Bibliografa para Minera para deteccin de cncer

La minera de datos es muy til en el mbito de control y deteccin de enfermedades

puesto que nos ayuda a controlar, optimizar, administrar, examinar, investigar,
planificar, predecir y tomar decisiones o patrones para la deteccin y documentacin
de las mismas [Swanson, 1999]. Esta herramienta tecnolgica es capaz de analizar
enormes bancos de informacin para la extraccin de datos relevantes de calidad y
bien dirigidos a velocidad de procesadores de computo. La elaboracin y
conduccin de hiptesis poco frecuentes para la prueba de soporte experimental y
extraccin de evidencias para el control de las enfermedades [Piatetski-Shapiro,
1996]. El datamining es una ciencia potencialmente til y humanamente
comprensible, a partir de grandes conjuntos de datos, con el objeto de predecir de
manera automatizada tendencias y comportamientos; as como, describir o generar
modelos previamente desconocidos; la Minera de Datos se ha utilizado
principalmente para la generacin y bsqueda de informacin que satisfaga el
principio de comprensibilidad y el descubrimiento de conocimientos interesantes;
que como resultado de su aplicacin nos permitan visualizar patrones,
asociaciones, cambios, anomalas y estructuras significativas a partir de grandes
cantidades de datos almacenados en bases de datos [Reparaz, 2008].
El desarrollo de aplicaciones que utilizan a la minera de datos para el control de
enfermedades va en incremento gracias a la facilidad de extraccin del
conocimiento con respecto a este tipo de afecciones; puesto que, existen un
conjunto de tcnicas y herramientas capaces de ayudar a la toma de decisiones de
los expertos [Dvila, 2012]. Aunque la minera de datos es relativamente joven su
aplicacin en el sector salud a nivel internacional se destaca por la "Aplicacin de
tcnicas de minera de datos para el diagnstico prematuro del cncer de mamas".
Algunos sistemas reconocidos con el tema se encargan de realizar un diagnstico
del cncer de mama a partir de una base de datos de imgenes de mamografas.

P g i n a 1 | 13

En Cuba se han desarrollado investigaciones como por ejemplo "Aplicaciones de la

minera de datos para el anlisis de la Informacin Clnica". Este estudio se basa en
el apoyo a la toma de decisiones a partir de coronariografas realizadas a pacientes
que padecen cardiopatas isqumicas [Dvila, 2012].
La Minera de Datos ha sido vista como el proceso de minar informacin
[Gorunescu, 2011], por lo tanto, hacer datamining siempre ha sido sinnimo de
trabajo con los procesos, por los cuales tiene que exponerse a los datos para la
extraccin de la informacin, con el fin de obtener conocimiento veraz inmerso
dentro de los mismos, como apoyo para la toma de decisiones.
Con el objetivo de apoyar los procesos que confieren a la Minera de datos surge
la metodologa CRISP-DM [Chapman, 2000] con el propsito de entender el
problema al que se le desea estudiar; como una metodologa flexible y sencilla para
las fases del proceso de minado. CRISP-DM es una metodologa dedicada a la
preparacin de los datos que se apoya por cinco fases durante el proceso de
extraccin (limpieza, seleccin, formateo, construccin e integracin de los datos)
para el buen entendimiento del mercado o rea a la que se le desea aplicar minera
de datos [Domnguez, 2013].
Diversas investigaciones e instituciones han estado dedicadas al estudio de la etapa
de preparacin de los datos con el objetivo de resolver los problemas presentes en
dicha etapa; muchas de estas investigaciones comparten caractersticas como el
dominio de aplicacin en el sector salud, para el anlisis datos de diferentes
enfermedades como el cncer o la diabetes con el alcance de encontrar un patrn
o caractersticas que las generalice [Domnguez, 2013].
Algunas investigaciones tal como [Duhamel, 2003], el cual forma parte del proyecto
europeo llamado Diabcare, donde se desarrollen y utilicen herramientas de Minera
de Datos para el anlisis de datos clnicos de personas con diabetes, donde se
propone analizar la fase de Preparacin de Datos para proveerla de herramientas
que faciliten el manejo de inconsistencias y valores perdidos.
P g i n a 2 | 13

