El documento describe el proceso de Web Usage Mining, el cual incluye la preparación de datos como la limpieza, sesionización e identificación de usuarios a partir de logs de servidores web. Luego, se realiza el análisis de los patrones de uso y comportamiento de los usuarios a través de técnicas como la detección de ítems frecuentes, reglas de asociación y agrupamiento. Los resultados pueden aplicarse a la personalización de sitios web.
Libro electrónico en español de 49 páginas con curso de formación de Google Analytics creado por Google.
http://www.juancmejia.com/
https://twitter.com/JuanCMejiaLlano
Taller de Iniciación a la Analítica Web con Google AnalyticsJulián Sánchez
Taller realizado en el espacio Camon de Madrid de introducción a la Analítica Web con Google Analytics por Isabel Olmos y Julián Sánchez. El taller tuvo lugar el pasado 16 de febrero de 2011.
Introducción a la analítica web, terminología básica, conceptos clave, informes estándar... Una introducción al mundo de la analítica, los objetivos y de cómo puede ayudarnos en nuestros negocios online.
Libro electrónico en español de 49 páginas con curso de formación de Google Analytics creado por Google.
http://www.juancmejia.com/
https://twitter.com/JuanCMejiaLlano
Taller de Iniciación a la Analítica Web con Google AnalyticsJulián Sánchez
Taller realizado en el espacio Camon de Madrid de introducción a la Analítica Web con Google Analytics por Isabel Olmos y Julián Sánchez. El taller tuvo lugar el pasado 16 de febrero de 2011.
Introducción a la analítica web, terminología básica, conceptos clave, informes estándar... Una introducción al mundo de la analítica, los objetivos y de cómo puede ayudarnos en nuestros negocios online.
Analítica Web con Google analytics universidad_alicanteOveralia
Charla sobre Google Analytics y analítica Web en la Universidad de Alicante dentro de la jornada sobre SEO, Social Media y Analítica Web, celebrada el pasado 10 de mayo del 2010
Charla sobre Google Analytics y Analítica Web en la Universidad de AlicanteGuillermo Vilarroig
Charla sobre Google Analytics y analítica Web en la Universidad de Alicante dentro de la jornada sobre SEO, Social Media y Analítica Web, celebrada el pasado 10 de mayo del 2010
Elasticsearch es un servidor de búsqueda basado en Lucene. Provee un motor de búsqueda de texto completo, distribuido y con capacidad de multi-tenencia con una interfaz web RESTful y con documentos JSON. Elasticsearch está desarrollado en Java y está publicado como código abierto bajo las condiciones de la licencia Apache.
Introducción al Business Intelligence, sistemas OLAP, Data Warehouse, Data Marts, comparación metodologías Inmon y Kimball.
Curso de Análisis de la Información y la Decisión, Facultad de Ingeniería, Universidad de Palermo.
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta in...espinozaernesto427
Las lámparas de alta intensidad de descarga o lámparas de descarga de alta intensidad son un tipo de lámpara eléctrica de descarga de gas que produce luz por medio de un arco eléctrico entre electrodos de tungsteno alojados dentro de un tubo de alúmina o cuarzo moldeado translúcido o transparente.
lámparas más eficientes del mercado, debido a su menor consumo y por la cantidad de luz que emiten. Adquieren una vida útil de hasta 50.000 horas y no generan calor alguna. Si quieres cambiar la iluminación de tu hogar para hacerla mucho más eficiente, ¡esta es tu mejor opción!
Las nuevas lámparas de descarga de alta intensidad producen más luz visible por unidad de energía eléctrica consumida que las lámparas fluorescentes e incandescentes, ya que una mayor proporción de su radiación es luz visible, en contraste con la infrarroja. Sin embargo, la salida de lúmenes de la iluminación HID puede deteriorarse hasta en un 70% durante 10,000 horas de funcionamiento.
Muchos vehículos modernos usan bombillas HID para los principales sistemas de iluminación, aunque algunas aplicaciones ahora están pasando de bombillas HID a tecnología LED y láser.1 Modelos de lámparas van desde las típicas lámparas de 35 a 100 W de los autos, a las de más de 15 kW que se utilizan en los proyectores de cines IMAX.
Esta tecnología HID no es nueva y fue demostrada por primera vez por Francis Hauksbee en 1705. Lámpara de Nernst.
Lámpara incandescente.
Lámpara de descarga. Lámpara fluorescente. Lámpara fluorescente compacta. Lámpara de haluro metálico. Lámpara de vapor de sodio. Lámpara de vapor de mercurio. Lámpara de neón. Lámpara de deuterio. Lámpara xenón.
