

Anormal

11,0%

Ausente

56,5%

Normal

89,0%

REDES BAYESIANAS

Proceso de inferencia


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Fumador

Visitó Asia

Visitó Asia

Visitó Asia

Fumador

Visitó

Visitó

100%

1,0%

Fumador

50,0%

No visitó

No visitó

0%

99,0%

No fumador

50,0%

Tuberculosis

Bronquitis

Cáncer de pulmón

Tuberculosis

Tuberculosis

Cáncer de pulmón

Bronquitis

Presente

5,0%

Presente

1,0%

Presente

5,5%

Presente

45,0%

Ausente

95,0%

Ausente

99,0%

Ausente

94,5%

Ausente

55,0%

Tuberculosis o Cáncer

Tuberculosis o Cáncer de pulmón

Tuberculosis o Cáncer de pulmón

Verdadero

Verdadero

6,5%

10,2%

Falso

Falso

89,8%

93,5%

Radiografías

Disnea

Disnea

Disnea

Radiografías

Radiografías

Presente

Presente

45,0%

43,5%

Anormal

Anormal

11,0%

14,5%

Ausente

Ausente

55,0%

56,5%

Normal

Normal

85,5%

89,0%

REDES BAYESIANAS

Proceso de inferencia


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Visitó Asia

Fumador

Fumador

Visitó

100%

Fumador

Fumador

50,0%

100%

No visitó

0%

No fumador

No fumador

0%

50,0%

Tuberculosis

Cáncer de pulmón

Cáncer de pulmón

Bronquitis

Bronquitis

Presente

5,0%

Presente

Presente

10,0%

5,5%

Presente

Presente

60,0%

45,0%

Ausente

95,0%

Ausente

Ausente

90,0%

94,5%

Ausente

Ausente

40,0%

55,0%

Tuberculosis o Cáncer de pulmón

Tuberculosis o Cáncer de pulmón

Verdadero

Verdadero

14,5%

10,2%

Falso

Falso

85,5%

89,8%

Disnea

Disnea

Radiografías

Radiografías

Presente

Presente

45,0%

56,4%

Anormal

Anormal

14,5%

18,5%

Ausente

Ausente

55,0%

43,6%

Normal

Normal

85,5%

81,5%

REDES BAYESIANAS

Proceso de inferencia


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Visitó Asia

Fumador

Visitó

100%

Fumador

100%

No visitó

0%

No fumador

0%

Tuberculosis

Tuberculosis

Cáncer de pulmón

Cáncer de pulmón

Bronquitis

Presente

Presente

0,1%

5,0%

Presente

Presente

10,0%

0,2%

Presente

60,0%

Ausente

Ausente

99,9%

95,0%

Ausente

Ausente

90,0%

99,8%

Ausente

40,0%

Tuberculosis o Cáncer de pulmón

Tuberculosis o Cáncer de pulmón

Verdadero

Verdadero

0,4%

14,5%

Falso

Falso

85,5%

99,6%

Disnea

Disnea

Radiografías

Radiografías

Presente

Presente

56,4%

52,1%

Anormal

Anormal

18,5%

0%

Ausente

Ausente

47,9%

43,6%

Normal

Normal

100%

81,5%

REDES BAYESIANAS

Proceso de inferencia


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Visitó Asia

Fumador

Visitó

100%

Fumador

100%

No visitó

0%

No fumador

0%

Tuberculosis

Tuberculosis

Cáncer de pulmón

Cáncer de pulmón

Bronquitis

Bronquitis

Presente

Presente

0,1%

0,2%

Presente

Presente

0,4%

0,2%

Presente

Presente

92,2%

60,0%

Ausente

Ausente

99,9%

99,8%

Ausente

Ausente

99,8%

99,6%

Ausente

Ausente

40,0%

7,8%

Tuberculosis o Cáncer de pulmón

Tuberculosis o Cáncer de pulmón

Verdadero

Verdadero

0,4%

0,6%

Falso

Falso

99,6%

99,4%

Disnea

Disnea

Radiografías

Presente

Presente

100%

52,1%

Anormal

0%

Ausente

Ausente

47,9%

0%

Normal

100%

REDES BAYESIANAS

Proceso de inferencia


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

0 0 0 1 1

0 1 0 1 1

0 0 0 1 1

1 0

1 1

REDES BP

Presentación intuitiva del proceso de entrenamiento

Patrones de Entrenamiento

0 0 0 1 11 1

0 1 0 1 11 0

1 1 0 1 1

Patrones de Consulta Entrada

1 1 0 1 1

0.86 0.11

Patrones de Salida

0 1 1 0 0.86 0.11


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

f(X1,...,Xn) = (Y1,...,Ym)