Durante la elaboracin de este se propuso un mtodo de Preparacin de Datos de

tres fases: limpieza, anlisis de los datos faltantes y seleccin de la tcnica de
manejo de los datos, enfocndose nicamente a la limpieza de la informacin del
caso para la automatizacin de dicho proceso.
Shin-Mu propuso un mtodo que estaba enfocado al manejo de los valores
perdidos, utilizando tcnicas de agrupamiento y regresin para la limpieza de los
datos disponibles. Reportando la precisin en la prediccin de los valores mostrando
exactitud al recuperar los valores perdidos; enfocado slo a la limpieza de los datos
y manejo de valores perdidos [Shin-Mu,2003].
Labib realizo un proyecto de investigacin donde se describe el proceso de
preparacin de datos realizado durante el caso de estudio sobre datos de cncer en
Egipto; en el cual se reportan los procesos de limpieza, seleccin, integracin y
transformacin o construccin de datos, aunque carente de una metodologa que lo
soporte durante el proceso de anlisis y el cual proporciona poca informacin sobre
las tareas ejecutadas durante la preparacin de los datos [Labib, 2005]. Amir
propone en uno de sus proyectos un mtodo que consiste en el reemplazo de
valores perdidos y la seleccin de atributos consultando con expertos en el dominio.
Los datos utilizados pertenecen a registros de cncer de mama ocurridos en Suecia.
En los resultados se observ un crecimiento en la eficiencia de la prediccin de los
valores perdidos, a pesar de la precisin, el mtodo est centrado nicamente en el
problema de la limpieza y seleccin de atributos [Amir, 2005].
Iturbide realizo un trabajo enfocado a la Preparacin de Datos espaciales; en el cual
se propone una metodologa de tres pasos (seleccin, materializacin y
transformacin de datos) y un framework; donde los datos estn relacionados a
enfermos con padecimientos de cncer con el fin de observar relaciones entre
pacientes con padecimientos de cncer y fbricas o antenas de telefona celular, de
acuerdo a su ubicacin geogrfica [Iturbide, 2013].

P g i n a 3 | 13

En el trabajo de Iturbide se presentan los siguientes pasos: 1) los datos que se estn
manejando, espaciales y poblacionales, pertenecen a pacientes con padecimientos
de cncer 2) la propuesta de una metodologa y 3) un software de Preparacin de
Datos [Iturbide, 2013].
Bratu propone una metodologa para la sustitucin de valores perdidos y seleccin
de atributos, los datos utilizados para esta investigacin estn relacionados al
dominio epidemiolgico, especficamente, cncer de prstata. El enfoque es
innovador, ya que propone manejar la limpieza y seleccin de atributos, como dos
fases en la misma actividad, no obstante, no aborda otras fases del proceso de
Preparacin de Datos. Es una metodologa simple y genrica, que puede ser
utilizada para varios dominios de aplicacin. Tambin, resalta la necesidad de semiautomatizar los procesos de preparacin [Bratu, 2009].

El Modelo de simulacin Epidemiolgica de cncer de mama de Wisconsin se

gener con el propsito de indagar y extraer informacin inmersa en los datos
recabados para la deteccin temprana de cncer de mama con la ayuda de la
minera de datos, basado principalmente en un modelo de simulacin estocstico
que usa un sistema cientfico para el estudio del nivel de incidencia y mortalidad del
cncer de mama en la poblacin [Hernndez, 2007].

Este modelo trabaja simultneamente con cuatro procesos interactivos los cuales
arrojan datos a travs del tiempo, contribuyendo con algn patrn de incidencia
repetitivo para un porcentaje importante de los casos, que se pueda transformar en
conocimiento de alto impacto o bien un nuevo modelo que represente conocimiento
al rea [Hernndez, 2007].
Tal sistema simula los casos de la enfermedad, tanto detectada como oculta, o a
nivel individual, til tambin para responder a preguntas sobre la seleccin y
efectividad de los tratamientos adecuados para cada tipo de paciente de acuerdo a
P g i n a 4 | 13

