Aplicando técnicas de Minería de Datos en el desarrollo de un sitio web adaptativo

Vista sencilla de ítem
dc.contributor.advisorBarrera Sanabria, Garethspa
dc.contributor.authorBermúdez Sandoval, Jairo Edinsonspa
dc.contributor.authorRojas Goyeneche, Roger Eduardospa
dc.contributor.cvlacBarrera Sanabria, Gareth [0000068934]*
dc.contributor.researchgroupGrupo de Investigación Tecnologías de Información - GTIspa
dc.contributor.researchgroupGrupo de Investigaciones Clínicasspa
dc.coverageBucaramanga (Colombia)spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.date.accessioned2020-06-26T17:56:24Z
dc.date.available2020-06-26T17:56:24Z
dc.date.issued2004
dc.degree.nameIngeniero de Sistemasspa
dc.description.abstractInternet actualmente es el medio más utilizado para la comunicación, consulta e investigación de cualquier tipo de información, por tal motivo los usuarios de Internet han aumentado notablemente así como la información solicitada por los mismos. Existen diversas formas y medios de adquirir información ya sea de forma remota o inalámbrica, lo cual facilita su búsqueda, mas sin embargo debido al gran tamaño y magnitud de esta no es muy exacta en cuanto a eficiencia se refiere, es decir, a pesar de que se encuentran grandes volúmenes de información no es muy relevante en la mayoría de los casos, mas cuando hablamos de los sitios Web. Hoy en día los sitios Web se han convertido en un amigo indispensable para el usuario, dado que por medio de ellos se puede acceder a cualquier sitio del mundo (siempre y cuando se sea autorizado), adquirir cualquier tipo de información que se desee y cubrir las necesidades que éste requiera. Sin embargo sigue persistiendo un vacío con respecto a la búsqueda de información u otros recursos; situaciones que hoy en día son consideradas onerosas ya sea en dinero o tiempo, aparte de la poca personalización que estos sitios presentan para con el usuario en el ámbito general de interacción. Las organizaciones han ido generando una cantidad cada vez mayor de información a través de los años, se ha hecho necesario el uso de técnicas computacionales más eficaces que ayuden a obtener un mejor entendimiento de esos datos. El proceso de Descubrimiento de Conocimiento en Base de Datos (KDD) y su componente principal Minería de datos permiten precisamente obtener conocimiento útil para la toma de decisiones en diferentes ámbitos, entre ellos el de personalización.spa
dc.description.abstractenglishInternet is currently the most widely used medium for communication, consultation and research of any type of information, for this reason Internet users have increased significantly as well as the information requested by them. There are various ways and means of acquiring information either remotely or wirelessly, which facilitates its search, but nevertheless due to its large size and magnitude it is not very exact in terms of efficiency, that is, despite The fact that large volumes of information are found is not very relevant in most cases, especially when we talk about Web sites. Today, Web sites have become an indispensable friend for the user, since through them you can access any site in the world (as long as it is authorized), acquire any type of information you want and cover the needs that it requires. However, a vacuum with regard to the search for information or other resources persists; Situations that today are considered onerous either in money or time, apart from the little personalization that these sites present for the user in the general field of interaction. Organizations have been generating an increasing amount of information over the years, it has become necessary to use more efficient computational techniques that help to obtain a better understanding of this data. The Knowledge Discovery in Database (KDD) process and its main component Data Mining allow precisely to obtain useful knowledge for decision-making in different areas, including personalization.eng