Suponemos que existe una

función entre X e Y

f

f

Sabemos que (patrones de entrenamiento):

f(X1,...,Xn) = (Y1,...,Ym)

Con la BP entrenada podremos saber (para patrones de entrada desconocidos):

f(X1,...,Xn) = (Y1,...,Ym)

f(X1,...,Xn) = (Y1,...,Ym)

REDES BP

Presentación intuitiva del proceso de entrenamiento

relación conocida

relación desconocida


Procesos de explotacion de informacion identificados

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESOSDE EXPLOTACION DE INFORMACION IDENTIFICADOS

  • Descubrimiento de reglas de comportamiento

  • Descubrimiento de grupos

  • Descubrimiento de atributos significativos

  • Descubrimiento de reglas de pertenencia a grupos

  • Ponderación de atributos relevantes en reglas de comportamiento o de pertenencia a grupos


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¿QUÉ TECNOLOGÍAS PARA QUE PROCESOS?

TECNOLOGIAS

PROCESO EXPLOTACION DE INFORMACIÓN

Descubrimiento de grupos

Redes SOM

Algoritmos TDIDT

Descubrimiento de reglas de comportamiento

Ponderación de interdependencia de atributos

Redes Bayesianas

Descubrimiento de reglas de pertenencia a grupos

SOM + TDIDT

Ponderación de atributo relevante en reglas de

comportamiento

TDIDT + R. Bayesianas

Ponderación de atributo relevante en reglas de

pertenencia a grupos

SOM + TDIDT + R. Bayesianas


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE GRUPOS

Aplica cuando se requiere identificar una partición en la masa de información disponible sobre el dominio de problema.

Ejemplos de problemas que requieren este proceso:

Identificación de segmentos de clientes para bancos y financieras

identificación de tipos de llamadas de clientes para empresas de telecomunicación

identificación de grupos sociales con las mismas características

identificación de grupos de estudiantes con características homogéneas


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE GRUPOS

SOM

Generación de archivos de grupos


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE GRUPOS

CASO:

Se desea descubrir los patrones de llamadas de un usuario dado para llamadas locales, llamadas nacionales o y llamadas internacionales en orden a detectar desvios en dichos patrones.

El perfil de usuario se estará representando con la distribución de frecuencia en la cuál un determinado usuario realiza un tipo de llamada determinada, mostrando esta estructura de

datos el patrón de consumo del mismo.

Las redes SOM) pueden tomar esta información y construir estos patrones de manera no supervisada por criterios de semejanza, sin saber nada a priori de los datos.

Para evitar ruidos en los datos, se utilizan 3 redes SOM que generen patrones para representar a las llamadas LOC, NAT e INT respectivamente.

El perfil de usuario se construye utilizando todos los patrones generados por las 3 redes.

REFERENCIAS:

  • Britos, P., Grosser, H., Rodríguez, D., Garcia-Martinez, R. (2008). Detecting Unusual Changes of Users Consumption. IFIP Series, 276: 297-306.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE GRUPOS

PATRONES DE CONSUMO DE LA POBLACION DE USUARIOS

PATRONES DE CONSUMO DE UN USUARIO DADO EN EL TIEMPO T

PATRONES DE CONSUMO DE UN USUARIO DADO EN EL TIEMPO T+P


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO

Aplica cuando se requiere identificar cuales son las condiciones para obtener determinado resultado en el dominio del problema.