las similitudes del mismo con respecto a los resultados obtenidos durante la
clasificacin, adems de estimar beneficios para mujeres de edades e historiales
especficos; un Modelo podra calcular el diagnstico del cncer a partir de
imgenes digitalizadas de un aspirado de masa de la mama, para clasificar si el
tumor es Maligno o Benigno [Hernndez, 2007].
Utilizar minera de Datos nos ayudar a la obtencin de patrones y relaciones entre
atributos, que permitan predecir de antemano, un caso especfico de cncer y los
factores que inciden la supervivencia o mortandad de la mujer que la padece; la
deteccin temprana juega un papel importante en la reduccin de mortandad por lo
cual muchos mtodos han sido investigados para mejorar la deteccin de la misma
[Hernndez, 2007]. Diversas instituciones trabajan con el propsito de analizar los
procesos asociados al tratamiento de cncer mamario de los pacientes,
identificando y estableciendo similitudes entre los mismos para que mltiples
usuarios puedan analizar caractersticas propias y saber en contra experiencia el
tratamiento que llevar y los posibles resultados que obtendr en determinado
momento [Hurtado, 2008]; el anlisis, diseo y pruebas de Algoritmos genticos
apoyan a la clasificacin de bancos de clulas cancergenas [Castrilln, 2010];
mientras que WEKA proporciona predicciones dado un conjunto de entrenamiento
para poner en alerta a pacientes potenciales.
Boone realiz una investigacin referente al cncer en Mxico debido a que esta
enfermedad es una de las principales causas de mortandad del pas, identificando
la distribucin del mismo con respecto a las regiones con altas tasas de incidencia
de la enfermedad para contribuir a la disminucin de mortandad en el pas, mediante
el uso e integracin de tcnicas de minera de datos [Boone, 2011].
La visualizacin de los resultados se mostr mediante sistemas de informacin
geogrfica, permitiendo mejorar la calidad de representacin de los municipios
donde prevenir la enfermedad, a nivel social el control de la afeccin se simplifico
ya que las zonas de riesgo se identificaron brindando un control ms especializado
de la misma para la reduccin de mortandad en la poblacin. [Boone, 2011].

P g i n a 5 | 13

El procesamiento de KDD se integr y recopilo mediante la contribucin de los

sistemas sociales INEGI, IRIS-Arclnfo, NAAIS-SCRIS generando un almacn de
datos de tipo Multidimensional ROLAP que permite el proceso de seleccin,
limpieza y transformacin de los datos, consiguiendo calidad de la informacin;
evaluados y procesados con el algoritmo de agrupamiento para la extraccin de
patrones y la extraccin de resultados para su evaluacin e interpretacin. Mediante
el cual se identificaron regiones de municipios con altas tasas de incidencia de
cncer en el pas, con el objetivo de promover acciones que contribuyan a disminuir
los ndices de mortandad por cncer [Boone, 2011].
En el contexto de la Minera de Datos, Chen presenta una estrategia basada en el
anlisis general y detallado de dendogramas que permiten la visualizacin de
jerarquas de grupos, y que incorporan una medida de ponderacin de los nodos en
el dendograma. La estrategia adoptada permite encontrar patrones de inters, lo
que se detalla mediante un caso de estudio basado en datos demogrficos y de
mortalidad a nivel de condados de los Estados Unidos de Amrica (EEUU), sobre
la incidencia de cncer cervical [Chen 2009].
Thangavel identifico patrones sobresalientes de una Base de Datos de pacientes de
cncer cervical, proporcionada por uno de los centros de cncer de Tamilnadu,
India.
El objetivo principal consisti en determinar cules factores influyen en el
diagnstico del cncer cervical para una regin determinada. La metodologa para
el descubrimiento de subgrupos en el cncer cervical se implement en un Data
Mining Server (DMS), disponible en http://dms.irb.hr para uso pblico. Adems, se
desarroll un nuevo mtodo de Minera de Datos que combina el aprendizaje
mquina basado en induccin de subgrupos interesantes con el anlisis estadstico
de descubrimiento de subgrupos [Thangavel 2006].

P g i n a 6 | 13

REFERENCIAS

lvarez Munarriz, Luis. Fundamentos de la inteligencia artificial.