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontents1.1 ANTECEDENTES 19 1.2 MOTIVACIÓN 23 1.3 BREVE DESCRIPCIÓN DE LA EMPRESA A SIMULAR 26 1.4 PLANTEAMIENTO DEL PROBLEMA 26 1.5 OBJETIVOS DE LA TESIS 29 1.5.1 Objetivo general 29 1.5.2 Objetivo especifico 29 1.6 ALCANCES Y LIMITACIONES 30 1.6.1 Alcances 30 1.6.2 Limitaciones 31 1.7 ORGANIZACIÓN DE LA TESIS 31 SECCIÓN 2: MARCO DE REFERENCIA 2.1 DESCUBRIMIENTO DE CONOCIMIENTO EN BASES DE DATOS (KDD) 33 2.1.1 El proceso de KDD 34 2.1.2 Limitaciones del aprendizaje sobre las bases de Datos 38 2.1.3 Disciplinas Relacionadas 41 2.2 ¿QUÉ ES MINERÍA DE DATOS? 43 2.2.1 Técnicas Aplicadas en la Minería de datos 44 2.2.1.1 Representación del Conocimiento 46 2.2.1.1.1 Representaciones basadas en la lógica de Proposiciones Extendidas 46 2.2.1.1.2 Representaciones basadas en la lógica de Predicados de 1° orden 48 2.2.1.1.3 Representaciones Estructuradas 49 2.2.1.1.4 Representaciones Basadas en Ejemplos 52 2.2.1.1.5 Redes Neuronales 52 2.2.1.2 Aprendizaje 54 2.2.1.2.1 Enfoques del Aprendizaje: Conductista y Cognoscitiva 55 2.2.1.2.2 Tipos de Aprendizaje 56 2.2.2 Componentes de la Minería de Datos 58 2.2.2.1 Algoritmos de Clasificación 58 2.2.2.2 Algoritmos de Reglas de Asociación 60 2.2.2.3 Análisis de Secuencias 61 2.2.3 Minería de datos: Un enfoque de negocios 61 2.2.4 Minería de datos vs. Métodos tradicionales 62 2.2.4.1 Minería de datos vs. Métodos Estadísticos 62 2.2.4.2 Minería de datos vs. Consultas tradicionales 63 2.2.5 Tipos de Implementación de minería de datos 64 2.2.5.1 Minería de datos en el lugar 64 2.2.5.2 Minería de datos fuera de línea 64 2.2.6 Aplicaciones de minería de datos 65 2.2.6.1 Administración del ciclo de vida del cliente 66 2.3 MÉTODOS Y TAREAS DE MINERÍA DE DATOS 67 2.3.1 Clasificación y Predicción 68 2.3.1.1 Clasificación por inducción de árboles de decisión 70 2.3.2 Regresión 70 2.3.3 Clustering 71 2.3.4 Sumarización 72 2.3.5 Modelado de dependencia 72 2.3.6 Detección de cambio y desviación 73 2.3.7 Métodos basados en ejemplos 73 2.3.8 Modelos de aprendizaje relacional 74 2.3.9 Análisis de Agrupamiento 74 2.3.9.1 Método de Agrupamiento Jerárquico 76 2.3.9.2 Método de Agrupamiento No Jerárquico 78 2.3.10 Reglas de Asociación 81 2.4 APLICACIONES EN INTERNET 91 2.5 SHAAD: SISTEMA HIPERMEDIA ADAPTABLE, ADAPTATIVO Y DINÁMICO 92 2.5.1 Consideraciones Generales 93 2.5.1.1 Redes Heterogéneas 93 2.5.1.2 Nomadicidad 95 2.5.1.3 Características para la Adaptación 99 2.5.1.4 Adaptabilidad / Adaptatividad 100 2.5.2 Estructura del SHAAD 102 2.5.2.1 Submodelo – Estado de Carga del Servidor 107 2.5.2.2 Submodelo – Características y Preferencias del Usuario 109 2.5.2.3 Submodelo – Acceso a la Red: Dispositivo del Usuario / Tipo de Acceso / Estado de la red. 110 2.5.2.4 Modelado del SHAAD 111 2.5.3 Que son lo Sitios Web Adaptativos...? 