Ejemplos de problemas que requieren este proceso:

Identificación de características del local mas visitado por los clientes

Identificación de factores que inciden en el alza las ventas de un producto dado

Establecimiento de características o rasgos de los clientes con alto grado de fidelidad a la marca

Establecimiento de atributos demográficos y psicográficos que distinguen a los visitantes de un website


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Reglas de Comportamiento

Aplicaciónde TDIDT

PROCESO:

DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO

Identificaciónde atributoClase


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO

CASO:

A partir de una base de datos con medidas antropométricas del rostro humano (MPEG4 FDP Face Definition Parameters) desarrolladas por la Universidad de las Islas Baleares se busca ver si existen reglas que permitan caracterizar diferencias en los rostros segun el sexo.

REFERENCIAS:

  • Britos, P. Abasolo, M., García-Martínez, R. y Perales, F. 2005. Identification of MPEG-4 Patterns in Human Faces Using Data Mining Techniques. Proceedings 13 th International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision: 9-10.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

PONDERACION DE INTERDEPENDENCIA DE ATRIBUTOS

Aplica cuando se requiere identificar cuales son los factores con mayor incidencia (o frecuencia de ocurrencia) sobre un determinado resultado del problema.

Ejemplos de problemas que requieren este proceso:

Factores con incidencia sobre las ventas

Rasgos distintivos de clientes con alto grado de fidelidad a la marca

Atributos claves que convierten en vendible a un determinado producto

Características sobresalientes que tienen los visitantes de un website


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

Identificaciónde atributoClase

PROCESO:

PONDERACION DE INTERDEPENDENCIA DE ATRIBUTOS

Aplicación de

Redes Bayesianas


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMIENTO DE REGLAS DE

PERTENENCIA A GRUPOS

Aplica cuando se requiere identificar cuales son las condiciones de pertenencia a cada una de las clases en una partición desconocida “a priori”, pero presente en la masa de información disponible sobre el dominio de problema.

Ejemplos de problemas que requieren este proceso:

Tipología de perfiles de clientes y caracterización de cada tipología

Distribución y estructura de los datos de mi website

Segmentación etaria de mis estudiantes y comportamiento de cada segmento

Clases de llamadas telefónicas en una región y caracterización de cada clase


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMIENTO DE REGLAS DE

PERTENENCIA A GRUPOS

Generación de archivos de grupos

SOM

Reglas de Comportamiento de cada Grupo

Identificación de atributo clase

Aplicación TDIDT


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMIENTO DE REGLAS DE PERTENENCIA A GRUPOS

CASO:

En un grupo de series cronológicas de variables meteorológicas (temperatura, presión, intensidad dirección de viento) en Allen, en el Alto Valle del Río Negro se busca encontrar correlaciones entre características de la dirección e intensidad del viento, y el comportamiento de la temperatura del aire y la presión

atmosférica.

REFERENCIAS:

  • Cogliati, M., Britos, P., García-Martínez, R. 2006. Patterns in Temporal Series of Meteorological Variables Using SOM & TDIDT. IFIP Series, 217: 305-314.


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

DESCUBRIMIENTO

DE REGLAS DE PERTENENCIA A GRUPOS

TDIDT

TDIDT

TDIDT

TDI DT

SOM

TDIDT

TDIDT

Conjunto de registros de fenómenos meteorológicos

Clusters de registros de fenómenos meteorológicos

TDIDT

TDIDT

HELADASRADIATIVAS


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVAN-TES EN REGLAS DE COMPORTAMIENTO

Aplica cuando se requiere identificar cuales son las condiciones con mayor incidencia (o frecuencia de ocurrencia) en la determinación de una clase

Ejemplos de problemas que requieren este proceso:

Rasgo con mayor presencia en los clientes con alto grado de fidelidad a la marca

Frecuencia de ocurrencia de cada perfil de de clientes


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVAN-TES EN REGLAS DE COMPORTAMIENTO

Identificación del atributo clase

Identificación del atributos antecedentes y consecuentes clase

Base con atributos relevantes y y clase asociada


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO

CASO:

El Profesor de un curso de programación básica desea explorar qué conceptos mal aprendidos están relacionados con el hecho de que los estudiantes no logren descubrir el algoritmo correcto asociado al problema propuesto y cuales de aquellos tienen mayor incidencia

REFERENCIAS:

  • Jiménez Rey, E., Rodríguez, D., Britos, P., García-Martínez, R. (2008). Identificación de Problemas de Aprendizaje de Programación con Explotación de Información. Proceedings del XIV Congreso Argentino de Ciencias de la Computación, Workshop de Tecnología Informática Aplicada en Educación, Artículo 1881. ISBN 978-987-24611-0-2.