[Alvarez,

Universidad de Murcia, 1994.Secretariado de publicaciones. Ed II.

1994]

books.google.com.mx/books?isbn=8476845634

Beekman, George. Introduccin a la computacin. Mxico, 2000.

[Beekman,

Editorial; Pearson.

2000]

https://books.google.com.mx/books?isbn=9684442823

Berry, Michael J.A., & Linoff, Gordon S.; Data Mining Techniques. Wiley,
[Berry, 1997]

1997.
books.google.com.mx/books?id=AyQfVTDJypUC&printsec=frontcover&
dq=Data+Mining+Techniques+berry

Bourcier,

Daniele.

Inteligencia

artificial

derecho.

[Bourcier,

2003.Editorial; UOC.

2003]

https://books.google.com.mx/books?isbn=8483189747

Barcelona,

Camps Par, Rafael., Escofet, Carme Martn & Marc Gibert Ginest,
[Camps,

Dolors Costal Costa, Luis Alberto Casillas Santilln, Oscar Prez Mora.

2005]

Bases de Datos; Eureca Media, 2005.

books.google.com.mx/books?isbn=8484298949

Castillo, Enrique., Gutirrez, Jos Manuel & Hadi, Ali S. Sistemas

[Castillo,

Expertos y modelos de redes probabilsticas. Universidad de Cantabria,

2000]

2000.
http://personales.unican.es/gutierjm/papers/BookCGH.pdf

P g i n a 7 | 13

Escolano, Francisco., Cazorla, Miguel ngel, Alfonso, Mara Isabel.,

[Escolano,

Colomina, Otto & Lozano, Miguel ngel. Inteligencia Artificial: Modelos,

2003]

Tcnicas y reas de aplicacin. Departamento de ciencia de la

computacin e IA; Universidad de Alicante, 2003. Editorial; Paraninfo.
books.google.com.mx/books?isbn=8497321839

Garca Serrano, Alberto. Inteligencia Artificial. Fundamentos, prcticas y

[Garcia,

aplicaciones. Madrid, 2012.Editorial; RC Libros.

2012]

books.google.com.mx/books?isbn=8493945021

Russell Stuart J. Peter Norving. Inteligencia Artificial: ONU Enfoque

[Russell,

moderno. Pearson Educacin, 2004. Biblioteca UAP TIANGUISTENCO

2004]

UAEM.

Villena Romn, Raquel M. Crespo Garca, Jos Jess Garca Rueda.

[Villena,

Inteligencia en redes de comunicaciones. Madrid, 2001.

2001]

http://ocw.uc3m.es/ingenieria-telematica/inteligencia-en-redes-decomunicaciones/material-de-clase-1/07-mineria-de-datos

[Barcel,

Barcel Garca, Miquel. Inteligencia Artificial. Universidad virtual, 2001.

2001]

books.google.com.mx/books?isbn=8484298930

[Benavides,

Benavides Venegas, Liliana., Martnez Hamon, Sandra Marcela & Nio

2012]

Ortiz, Diana Paola. Sistemas Expertos. Bogot, 2012.

https://sig2012.wikispaces.com/file/view/SISTEMAS+EXPERTOS.pdf

[Brookshear,

Brookshear J. Glenn. Introduccin a la Computacin; Editorial: Pearson,

2012]

2012. Biblioteca Unidad Acadmica Profesional Tianguistenco.

P g i n a 8 | 13

[Conessa,

Conessa Caralt, Jordi & Curto Daz, Josep. Introduccin al Business

2010]

Intelligence. Barcelona, 2010. Editorial; El ciervo 96.

books.google.com.mx/books?isbn=8497889797

[Date, 2001]

Date, C. J. Introduccin a las bases de datos; Editorial: Pearson, 2001.

http://es.scribd.com/doc/15923538/C-J-Date-Intro-Duc-Ion-a-LosSistemas-de-Bases-de-Datos#scribd

[EImasri,
2007]

EImasri Ramez & Shamkant B. Navathe. Fundamentos de sistemas de

bases de datos. Editorial: Pearson, 2007.
books.google.com.mx/books?isbn=8478290850