113 2.5.3.1 Promotion y Demotion 116 2.5.3.2 Resaltar (Highlighting) 116 2.5.3.3 Ligar (linking) 116 2.5.3.4 Agrupar (clustering) 117 SECCIÓN 3: PREPARACIÓN DE LOS DATOS Y DISEÑO 3.1 METODOLOGÍA DE DESARROLLO 118 3.2 SELECCIÓN DE LOS DATOS 119 3.3 PRE-PROCESAMIENTO DE LOS DATOS 121 3.4 SITIO WEB 123 3.4.1 Modelado y Diagramas 124 3.4.1.1 Casos de Uso 124 3.4.1.2 Secuencia 125 3.4.1.3 Clases 127 3.4.1.4 Componentes 129 3.4.2 Diseño de los Datos 129 3.4.2.1 Sistema Adaptativo 129 3.4.2.2 Minería de Datos 131 SECCIÓN 4: HERRAMIENTAS Y ALGORITMO,(S) DE MINERÍA UTILIZADOS 4.1 HERRAMIENTAS DE MINERÍA DE DATOS UTILIZADAS 135 4.1.1 WEKA 135 4.2 ALGORITMO,(S) ELEGIDO,(S) PARA EL ANÁLISIS 136 4.2.1 Agrupación (Simple k-means) 138 SECCIÓN 5. PRUEBAS Y ANÁLISIS DE RESULTADOS 5.1 PRUEBAS A (ADAPTATIVIDAD) 140 5.1.1 Selección de los mecanismos para la definición de las características y/o preferencias del usuario. 140 5.1.2 Selección de los mecanismos de definición del tipo de dispositivo de Acceso. 140 5.1.3 Selección de los mecanismos de definición del estado de la red 141 5.1.4 Selección de los mecanismos de definición del estado de carga del servidor. 141 5.2 DESARROLLO DEL MÓDULO ADAPTATIVO. 142 5.3 VENTAJAS Y DESVENTAJAS DE IMPLEMENTAR LOS MECANISMOS DE ADAPTACIÓN SOBRE EL SERVIDOR O SOBRE UN PROXY. 147 5.4 PRUEBAS B (MINERÍA DE DATOS) 148 5.4.1 Conjuntos de datos de las pruebas 148 5.4.2 Distribución de los datos 149 5.4.3 Clasificación de Usuarios 152 5.5 ANÁLISIS DE CLUSTERING 153 5.5.1 Análisis de Clustering con los Usuario 153 5.5.2 Conclusiones para el análisis de Clustering 154 SECCIÓN 6. CONCLUSIONES Y TRABAJOS FUTUROS 6.1 CONCLUSIONES 155 6.2 TRABAJOS FUTUROS 157 SECCION 7. BIBLIOGRAFIA 7.1 BIBLIOGRAFÍA 159spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/1319
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.relation.referencesBermúdez Sandoval, Jairo Edinson, Rojas Goyeneche, Roger Eduardo, Barrera Sanabria, Gareth (2004). Aplicando técnicas de Minería de Datos en el desarrollo de un sitio web adaptativo. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNABspa
dc.relation.references[1]. AJ. Gómez. "Inducción de reglas en bases de datos". En Informática y automática, vol. 26(3), 1993. Págs. 34-45.spa
dc.relation.references[2]. Anupam Joshi. On Mining Web Access Logs, Department of Computer Science and Electrical Engineering, University of Maryland Baltimore County, Baltimore, MD 21250, Krishnapuram Department of Mathematical and Computer Sciences Colorado School of Mines, Golden, CO 80401.spa
dc.relation.references[3]. A. WUTHRICH. "Knowledge Discovery in Databases". Draft of a manuscript for a posgraduate course taught at the Hong Kong University of Science and Technology, Clear Water Bay, Hong Kong. (FUV Diciembre/2004) En URL  ftp://ftp.cs.ust.hk/techreport/95/tr95-04.ps.gz, Febrero 1995. Págs 1-101.spa
dc.relation.references[4]. Bamshad Mobasher1, Honghua Dai, Tao Luo, Miki Nakagawa, Yuqing Sun, Jim Wiltshire. Discovery of Aggregate Usage Profiles for Web Personalization, School of Computer Science, Telecommunications, and Information Systems DePaul University, Chicago, Illinois, USA.spa
dc.relation.references[5]. Brusilovsky, P., Kobsa, A. and Vassileva J. (Eds.); Adaptive Hypertext and Hypermedia, Kluwer Academic Publ. Dordrecht, 1998.spa
dc.relation.references[6]. Date J. An Introduction to Database Systems, vol 1. 4ª edición, Addison-Wesley, Reading, Mass, 1986.spa
dc.relation.references[7]. Daniel A. Tauber, Como convertirse en un profesional de Internet, 2001.spa
dc.relation.references[8]. Data Engineering, vol. 5(6), Diciembre 1993. Págs. 903-913. (FUV Septiembre/2003) (En URL  ftp://ceylon.gte.com/tkde-kdd.ps, 1993. Págs. 0-21).spa
