Minería de datos basada en sistemas inteligentes (Record no. 51775)

MARC details
000 -CABECERA
campo de control de longitud fija 09753nam a2200265 a 4500
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL
campo de control AR-LpUFIB
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN
campo de control 20250311170225.0
008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL
campo de control de longitud fija 230201s2005 ag a r 000 0 spa d
020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO
Número Internacional Estándar del Libro 987 1104 30 8
024 8# - Otro identificador estandar
Número estándar o código DIF-M1957
-- 2039
-- DIF001865
040 ## - FUENTE DE LA CATALOGACIÓN
Centro catalogador/agencia de origen AR-LpUFIB
Lengua de catalogación spa
Centro/agencia transcriptor AR-LpUFIB
100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA
Nombre de persona Sin autor
245 10 - MENCIÓN DE TÍTULO
Título Minería de datos basada en sistemas inteligentes
250 ## - MENCIÓN DE EDICIÓN
Mención de edición 1a. ed.
260 ## - PUBLICACIÓN, DISTRIBUCIÓN, ETC.
Lugar de publicación, distribución, etc. Buenos Aires :
Nombre del editor, distribuidor, etc. [S.n.],
Fecha de publicación, distribución, etc. 2005
300 ## - DESCRIPCIÓN FÍSICA
Extensión xviii, 875 p. : il. ;
Dimensiones 21 cm.
500 ## - NOTA GENERAL
Nota general Bibliografía (p. [861]-875) --
505 0# - NOTA DE CONTENIDO CON FORMATO
Nota de contenido con formato Capítulo 1. INTRODUCCIÓN A LA EXPLOTACIÓN DE DATOS INTELIGENTES -- 1. Introducción -- 2. Concepto de Data Warehousing -- 2.1. Análisis de la definición de Bill Inmon -- 3. Usos y aplicaciones de un Data Warehousing -- 4. Las bases para el desarrollo de un data warehouse -- 4.1. Arquitectura del data warehouse -- 4.2. Diferencias entre OLTP y OLAP -- 4.3. Construcción de un data warehouse -- 4.4. Metodología para construir un data warehouse -- 5. Costos del data warehouse -- 6. Impactos de implementación del data warehouse -- 7. El data mining y su relación con el data warehouse -- 8. El Data Warehouse dota a las organizaciones de memoria, y el data mining de inteligencia -- 9. Minería de datos -- 9.1. Descubrimiento de conocimientos -- 9.2. Tareas realizadas por un sistema de Minería de Datos -- 10. Aprendizaje Automático -- 10.1. Ejemplos de sistemas de aprendizaje automático -- 10.2. Aprendizaje supervisado y no supervisado -- Capítulo 2. MINERÍA DE DATOS CLÁSICA -- 1.1. Introducción -- 1.2. Evolución conjunta de los requerimientos de los usuarios y de las herramientas utilizadas en -- Minería de Datos -- 1.3. Técnicas Clásicas para el campo de la Minería de Datos -- Capítulo 3. PREPROCESAMIENTO DE DATOS -- 1. Introducción -- 2. ¿Por qué preprocesar los Datos? -- 3. Limpieza de Datos -- 3.1. Valores Faltantes -- 3.2. Datos con Ruido -- 3.3. Datos inconsistentes -- 4. Integración y Transformación de Datos -- 4.1. Integración de Datos -- 4.2. Transformación de Datos -- 5. Reducción de datos -- 5.1. Agregado a cubo de datos -- 5.2. Reducción de dimensión -- 5.3. Compresión de datos -- 6. Discretización y generación de jerarquías conceptuales -- 6.1. Discretización y generación de jerarquías conceptuales para datos numéricos -- 6.2. Generación de jerarquías conceptuales y datos categóricos -- 7. Metodología de preprocesamiento de datos -- 7.1. Detalle para el diseño del controlador de tareas -- 7.2. Características que no se contemplan en el diseño del controlador de tareas -- 7.3. Detalle de las herramientas que se utilizarán para las transformaciones -- 7.4. Componentes para el controlador de tareas -- 7.5. Método de transformación -- Capítulo 4. DESCRIPCIÓN CONCEPTUAL -- 1. Introducción -- 2. ¿Qué se entiende por Descripción Conceptual? -- 