[Frawley,
1991]

Frawley, Piatetsky-Shapiro & Matheus: Knowledge Discovery in

Databases: An Overview. MIT Press, 1991.
books.google.com.mx/books?id=wIsECAAAQBAJ&pg=PA373&dq=Kno
wledge+Discovery+in+Databases+frawley

[Gmez,
1998]

Gmez Martin, Jos Antonio & Puerta Callejn, Jos Miguel. Sistemas
Experto Probabilsticos. Editorial; Ediciones de la universidad de CatillaLa Mancha, 1998.
books.google.com.mx/books?isbn=8489958351

[Gmez,
1998]

Gmez Martin, Jose Antonio., & Puerta Callejon, Jose Miguel.Sistemas

Expertos probabilisticos. Editorial; Ediciones Universidad de la CastillaLa Mancha, 1998.
https://books.google.com.mx/books?isbn=8489958351

[Garca,
2006]

Garca Molina, Hctor. Avances en informtica y Sistemas

computacionales. Tomo I Universidad Jurez Autnoma de Tabasco
Conais 2006.
books.google.com.mx/books?isbn=9685748985

[Garca,
2007]

Garca Molina, Hctor. Avances en informtica y Sistemas

computacionales. Tomo II Universidad Jurez Autnoma de Tabasco
Conais 2007.
books.google.com.mx/books?isbn=9689024566

[Garca,
2009]

Garca, Gervilla E., Jimnez Lpez, R., Montao Moreno, J. J., Ses
Abad, A., Cajal Blasco, B., & Palmer Pol, A. (2009). La
metodologa del Data Mining. Una aplicacin al consumo de
alcohol en adolescentes. (e. A. Sociedad Cientfica Espaola de
Estudios sobre el Alcohol, Ed.) Adicciones, 21(1), 65-80.

P g i n a 9 | 13

[Garzn,
2000]

Garzn Gaitn, Carlos Alberto. Sistemas Integrados de informacin para

la produccin. Facultad de ingeniera departamento de Qumica; Bogot,
2000.Editorial; Universidad Nacional de Colombia.
books.google.com.mx/books?isbn=9587010361

[Gelbukh,
2010]
[Gmez,
2008]

Gelbukh, A. (Enero-Junio de 2010). Procesamiento de Lenguaje Natural

sus Aplicaciones . (S. M. Articial, Ed.) Komputer Sapiens, I, 6-32.
Gmez de silva Garza Andrs, Ania Briseo Ignacio de Jess.
Introduccin a la Computacin. Editorial: Cengage Learning Editores,
2008, Mxico. Biblioteca Unidad Acadmica Profesional Tianguistenco.

[GonzlezBaales,
2012]

Gonzlez-Baales, Dora Luz., Gutirrez Reyes & Leyva Alans. Las

fuerzas competitivas de mercado y su influencia en la incorporacin de
las TIC en las PYME. Un estudio explortorio.
books.google.com.mx/books?isbn=1326275968

[Guil, 2009]

Guil Reyes, Gabriel Francisco. Minera de patrones temporales basados

en redes de restriccin. Almera: Universidad Politcnica Almera,
2009.Tesis doctoral de lenguajes y computacin.
books.google.com.mx/books?isbn=8482409255

[Harmon,
1998]

[Haugeland,1

Harmon, Paul & King, David. Sistemas Expertos: Aplicaciones de la

inteligencia artificial en la actividad empresarial. Madrid, 1998.Editorial;
Daz de Santos, S.A.
https://books.google.com.mx/books?isbn=848625194X
Haugeland, John. La Inteligencia Artificial. Mxico, D.F., 1988.Editorial;

988]

Siglo Veintiuno.
books.google.com.mx/books?isbn=9682314119

[Hernndez,
2004]

Hernndez Orallo, Jos., Ramrez Quintana, M. Jos., & Ferri Ramrez,

Cesar. Introduccin a la minera de datos. Espaa, 2004. Editorial;
Pearson Hill. Biblioteca Unidad Acadmica Profesional Tianguistenco.