dc.relation.references[9]. David Hand, Heikki Mannila, and Padhraic Smyth. Principles of Data Mining. The MIT Press, 2001.spa
dc.relation.references[10]. David Mérida, Ramón Fabregat, Jose-Luis Marzo; "SHAAD: Adaptable, Adaptive and Dynamic Hypermedia System for content delivery ", Workshop on Adaptive Systems for Web Based Education (WASWE2002) Málaga (España), 28 may 2002.spa
dc.relation.references[11]. David Mérida, Ramón Fabregat; "SHAAD: sistema hipermedia adaptable, adaptativo y dinámico para la entrega de contenidos hipermedia", accepted to the JENUI 2002. Cáceres (España), 10-12 july 2002.spa
dc.relation.references[12]. Deitel Harvey, P.J. Deitel; How to program JAVA; Deitel & Asociates; 1998.spa
dc.relation.references[13]. Diccionario Enciclopédico Abreviado. Espasa-Calpe S.A., Madrid. Tomo I, Séptima Edición, España. 1974.spa
dc.relation.references[14]. Fayyad, U.M., Piatetsky-Shapiro and P. Smith. From Data Mining to Knowledge Discovery: An Overview. En Advances in Knowledge Discovery and Data Mining. AAAI Press. MIT Press. 1996spa
dc.relation.references[15]. G. Piatetsky-shapiro yw. J. Frawley. Knowledge Discovery in Databases. AAAI-MIT Press, Menlo Park, California, 1991.spa
dc.relation.references[16]. Grady Booch, James Rumbarg; Proceso unificado de desarrollo de software (UML); 2000.spa
dc.relation.references[17]. Grady Booch/James Rumbaugh/Ivar Jacobson, Addison Wesley, El Lenguaje Unificado de Modelado (LUM/UML),.1998.spa
dc.relation.references[18]. Gran Enciclopedia Larousse. Ed. Planeta, 1996.spa
dc.relation.references[19]. Han, J; Kamber M. Data Mining Concepts and Techniques. Morgan Kaufmann. 2001.spa
dc.relation.references[20]. Henry F. Korth, Abraham Silberschtz; Fundamentos Bases de Datos; 1993.spa
dc.relation.references[21]. Hiroshi Maruyama, Kent Takamura, Naohiko Uramoto; XML and JAVA developing web applications; 1999.spa
dc.relation.references[22]. Holsheimer, M., Siebes, A.P.J.M. Data Mining: the search for knowledge in databases. Computer Science/Departament of Algorithmics and Architectire, Centrum voor Wiskunde en Informatica, CS-R9406, Amsterdam, Holanda. 1994.spa
dc.relation.references[23]. Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, 1999.spa
dc.relation.references[24]. J. A. Freeman y d. M. Skapura. Redes Neuronales: Algoritmos, aplicaciones y técnicas de propagación, Addison-Wesley, 1993.spa
dc.relation.references[25]. Jiawei Han and Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann, 2000.spa
dc.relation.references[26]. Joshi, K.P. 1997. Analysis of Data Mining Algorithms (FUV Abril/15/2004)  http://userpages.umbc.edu/~kjoshi1/data-mine/proj_rpt.htmspa
dc.relation.references[27]. Kerry A. Letho, W. Breh Plonsky; El libro official de Microsoft front page 98; 1998.spa
dc.relation.references[28]. Klemettinen, M., Mannila, H., Ronkainen, P., Toivonen, H., Verkamo, A.. Finding Interesting Rules from Large Sets of Discovered Association Rules, University of Helsinki, Department of Computer Science, Helsinki, Finlandia. 1994.spa
dc.relation.references[29]. M. Perkowitz and O. Etzioni. Adaptive web sites: an AI challenge. In Proc. 15th Int. Joint Conf. AI, pages 16--23, 1997.spa
dc.relation.references[30]. M. Perkowitz and O. Etzioni. Adaptive Web sites: automatically synthesizing Web pages. In Proceedings of Fifteenth National Conference on Artificial Intelligence, Madison, WI, 1998.spa
dc.relation.references[31]. M. Perkowitz and O. Etzioni. Adaptive web sites: Conceptual cluster mining. In Proc. 16th Int. Joint Conf. AI, pages 264--269, 1999.spa