Lámpara LED.
Lámpara de plasma.
Flash (fotografía) Las lámparas de descarga de alta intensidad (HID) son un tipo de lámparas de descarga de gas muy utilizadas en la industria de la iluminación. Estas lámparas producen luz creando un arco eléctrico entre dos electrodos a través de un gas ionizado. Las lámparas HID son conocidas por su gran eficacia a la hora de convertir la electricidad en luz y por su larga vida útil.
A diferencia de las luces fluorescentes, que necesitan un recubrimiento de fósforo para emitir luz visible, las lámparas HID no necesitan ningún recubrimiento en el interior de sus tubos. El propio arco eléctrico emite luz visible. Sin embargo, algunas lámparas de halogenuros metálicos y muchas lámparas de vapor de mercurio tienen un recubrimiento de fósforo en el interior de la bombilla para mejorar el espectro luminoso y reproducción cromática. Las lámparas HID están disponibles en varias potencias, que van desde los 25 vatios de las lámparas de halogenuros metálicos autobalastradas y los 35 vatios de las lámparas de vapor de sodio de alta intensidad hasta los 1.000 vatios de las lámparas de vapor de mercurio y vapor de sodio de alta intensidad, e incluso hasta los 1.500 vatios de las lámparas de halogenuros metálicos.
Las lámparas HID requieren un equipo de control especial llamado balasto para funcionar
(PROYECTO) Límites entre el Arte, los Medios de Comunicación y la Informáticavazquezgarciajesusma
En este proyecto de investigación nos adentraremos en el fascinante mundo de la intersección entre el arte y los medios de comunicación en el campo de la informática.
La rápida evolución de la tecnología ha llevado a una fusión cada vez más estrecha entre el arte y los medios digitales, generando nuevas formas de expresión y comunicación.
Continuando con el desarrollo de nuestro proyecto haremos uso del método inductivo porque organizamos nuestra investigación a la particular a lo general. El diseño metodológico del trabajo es no experimental y transversal ya que no existe manipulación deliberada de las variables ni de la situación, si no que se observa los fundamental y como se dan en su contestó natural para después analizarlos.
El diseño es transversal porque los datos se recolectan en un solo momento y su propósito es describir variables y analizar su interrelación, solo se desea saber la incidencia y el valor de uno o más variables, el diseño será descriptivo porque se requiere establecer relación entre dos o más de estás.
Mediante una encuesta recopilamos la información de este proyecto los alumnos tengan conocimiento de la evolución del arte y los medios de comunicación en la información y su importancia para la institución.
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
2. Introducción
2
Web Usage Mining: descubrimiento automático
de patrones en los clicks realizados sobre un
sitio Web y los datos recolectados o generados
como resultado de las interacciones de los
usuarios con uno o más sitios Web.
Objetivo: analizar los patrones de
comportamiento de los usuarios interactuando
con un sitio Web.
Los patrones descubiertos son generalmente
representados como colecciones de páginas,
objetos o recursos que son accedidos por un
grupo de usuarios con un objetivo en común.
3. Introducción
3
Los datos utilizados para Web Usage Mining:
Logs de servidores web.
Contenido del sitio.
Datos acerca de los visitantes, obtenidos de fuentes
externas.
Datos de otras aplicaciones.
No siempre están disponibles todos.
Cuando si están, deben ser integrados.
8. Limpieza de datos
8
Data cleaning / cleansing
Eliminar referencias irrelevantes y campos en
logs
Eliminar referencias a navegaciones de robots
Eliminar referencias erroneas
Agregar referencias faltanets debido a caching
(una vez realizada la sesionización)
9. Identificar sesiones
(sesionización)9
En el análisis de uso de la Web, los datos están
en sesiones de visitas al sitio: la actividad
realizada por un usuario desde el momento que
ingresa al sitio hasta que lo deja.
Dificultad para obtener datos confiables de uso
debido a servidores proxy y aplicaciones de
ocultamiento, referencias pérdidas debido a
cache y la imposibilidad de los servidores de
distinguir entre diferentes visitas.
15. PageView
15
Un pageview es una representación agregada
de una colección de páginas Web
contribuyendo a visualizar en el navegador del
usuario el resultado de una acción simple (un
click).
Conceptualmente, cada pageview puede ser
visualizado como una colección de objetos o
recursos representando un especifico “evento
de usuario”, ej: leyendo un artículo, mirando una
páginad e producto o agregando un producto al
carrito de compras.