[Inmon, 1994] Inmon, W. H.; Hackathorn; Richard D. Using the Data Warehouse. New
York: John Wiley & Sons. ISBN: 0-471-05966. 1994.
http://fit.hcmute.edu.vn/Resources/Docs/SubDomain/fit/ThayTuan/Data
WH/Bulding%20the%20Data%20Warehouse%204%20Edition.pdf
[Jiawei, 2006] Jiawei Han & Micheline Kamber: Data Mining: Concepts and Techniques
Morgan Kaufmann, 2006.
books.google.com.mx/books?id=pQws07tdpjoC&pg=PR6&dq=Data+Mi
ning:+Concepts+and+Techniques+Morgan+Kaufmann
[Kimball,
2008]

Kimball, Ralph., Margy, Ross., Thornthwaite, Warren & Mundy, Joy. The
Data Warehouse Lifecycle Toolkit. Indiana, 2008.Editorial; Wiley
Publishing.

P g i n a 10 | 13

books.google.com.mx/books?id=ONQio9do_70C&printsec=frontcover&
dq=The+Data+Warehouse+Lifecycle+Toolkit
[Len, 2007].

[Lpez, 2005]

[Molero,
2008]

Len Quintanar, Tomas. Sistemas expertos y sus aplicaciones.

Universidad Autnoma del estado de Hidalgo, Pachuca, 2007.
http://www.uaeh.edu.mx/docencia/Tesis/icbi/licenciatura/documentos/Si
stemas%20expertos%20y%20sus%20aplicaciones.pdf
Lpez Takeyas, Bruno. Sistemas Expertos.
http://www.itnuevolaredo.edu.mx/takeyas/Apuntes/Inteligencia%20Artific
ial/Apuntes/Filminas_Sistemas_Expertos/SistemasExpertos5.PDF
Molero Castillo, Guillermo Gilberto. Tesis, Desarrollo de un modelo
basado en tcnicas de minera de datos para clasificar zonas
climatolgicamente similares en el estado de Michoacn. Universidad
Autnoma de Mxico.
http://www.geologiafeflow.unam.mx/documentos/tesis%20mineria%20de%20datos.pdf

[Norton,
2006]

Norton Peter. Introduccin a la Computacin; Editorial: Mc Graw Hill

Interamericana 2006. Biblioteca Unidad Acadmica Profesional
Tianguistenco.

[Pan-Ning,
2006]

Pang-Ning Tan, Michael Steinbach & Vipin Kumar: Introduction to Data

Mining. Addison-Wesley, 2006.
http://www.paulallen.ca/documents/2015/01/kumar-v-introduction-todata-mining-instructors-solution-manual.pdf
Parra Iglesias, Enrique. Tecnologas de la Informacin en el control de
gestin. Espaa; Madrid, 1998.Editorial; Diaz de Santos.
books.google.com.mx/books?isbn=8479783699

[Parra, 1998]

[Prez, 2007]

Prez Lpez, Cesar. & Santn Gonzlez, Daniel. Minera de Datos.

Tcnicas y herramientas. Madrid, 2007. Paraninfo S.A.
books.google.com.mx/books?isbn=8497324927

[Perin,
2012]

Perin Pascual, C. (Diciembre de 2012). En defensa del procesamiento

del lenguaje natural fundamentado en la lingstica terica. (P. U.
Chile, Ed.) Onomzein, 2(26), 13-48.
Perversi, Ignacio. Aplicacin de minera de datos para la exploracin y
deteccin de patrones delictivos en argentina. Tesis, Instituto tecnolgico
de buenos aires.
http://www.iidia.com.ar/rgm/tesistas/PERVERSItesisdegradoeningenieria.pdf

[Perversi,
2007]

[Piedra,
2005]

Piedra Fernndez, Jos Antonio. Tesis Aplicacin de los sistemas

neurodifusos a la interpretacin automtica de imgenes de satlite.
Universidad de Almera 2005.
books.google.com.mx/books?isbn=8482407848

P g i n a 11 | 13

[Pino, 2001]