dc.relation.references[32]. Mannila, H., Toivonen, H., Verkamo, A.. Efficient Algorithms for Discovering Association Rules, University of Helsinki, Department of Computer Science, Helsinki, Finlandia. 1994.spa
dc.relation.references[33]. Mena, J. Data mining your website. Digital Press. 1999.spa
dc.relation.references[34]. Michalski, R.S., Bratko, I., Kubat M. Machine Learning and Data Mining. Methods and Applications. Wiley & Sons Ltd., EE.UU. 1998.spa
dc.relation.references[35]. Morales, E. Descubrimiento de Conocimiento en Bases de Datos.  http://www.mor.itesm.mx/~emorales/Cursos/KDD/node168.html (FUV Noviembre/25/2004), 1999.spa
dc.relation.references[36]. Neil Randall, Internet en 21 dias, 1995.spa
dc.relation.references[37]. Lemay, Laura Aprendiendo HTML 3.0 para Web en una semana. 1996spa
dc.relation.references[38]. Lenguaje de Programacion JAVA (FUV Noviembre/2003)  http://www.javahispano.org/tutorials.type.action?type=j2se - http://java.sun.com - http://www.sun.comspa
dc.relation.references[39]. Oppermann R. Introduction. Adaptive User Support (Ed. Oppermann R.), Lawrence Erlbaum. Associates, Hillsdale, New Jersey, pp1-13. 1994.spa
dc.relation.references[40]. P. R. Limb y g. J. Meggs. "Data mining, tools and techniques". En BT Technology Journal, vol. 12(4), Octubre 1994. Págs. 32-41.spa
dc.relation.references[41]. P. De Bra and L. Calvi. Towards a Generic Adaptive Hypermedia System. Proc. Second Workshop on Adaptive Hypertext and Hypermedia, Pittsburgh, pp. 5–11, 1998.spa
dc.relation.references[42]. P. Brusilovsky. Methods and Techniques of Adaptive Hypermedia. User Modeling and User-Adapted Interaction, Vol. 6, pp. 87–129, Kluwer academic publishers, 1996.spa
dc.relation.references[43]. Paul De Bra, “Design Issues in Adaptive Web-Site Development”, Proceedings of the 2nd Workshop on Adaptive Systems and User Modelling on the WWW.spa
dc.relation.references[44]. Peter Brusilovsky, “Adaptive Hipermedia”, User Modelling and User-Adapted Interaction 11: 87-110, 2001, Kluwer Academic Publishers, Netherlands.spa
dc.relation.references[46]. (IBM) Rational Rose Modeler (FUV Enero/2004)  http://www-306.ibm.com/software/rational/spa
dc.relation.references[47]. Real academia española. Diccionario de la Lengua Española. Ed. Espasa Calpe, Madrid, 1994.spa
dc.relation.references[48]. Reinhard Oppermann, Rossen Rashev, Kinshuk, “Adaptability and Adaptativity in Learning Systems”, Knowledge Transfer (Volume II) (Ed. A. Behrooz), pAce, London, UK, pp173-179 (ISBN –900427-015-X), 1997.spa
dc.relation.references[49]. Rick Decker; Introducción a la programación con JAVA; Hamilton College; 1998.spa
dc.relation.references[50]. Rick Stout; The World Wide Web Complete Reference; 1996.spa
dc.relation.references[51]. Rosa Carro, Estrella Pulido, Pilar Rodríguez, Una herramienta para la construcción de sitios web adaptativos. 2000.spa
dc.relation.references[52]. Rui Alexandre P. P. da Cruz, Francisco J. García Peñalvo, Luis Alonso Romero - Perfiles de usuario: en la senda de la personalización. 2003  http://tejo.usal.es/inftec/2003/DPTOIA-IT-2003-001.pdfspa
dc.relation.references[53]. S. Dzeroski. “Inductive Logic Programming and Knowledge Discovery in Databases”. En Advances in Knowledge Discovery and Data Mining, Fayyad, Piatetsy-Shapiro, Smyth y Uthurusamy Eds., AAAI Press, Menlo Park, California, 1996. Págs. 117-152.spa
