ENSIA 605 Inteligencia de Negocios y Minería de Datos

Descargar (0)

Texto completo

(1)

 

 

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 de Inteligencia de Negocios y Minería de Datos 

(Data Mining) en problemáticas de empresas u organizaciones complejas.   

OBJETIVOS ESPECÍFICOS      

1. Conocer modelos Datawarehouse, OLAP, entendiendo sus usos y aplicaciones en las    organizaciones.  

2. Conocer los principales métodos analíticos de Minería de Datos. 

3. Discutir aplicaciones reales de Minería de Datos. 

4. Utilizar herramientas computacionales para la solución y aplicación de distintos métodos    de predicción. 

5. Seleccionar el método más adecuado para una aplicación real y presentar una solución a    dicha problemática.     

 

 

 

 

(2)

 

METODOLOGÍA

 

 

El curso de desarrollará en 6 sesiones totales, 3 de ellas de 4 hrs. y 3 de 8 hrs. cada una. En estas 

sesiones se presentarán aspectos teóricos y prácticos de tópicos en Inteligencia de Nogocios. 

Adicionalmente, habrán clases de ayudantía en donde se enseñará el uso del software necesario 

para resolver un trabajo computacional grupal.   

Los enunciados y datos para el desarrollo del trabajo computacional, pautas de corrección y toda 

la información pertinente al desarrollo de la cátedra estarán disponibles en la Web de docencia 

del curso   

 

MÉTODO

 

DE

 

EVALUACIÓN

 

Cada alumno deberá   desarrollar 1 trabajo computacional y una presentación de un caso en 

grupos de 4 a 5 alumnos. Además, cada alumno deberá rendir 2 controles de lectura y 1 examen 

final escrito  

La nota del trabajo computacional y de la presentación será la misma para todos los integrantes 

del grupo. La nota de los controles de lectura se define el promedio aritmético de las notas de los 

controles rendidos.   

La Nota Final (NF) será calculada de la siguiente forma:   

1. Nota Examen (EX)         30%  

2. Nota promedio de tareas (NTAREA)    30%  

3. Nota Controles de Lectura (NCL)     20% 

4. Nota Presentación (NP)       20%   

 

NF = 0,30*EX + 0,30*NTAREA + 0,20*NCL+0,20*NP  Como condición mínima para aprobar el curso es NF >= 4.0  

(3)

   

RECORRECCIONES 

Los alumnos podrán solicitar la recorrección de una tarea o control de lectura hasta una semana 

después de la entrega física de la evaluación respectiva. La solicitud deberá ser entregada 

personalmente al profesor del curso. La reconsideración debe estar fundamentada por escrito

con un análisis exhaustivo que demuestre el error cometido en la corrección. El alumno que 

solicita recorrección RENUNCIA a su actual nota. La nota en cuestión puede subir, mantenerse o 

bajar. 

  Los resultados de las recorrecciones, serán publicados en la Web de docencia, unos días 

después de la fecha de vencimiento de solicitud de recorrección de tareas o controles de lectura. 

  Reclamos posteriores a este tiempo, no serán atendidos, aunque estos sean justificados. 

   

MATERIAL

 

DEL

 

CURSO:

 

TEXTOS

 

Y

 

ARTÍCULOS

 

 

1. Anahory, S., Murray, D. (1997): Data Warehousing in the Real World. Addison‐Wesley, Harlow; 

capítulo 4, páginas 29‐53  

2. Berry, M. J. A., Linoff, G. (1997): Data Mining Techniques – For Marketing, Sales, and Customer 

Support. John Wiley & Sons, New York  

3. C. M. Bishop (2005), Neural Network for Pattern Recognition, Oxford University Press Inc. 

4. Duda R., Hart P., Stork (2001): Pattern Classification. 

5. Elmasri, R., Navathe, S.B. (1997): Sistemas de Bases de Datos – Conceptos fundamentales. Seg. 

Edición, Addison‐Wesley Iberoamericana, Wilmington, Delaware; capítulo 6, páginas 139‐167, 

capítulo 7, página 188‐205  

6. Edelstein H. (1998): Introduction to Data Mining and Knowledge Discovery  

7. Freeman, J.A., Skapura, D.M. (1993): Redes Neuronales – Algoritmos, Aplicaciones y Técnicas 

de Programación. Addison‐Wesley Iberoamericana/ Diaz de Santos, Wilmington, Delaware  

8. Famili, A., Shen, W.‐M., Weber, R., Simoudis, E. (1997): Data Preprocessing and Intelligent 

Data Analysis. Intelligent Data Analysis Vol. 1, No. 1, 3‐23  

9. Hammergren  T.,  Hammergren  T.C.  (1997):  Data  Warehousing:  Building  the  Corporate 

(4)

 

11.G. Shmueli and N.R. Patel and P.C. Bruce (2007), Data Mining for Business Intelligence, Wiley 

InterScience, Hoboken, New Jersey.   

PROGRAMACIÓN

 

Y

 

CONTENIDOS

 

Unidad  Contenidos Aplicaciones Lecturas complementarias

Unidad 1:  Etapas para la  realización de un  Proyecto BI 

1. Introducción al proceso KDD  (Knowledge Discovery  Databases) y su relación con  la Minería de Datos.   2. Definición de las etapas de 

preprocesamiento y  transformación de la  información y su impacto en  los modelos analíticos.  3. Selección del modelo 

adecuado y su relación con la  problemática de negocio.    Modelos  predictivos y  predicción de  demanda 

From Data Mining to  Knowledge Discovery in  Databases  Unidad 2: Presentación  de los conceptos y  métodos principales de  Minería de Datos  centrándose en la   discusión de sus fuerzas  y debilidades 

1. Redes Neuronales 2. Árboles de Decisión  3. Algoritmos de Cluster  4. Support Vector Machines   

Modelos  de  Credit Scoring 

Modelos Analíticos para el manejo  del riesgo  Unidad 3: Aplicaciones  de Minería de Datos.  Presentación de  aplicaciones reales y  discusión de casos  aplicados ala industria 

1. Database marketing

2. Detección temprana de fraude 3. Evaluación de solvencia y  riesgo de Crédito  4. Retención de clientes  5. Segmentación de carteras    Modelos de  Ofertas  focalizadas y    Gestión de  personal a  gran escala 

Predicción de Fugas de Clientes  para una Institución Financiera  mediante Support Vector Machines  

Sistemas avanzados de gestión  para mejorar el servicio al cliente  en las estaciones del Metro S.A. 

   

 

 

(5)

 

CURRÍCULUM

 

DEL

 

PROFESOR

 

 

Jaime

 

Miranda

 

Pino

 

 

Es director del Centro de Gestión de la Información para los Negocios de la Facultad de Economía 

y  Negocios  de  la  Universidad de  Chile  y  Presidente del  Instituto  Chileno  de Investigación 

Operativa. Ha publicado artículos en revistas nacionales e internacionales especializadas en las 

áreas de gestión de operaciones y logística, junto con participar activamente en proyectos de 

desarrollo. Ha implementado diversos sistemas de soporte a la toma de decisiones, basados en 

modelos  de  optimización,  para  diversas  instituciones  privadas  y  estatales.  Actualmente  es 

académico jornada completa del Departamento de Control de Gestión y Sistemas de Información 

y socio principal de la empresa Real Solutions. 

Figure

Actualización...

Referencias

Related subjects :