  • Britos, P., Jiménez Rey, E., García-Martínez, E. (2008). Work in Progress: Programming Misunderstandings Discovering Process Based On Intelligent Data Mining Tools. Proceedings 38th ASEE/IEEE Frontiers in Education Conference. Session F4H: Assessing and Understanding Student Learning. ISBN 978-1-4244-1970-8.

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO

(TDIDT)

VARIABLE DE CLASE

¿Logra Descubrir el Algoritmo?

VARIABLES PREDICTORAS

¿Descubre la Naturaleza del Problema?

¿Comprende el Objetivo del Problema?

¿Consigue Generalizar la Solución?

¿Aplica Método de Refinamientos Sucesivos?

¿Logra Funcionamiento del Programa?

¿Obtiene una Solución Lógica?

¿Controla Condición Fin de Ciclo Repetitivo?

¿Usa Conectores Lógicos en forma correcta?

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO

(Redes Bayesianas)

Se aplican redes bayesianas a las variables que aparecen en las distintas reglas identificadas

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

PONDERACIÓN DE ATRIBUTOS

RELEVANTES EN REGLAS DE

PERTENENECIA A GRUPOS

Aplica cuando se requiere identificar cuales son las condiciones con mayor incidencia (o frecuencia de ocurrencia) en los atributos descriptores de un grupo.

Ejemplos de problemas que requieren este proceso:

Identificación del factor dominante que incide en el alza las ventas de un producto dado

Identificación del tipo de llamada mas frecuente en una región


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO:

PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE PERTENENECIA A GRUPOS

Aplicaciónde SOM

Identificación del atributos y grupo asociado


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

VALIDACIÓN: DOMINIOS DE VALIDACIÓN

DOMINIO

BASE DE DATOS

FUENTE

Registros con descrip-tores a considerar para el otorgamiento de créditos personales

UCI Machine Learning Repository de la Universidad de California (Irvine)

ANALISISDE RIESGO

Registros de votación del congreso de EEUU

UCI Machine Learning Repository de la Universidad de California (Irvine)

ALIANZASPOLITICAS

Registros de diagnós-tico de linfomas a partir de linfografías

UCI Machine Learning Repository de la Universidad de California (Irvine)

DIAGNOSTICOMEDICO

Registros con descrip-tores del comporta-miento de usuarios del servicio de internet

Informe del área de inteligencia de negocio de una compañía de telefonía argentina.

COMPORTAMIENTO

DE USUARIOS

Registros con descrip-tores de l comporta-miento de usuarios del servicio de internet

Informe de proyecto de investigación conjunto desarrollado por el Depto de Geografía, UNComahue, CAPIS del ITBA y el Laboratorio de Sistemas Inteligentes de la FI- UBA.

METEOROLOGÍA


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CASO

PROCESO

VALIDACIÓN: PROCESOS VALIDADOS

ANALISISDE RIESGO

ALIANZASPOLITICAS

DIAGNOS-

TICOMEDICO

COMPORTA-

MIENTO DE

USUARIOS

METEORO-

LOGÍA

Descubrimiento de grupos

Subgrupos

de datosclimatológicos

Subgrupos

de créditosotorgados

Descubrimiento de reglas de comportamiento

Reglas

causales de

alta o baja

en el servicio

Reglas dediagnóstico

de cada tipo

de linfoma

Caracterización

de votación de

cada partido

Reglas deorientación

del viento

Reglas deotorgamiento

de créditos

Ponderación de interdependencia de atributos

Atributo domi-

nante en deter-

minada orien-

tación del viento

Identificación

de reglas que

caracterizan

heladas freáticas

Caracterización

de distintos ti-

pos de clientes

con crédito

Características

comunes a

distintos tipos

de linfomas

Descubrimiento de reglas de pertenencia a grupos

Coincidencias

de votación

entre partidos

Ponderación de atri-butos relevantes en reglas de comporta-miento o reglas de pertenencia a grupos