dc.relation.references[54]. Sašo Džeroski and Nada Lavra¡c. Relational Data Mining. Springer, 2001. University of Washington, Seattle, WA 98195, USA. Towards adaptive Web sites: Conceptual framework and case study Mike Perkowitz , Oren Etzioni 1 Department of Computer Science and Engineering, Box 352350, Received 1 February 1999; received in revised form 28 July 1999.spa
dc.relation.references[55]. Sistema de gestion de Base de Datos Oracle (FUV Noviembre/2004)  http://www.oracle.comspa
dc.relation.references[56]. University of Washington, Seattle, WA 98195-2350. Adaptive Sites: Automatically Learning from User Access PatternsMike Perkowitz and Oren Etzioni Department of Computer Science and Engineering.spa
dc.relation.references[57]. WebE Ingenieria de la Web Home,  http:// csdl.computer.org/comp/proceedings/ icse/2000/2147/00/21470794.pdf. (FUV Noviembre/2004)spa
dc.relation.references[58]. Grupo de Investigación en Ingeniería Web y Almacenes de Datos, (FUV Febrero/15/2004) - WebE – Ingenieria de la Web  http://gplsi.dlsi.ua.es/iwad/investigacionWeb.htmlspa
dc.relation.references[59]. WebE – Ingenieria de Web (FUV Diciembre/2004)  http://budhi.uow.edu.au/web-engineering99/web_engineering.htmlspa
dc.relation.references[60]. WEKA - Machine Learning Sotware in Java. Universidad de Waikato. Nueva Zelanda (FUV Mayo/10/2004).  http://www.cs.waikato.ac.nz/~ml/weka/spa
dc.relation.references[61]. Yudong Yang, Jinlin Chen, and Hongjiang Zhang, “Adaptive Delivery of HTML Contents”, 9th International World Wide Web Conference – The Web: The Next Generation, Amsterdam, 2000.spa
dc.relation.references[62]. Y Antonio José Gómez Flechoso, Ing. de Telecomunicación - Madrid, 1998.spa
dc.relation.references[63]. Y Nelson Pedroza Estrada, “Descubrimiento de conocimiento en los datos de una empresa de telefonía”, Cuernavaca, Morelos. Mayo de 2002.spa
dc.relation.references[64]. Departamento Ingenieria Informatica Universidad de chile, Chile 1999. (FUV-> Octurbre/2003). www.diinf.usach.cl/~mchacon/Mineria/Apuntes/t_tmd4.pdfspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsData mining (Computer programming)eng
dc.subject.keywordsElectronic data processingeng
dc.subject.keywordsBusiness administrationeng
dc.subject.keywordsInformation storage systemseng
dc.subject.keywordsInformation retrieval systemseng
dc.subject.keywordsDatabaseseng
dc.subject.keywordsSystems engineeringeng
dc.subject.keywordsInvestigationseng
dc.subject.keywordsAnalysiseng
dc.subject.keywordsKnowledge patternseng
dc.subject.keywordsComputer systemseng
dc.subject.keywordsBuilding applicationseng
dc.subject.keywordsData miningeng
dc.subject.lembData mining (Programación para computador)spa
dc.subject.lembProcesamiento electrónico de datosspa
dc.subject.lembAdministración de empresasspa
dc.subject.lembSistemas de almacenamiento de informaciónspa
dc.subject.lembSistemas de recuperación de informaciónspa
dc.subject.lembBases de datosspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInvestigacionesspa
dc.subject.lembAnálisisspa
dc.subject.proposalPatrones de conocimiento
dc.subject.proposalSistemas informáticos
dc.subject.proposalConstrucción de aplicaciones
dc.subject.proposalMinería de datos
dc.titleAplicando técnicas de Minería de Datos en el desarrollo de un sitio web adaptativospa
dc.title.translatedApplying Data Mining techniques in the development of an adaptive websiteeng
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
2004_Tesis_Roger_Eduardo_Rojas_Goyeneche.pdf
Tamaño:
2.08 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar

Colecciones

Pregrado Ingeniería de Sistemas
Grupo de Investigaciones Clínicas
Grupo de Investigación Tecnologías de Información - GTI