16. Path completion
16
Caché en el cliente o servidor puede derivar en
referencias de accesos perdidas para las
páginas que se encuentran en el caché.
Por ejemplo:
Si un usuario regresa a una página A durante la
misma sesión, probablemente podrá ver la
versión descargada anteriormente de A que se
encuentra en el caché de su computadora y por
lo tanto no se vuelve a solicitar al servidor.
Esto ocasiona que la segunda referencia a A no
sea registrada en el log del servidor Web.
18. Path completion
18
El problema es inferir referencias perdidas
debido a uso de caché.
Conocer caminos de navegación efectivos
requiere conocimiento extensivo de la
estructura de links dentro del sitio.
Información de referencia en los logs del
servidor puede ser usada en la desambiguación
de inferencias de caminos.
19. Integración con eventos de e-
commerce19
Puede ser orientado a productos o visitas
Utilizados para trackear y analizar conversión
de navegadores a compradores.
La mayor dificultad para eventos de e-commerce
es definir e implementar los eventos para un sitio.
Otro desafio importante es la integración exitosa
de los datos obtenidos de la navegación.
20. Eventos orientados a producto
20
Vista de producto
Ocurre cada vez que un producto aparece en una
visita a una página.
Tipos típicos: imagen, link, texto.
Click a productos
Ocurre cada vez que un usuario hace click en un
producto para obtener mayor información.
21. Eventos orientados a productos
21
Cambios en carritos de compra
Agregar o eliminar productos del carrito
Modificar productos en el carrito (cantidad u otra
caracteristica)
Compra de producto u oferta
Los eventos de compra ocurren separadamente
para cada producto en el carrito de compras.
Los sitios de subastas pueden rastrear eventos
de oferta además de las compras de productos.
26. Análisis de sesiones
26
Forma más simple de análisis: examinar
inviduos o grupos de individuos desde el log del
server y datos de e-commerce.
Ventajas:
Obtener información sobre los clientes tipicos.
Trazar problemas específicos en el sitio.
Desventajas:
Volumen alto de datos.
Dificil de generalizar.
27. Análisis de sesiones: reportes
agregados27
Forma más común de análisis
Los datos son agregados a niveles
predeterminados (días o sesiones).
Ventajas:
Vista general de utilización del sitio.
Minimo espacio en disco para procesamiento.
Desventajas:
Problemas para bucear en los datos.
28. OLAP
28
Permite cambios en los niveles de agregación
para múltiples dimensiones.
Generalmente asociado a un Data Warehouse.
Pros y contras
Muy flexible.
Requiere más recursos que los reportes
estáticos.
29. Data Mining
29
Itemset frecuente
La Home Page y el Carrito de Compras son
visitados juntos por el 20% de las sesiones.
Las categorias Libros y Música son visitados
juntos en 1.5% de las sesiones.
Reglas de asociación
Cuando la Home Page es visitada, el Carrito de
Compras es visto tambien el 90% del tiempo.
Cuando la categoria Libros es visitada en una
sesión, la categoria Música también es visitada
el 5% del tiempo.
30. Data Mining (cont)
30
Patrones secuenciales
Agrega una dimensión extra a las dos anteriores, el
tiempo.
El x% del tiempo, cuando A aparece en una
transacción, B también aparece.
Ejemplo: La página PlayStation PSP Vita es visitada
despues de PlayStation PSP el 50% de las veces,
esto ocurre en el 5% de las sesiones.
Clustering: basado en contenido o uso
Segmentación cliente / visitante
Categorización de páginas y productos
32. Personalización
32
Personalización Web: “personalizar la
experiencia de navegación de un usuario
ajustando el look and feel y contenido
dependiendo los intereses y necesidades del
usuario.
Motivos:
Mejorar y profundizar la relación con el cliente.
Proveer relación continua para mejorar la lealtad
del cliente.
Proveer la habilidad de medir el comportamiento
del cliente e identificar como el cliente responde a
los esfuerzos de marketing.
33. Enfoques tipicos
33
Filtros basados en reglas
Proveer contenido basado en reglas predefinidas (ej.,
si el usuario hace click en A y utiliza X navegador,
agregar el link C)
Filtros colaborativos
Brindar recomendaciones a los usuarios basado en
las respuestas de otros usuarios similares.
Filtros basados en contenidos
Analizar las páginas que visita el usuario y
recomendar aquellas con contenido similar.
Métodos hibridos
Combinación de filtros colaborativos y de contenidos.