Identificación

de causal con

mayor incidencia

en el alta o baja

en el servicio

Atributo domi-

nante en el

otorgamiento

de crédito

Atributo deter-

minante en

cada tipo

de linfoma

Identificación

de leyes con

mayor consenso

en cada partido


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

METODOLOGÍAS

PARA EXPLOTACIÓN DE INFORMACIÓN


Caracter sticas crisp dm

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CARACTERÍSTICAS CRISP-DM

  • Niveles de abstracción

  • Ciclo de vida


Caracter sticas semma

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CARACTERÍSTICAS SEMMA

Dinámica metodológica


Caracter sticas p 3 tq

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CARACTERÍSTICAS P3TQ

Fases


Metodolog a crisp dm

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

METODOLOGÍACRISP-DM


Compresi n del negocio

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

COMPRESIÓN DEL NEGOCIO


Compresi n de los datos

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

COMPRESIÓN DE LOS DATOS


Preparaci n de los datos

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PREPARACIÓN DE LOS DATOS


Modelado

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

MODELADO


Evaluaci n

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

EVALUACIÓN


Desarrollo

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

DESARROLLO


Estimacion empirica de tiempos utilizados en cada fase

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

ESTIMACION EMPIRICADE TIEMPOS UTILIZADOS EN CADA FASE


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

MODELO DE PROCESOS

PARA EXPLOTACIÓN DE INFORMACIÓN


Modelos de proceso

MODELOS DE PROCESO

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

  • Mejora de la calidad de producción y producto software.

  • Previsibilidad en el proceso de desarrollo y en el producto a lograr.

  • Modelos Genéricos vs Modelos para PyMES (CMMi, Normas ISO 9000 vs Competisoft)

  • Desarrollo de software clásico vs desarrollo de proyectos de explotación de información (Fases de desarrollo del producto).


Desarrollo software vs explotacion de informaci n

DESARROLLO SOFTWAREvs EXPLOTACION DE INFORMACIÓN

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

  • Metodologías de Procesos de Explotación de Información (CRISP, SEMMA, P3TQ)

    • Pros: Concebidas para proyectos de explotación de información. Fases naturales para este tipo de proyectos.

    • Contras: Falta de definición en lo respectivo a procesos no relacionados con el desarrollo: administración del proceso y administración del negocio.

  • Modelo de Proceso de Software (COMPETISOFT)

    • Pros: Abarca todos los procesos, desde la gestión hasta el desarrollo.

    • Contras: Pensado en el desarrollo de software clásico (inicio, requerimientos, análisis y diseño, construcción, integración y pruebas y cierre).


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

APORTES DE CRISP-DM Y COMPETISOFT

  • CRISP-DM:

    • Es independiente de las herramientas e incluye todas las tareas de procesos definidas por las otras.

    • Incluye algunas tareas relacionadas con el proceso de administración mezcladas con las de los procesos de desarrollo.

    • Aporta la definición de los procesos de desarrollo

  • COMPETISOFT:

    • Aporta la definición de los procesos de gestión y administración de proyecto


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CRISP-DM

COMPETISOFT


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROPUESTA DE MODELO DE PROCESO

DE EXPLOTACION DE INFORMACION

CRISP-DM /APORTACIONES /COMPETISOFT

SUBPROCESOS DE GESTION


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROPUESTA DE MODELO DE PROCESO

DE EXPLOTACION DE INFORMACION

CRISP-DM /APORTACIONES /COMPETISOFT

SUBPROCESOS DE DESARROLLO


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROCESO

DE ELCITACION DE REQUERIMIENTOS

PARA EXPLOTACION DE INFORMACIÓN


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

RELACIÓN ENTRE LOS PROBLEMAS IDENTIFICADOS Y LOS CONCEPTOS NECESARIOS A SER EDUCIDOS


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PROPUESTA DE PROCESODE ELICITACIÓN DE REQUERIMIENTOS


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REFERENCIAS CRUZADASDE CONCEPTOS EDUCIDOS


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

RELACION ENTRE CONCEPTOS EDUCIDOS Y FASES DEL PROCESO


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

PLANTILLAS DISEÑADAS PARA CAPTURA Y RELACION DE LOS CONCEPTOS EDUCIDOS


Referencias

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REFERENCIAS

  • TECNOLOGIAS INTELIGENTES

  • García Martínez, R., Servente, M. y Pasquini, D. 2003.Sistemas Inteligentes. Editorial Nueva Librería. ISBN 987-1104-05-7.