3. Generalización y sumarización de datos basada en la caracterización -- 3.1. Inducción Orientada a los Atributos -- 3.2. Implementación eficiente de la inducción Orientada a los Atributos -- 3.3. Presentación derivada de la generalización -- 4. Caracterización Analítica: Análisis de Atributos Relevantes -- 4.1. ¿Por qué realizar el Análisis de Atributos Relevantes? -- 4.2. Métodos de Análisis de Relevancia de Atributos -- 4.3. Caracterización Analítica: Un Ejemplo -- 5. Resumen -- Capítulo 5. REGLAS DE ASOCIACIÓN EN MINERÍA DE GRANDES BASES DE DATOS -- 1. Introducción -- 1.1. Reglas de Asociación de Minería -- 2. Reglas de Asociación de Minería Monodimensionales Booleanas Para Bases De Datos -- Transaccionales -- 2.1. El Algoritmo Apriori: Encontrar Itemsets Frecuentes Usando la Generación de Candidatos -- 2.2. Generación de Reglas de Asociación para Itemsets Frecuentes -- 2.3. Mejorando la Eficiencia del Apriori -- 2.4. Minería de Itemsets Frecuentes Sin Generación de Candidatos -- 2.5. Consultas Témpano -- 3. Reglas de asociación de minería multinivel para bases de datos transaccionales -- 3.1. Reglas de Asociación Multinivel -- 3.2. Aproximaciones a las reglas de asociación multinivel -- 3.3. Chequeo de Redundancia de Reglas de Asociación Multinivel -- 4. Reglas de Asociación de Minería Multidimensional Para Bases de Datos Relacionales y Data -- Warehouses -- 4.1. Reglas de Asociación Multidimensional -- 4.2. Reglas de la Asociación Multidimensional de Minería Usando Discretización Estática de -- Atributos Cuantitativos -- 4.3. Generación de Reglas de Asociación Cuantitativa -- 4.4. Reglas de Asociación Basadas en la Distancia -- Capítulo 6. APRENDIZAJE AUTOMÁTICO -- 1. Introducción -- 2. Aprendizaje Automático -- 2.1. Esquema general de un sistema de Aprendizaje Automático -- 2.2. Aprendizaje de conceptos -- 2.3. Aprendizaje supervisado y no supervisado -- 2.4. Tipos de aprendizaje automático -- 3. Métodos clásicos de aprendizaje -- 3.1. Aprendizaje AQ -- 3.2. Aprendizaje divide y reinarás -- 4. Minería de Datos -- 4.1. Descubrimiento de conocimientos -- 4.2. Problemas inherentes al proceso de aprendizaje -- 4.3. Tareas realizadas por un sistema de Minería de Datos -- 4.4. Métodos de Minería de Datos -- 4.5. Componentes de la Minería de Datos -- 5. Aprendizaje Automático & Minería de Datos -- 5.1. Aplicaciones -- 5.2. Inferencia de Reglas Simples -- 5.3. Construcción de reglas de decisión -- 6. La Familia TDIDT -- 6.1. Construcción de los árboles de decisión -- 6.2. Atributos Desconocidas -- 6.3. Transformación a Reglas de Decisión -- 6.4. Resolución de un ejemplo utilizando el ID3 -- 7. Evaluación de los Métodos de Aprendizaje -- 7.1. Evaluación en la familia TDIDT -- 7.2. Métodos de evaluación -- 7.3. Estimación del costo -- Capítulo 7. SEDES NEURONALES -- 1. Fundamentos de las redes neuronales -- 1.1. El modelo biológico -- 1.2. Elementos de una red neuronal artificial (RNA) -- 2. Regla de aprendizaje -- 2.1. Representación vectorial -- 2.2. Estructura de una RNA -- 2.3. Mecanismo de aprendizaje -- 2.4. Redes neuronales con conexiones hacia adelante -- Capítulo 8. ALGORITMOS GENÉTICOS -- 1. Introducción -- 1.1. Algoritmo simple -- 1.2. Sistemas naturales y sistemas artificiales -- 1.3. Aplicaciones -- 2. Operadores básicos: variantes -- 2.1. Métodos de selección -- 2.2. Selección por ruleta -- 2.3. Selección con control sobre el número esperado -- 2.4. Selección elitista -- 2.5. Selección por ranking -- 2.6. Métodos de cruza -- 2.7. Métodos de mutación -- 3. Algoritmos genéticos en profundidad -- 3.1. Esquemas -- 3.2. Teorema Fundamental -- 3.3. Efecto De la Selección -- 3.4. Efecto De La Cruza -- 3.5. Efecto De la Mutación -- 3.6. Mecanismos De Selección -- 3.7. Función De Aptitud -- 3.8. Necesidad De Escalado -- 3.9. Mecanismos De Cruza -- 3.10. Mecanismos De Mutación -- 4. Resolución de problemas con AG -- 4.1. El Problema De la Representación -- 4.2. Codificación De Parámetros -- 4.3. Parámetros Binarios -- 4.4. Parámetros No Binarios -- 4.5. Números Enteros -- 4.6. Codificación Binaria de Parámetros Enteros -- 4,7. Codificación Gray -- 4.8. Números Reales -- 4.9. Distribución De Los Genes Dentro Del Cromosoma -- 4.10. Elección De La Función De Aptitud -- 4.11. Metodología De Diseño De AG -- 4.12. Conclusión -- 5. Algoritmos evolucionarios -- 5.1. Programación Evolucionaria -- 5.2. Estrategia Evolucionaria -- 5.3. Algoritmos Genéticos Secuenciales -- 5.4. Algoritmos Genéticos Paralelos -- 5.5. Global -- 5.6. Grano Grueso -- 5.7. Grano Fino -- 5.8. Conclusión -- Capítulo 9. REDES BAYESIANAS -- 1. Introducción -- 2. Definición formal de las redes bayesianas -- 3. Representación del conocimiento -- 3.1. Independencia condicional -- 3.2. Inferencia -- 3.3. Algoritmos de propagación -- 4. El aprendizaje en las redes bayesianas -- 4.1. Aprendizaje paramétrico -- 4.2. Aprendizaje estructural -- 4.3. Ventajas de las redes bayesianas -- Capítulo 10. CASO DE ALGORITMO DE INDUCCIÓN -- 1. Contexto del Problema -- 2. Aplicación de los Algoritmos de la Familia TDIDT ala Minería de Datos -- 3. Solución propuesta -- 3.1. Interpretación de los resultados -- 3.2. Descripción de los dominios -- 3.3. Resultados Obtenidos con el ID3 -- 3.4. Resultados Obtenidos con el C4.5 -- 3.5. Comparación de los resultados obtenidos con el ID3 y con el C4.5 -- 3.6. Análisis general de los resultados obtenidos -- 4. Conclusiones Generales -- 4.1. Conceptos destacables -- 4.2. Análisis de los Resultados Obtenidos -- 4.3. Análisis de la solución propuesta -- 4.4. Una mirada al futuro -- Capítulo 11. CASO DE APLICACIÓN DE REDES NEURONALES -- 1. Introducción -- 2. Definición de fraude en telefonía celular -- 2.1. Clasificación de tipos de fraude -- 2.2. Detección de fraude en telefonía celular -- 3. Redes neuronales -- 4. Descripción del problema -- 4.1. El problema de la construcción y mantenimiento de "perfiles de usuario" -- 4.2. El problema de la detección de cambios de comportamiento -- 4.3. El problema de la performance -- 4.4. Representación gráfica del problema a resolver -- 5. Solución propuesta -- 5.1. Procesamiento previo de la información-Mediación -- 5.2. Solución a la construcción y mantenimiento de "perfiles de usuario" -- 5.3. Solución a la detección de cambios de comportamiento -- 5.4. Solución a las cuestiones de performance -- 5.5. Restricciones de la solución propuesta -- 6. Prueba experimental -- 6.1. Conjunto de datos utilizados -- 6.2. Variables a observar -- 6.3. Realización de
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada MINERÍA DE DATOS
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada SISTEMAS INTELIGENTES
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada INTELIGENCIA ARTIFICIAL
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Britos, Paola Verónica
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Hossian, Alejandro
942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA)
Tipo de ítem Koha Libro
Holdings
Estado de retiro Estado de pérdida Estado dañado Disponibilidad Biblioteca permanente Biblioteca actual Fecha de adquisición Número de inventario Total de préstamos Signatura topográfica completa Código de barras Fecha visto por última vez Precio válido a partir de Tipo de ítem Koha
      Préstamo a domicilio Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 28/03/2007 DIF-02791   H.2.8 BRI DIF-02791 11/03/2025 11/03/2025 Libro