  • PROCESOS DE EXPLOTACIÓN DE INFORMACIÓN

  • Britos, P. 2008. Procesos de Explotación de Información Basados en Sistemas Inteligentes. Tesis Doctoral en Ciencias Informáticas. Facultad de Informática. Universidad Nacional de La Plata. http://www.iidia.com.ar/rgm/tesistas/td-pb-fi-unlp.pdf

  • CASOS DE ESTUDIO DE PROCESOS

  • Britos, P. Abasolo, M., García-Martínez, R. y Perales, F. 2005. Identification of MPEG-4 Patterns in Human Faces Using Data Mining Techniques. Proceedings 13 th International Conference in Central Europe on Computer Graphics, Visualization and Computer Vision: 9-10. http://www.iidia.com.ar/rgm/comunicaciones/WSCG2005-09-10.pdf.pdf

  • Britos, P., Grosser, H., Rodríguez, D., Garcia-Martinez, R. 2008. Detecting Unusual Changes of Users Consumption. IFIP Series, 276: 297-306. http://www.iidia.com.ar/rgm/articulos/IFIP-AI-2008-297-308.pdf


Referencias continuaci n

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

REFERENCIAS (continuación)

  • CASOS DE ESTUDIO DE PROCESOS (continuación)

  • Britos, P., Jiménez Rey, E., García-Martínez, E. 2008. Work in Progress: Programming Misunderstandings Discovering Process Based On Intelligent Data Mining Tools. Proceedings 38th ASEE/IEEE Frontiers in Education Conference. Session F4H: Assessing and Understanding Student Learning. ISBN 978-1-4244-1970-8. http://www.iidia.com.ar/rgm/comunicaciones/FIE-2008-1473.pdf

  • Cogliati, M., Britos, P., García-Martínez, R. 2006. Patterns in Temporal Series of Meteorological Variables Using SOM & TDIDT. IFIP Series, 217: 305-314. http://www.iidia.com.ar/rgm/articulos/IFIP-217-305-314.pdf

  • Jiménez Rey, E., Rodríguez, D., Britos, P., García-Martínez, R. 2008. Identificación de Problemas de Aprendizaje de Programación con Explotación de Información. Proceedings del XIV Congreso Argentino de Ciencias de la Computación, Workshop de Tecnología Informática Aplicada en Educación, Artículo 1881. ISBN 978-987-24611-0-2.http://iidia.com.ar/rgm/comunicaciones/CACIC-2008-1881.pdf

  • METODOLOGIAS

  • Chapman, P., Clinton, J., Keber, R., Khabaza, T., Reinartz, T., Shearer, C., Wirth, R. 2000. CRISP-DM 1.0 Step by step BIguide. Edited by SPSS. http://www.iidia.com.ar/rgm/CD-TIpEI/TEI-2-CRISP-DM-GdP-material.pdf


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

¡GRACIAS!


Grupo de investigaci n en sistemas de informaci n universidad nacional de lan s

INGENIERIA DE EXPLOTACIÓN DE INFORMACIÓN

Dr. Ramón García-Martínez

CONTACTO

Prof. Dr. Ramón García-Martínez

Grupo de Investigación en Sistemas de Información (GISI)

Departamento de Desarrollo Productivo y Tecnológico

Universidad Nacional de Lanús

http://www.unla.edu.ar/

[email protected]

[email protected]

http://iidia.com.ar/cv-rgm.htm

http://iidia.com.ar/GISI.htm

E-mail Personal:

E-mail Institucional:

Pagina Web Personal:

Pagina Web GISI:


  • Login