Pino Diez, Ral., Gmez Gmez, Alberto & de Abajo Martnez, Nicols.
Introduccin a la inteligencia artificial: Sistemas Expertos, Redes
Neuronales Artificiales y Computacin Evolutiva. Editorial; Universidad
de Oliviedo.
books.google.com.mx/books?isbn=8483172496

[Pujari, 2001]

Pujari, Arun K., Data Mining, Techniques. India, 2001.Editorial:

Universities Press.
books.google.com.mx/books?id=dH2KQhJboSYC&printsec=frontcover&
dq=Data+M

[RauchRauch-Hindin. Wendy B. Aplicaciones de la inteligencia artificial en la

Hindin, 1989 ] actividad
empresarial
la
ciencia
y
la
industria
(Fundamentos_Aplicaciones). Madrid, 1989.Editorial; Diaz de Santos,
S.A.
books.google.com.mx/books?isbn=8487189075

[Reparaz,
2008]

Reparaz, Diego. Tesis, Aplicacin de minera de datos para determinar

la eficacia de la braquiterapia en el tratamiento de cncer de prstata.
Instituto tecnolgico de buenos aires.
http://www.iidia.com.ar/rgm/tesistas/REPARAZtesisdegradoeningenieria-2008.pdf

[Riquelme,
2006]

Riquelme, J. C., Ruiz, R., & Gilbert, K. (2006). Minera de Datos:

Conceptos y Tendencias. (A. E. Artificial, Ed.) Inteligencia
Artificial. Revista Iberoamericana, 10(29), 11-18.
Rodrguez R., J. E., Barrera F., H. A., & Bautista M., S. P. (Marzo de
2011). Software para el filtrado de pginas web pornogrficas
basado en el clasificador KNN - UDWEBPORN. (U. N. Colombia,
Ed.) Avances en Sistemas e Informtica, 8(1), 43-49.
Rodrguez Fernndez, Luis Eduardo, 2010. Diseo y desarrollo de una
interfaz de sistema operativo mediante una identidad de inteligencia
artificial con soporte para leguaje natural.
/books.google.com.mx/books?isbn=1445723689

[Rodrguez,
2011]

[Rodriguez;
2010]

[Rojas, 2009]

Rojas, Mariana Isabel. Monografa de Adscripcin: Data Warehouse.

Corrientes, Argentina.2009. Universidad Nacional del Nordeste Facultad
de Ciencias Exacta y Naturales.
http://exa.unne.edu.ar/informatica/SO/MonoAdsDiseno.pdf

[Sesmero,
2013]

Sesmero Fernndez, Ainhoa & Pinero Snchez, Sandra. Sistemas

Expertos: MYCIN. Madrid, 2013.
http://www.it.uc3m.es/jvillena/irc/practicas/11-12/02mem.pdf

[Silberschatz,
2002]

Silberschatz Abraham, Henry F. Korth & S. Sudarshan. Fundamentos de

Base de Datos; Editorial: Mc Graw Hill, 2002.
books.google.com.mx/books?isbn=8448146441

P g i n a 12 | 13

[Sperley,
1999]

Sperley E. The Enterprise Data Warehouse: Planning, Building, and

Implementation.; 1999.
http://monografias.umcc.cu/monos/2006/Informatica/Importancia%20de
%20la%20utilizacin%20de%20un%20Data%20Warehouse.pdf

[Tllez, 2009]

Tllez Valero, A., Montes y Gmez, M., & Villaseor Pineda, L.

(Septiembre de 2009). Using Machine Learning for Extracting
Information from Natural Disaster News Reports. (IPN, Ed.)
Computacin y Sistemas, 13(1), 33-44.
Chavez Torrez, A. (Diciembre de 2012). Procesamiento del lenguaje
natural, un reto de la inteligencia artificial. (U. N. Distancia, Ed.)
Matices Tecnolgicos, 4, 1-5.
Trujillo, Juan Carlos., Mazn, Jos Norberto & Pardillo, Jess. Diseo y
explotacin de almacenes de datos. Conceptos Bsicos del Modelado
Multidimensional. Alicante, 2000.Editorial; ECU Editorial Club
Universitario.
books.google.com.mx/books?isbn=8499485464

[Torrez,
2012]
[Trujillo,
2000]

[Vieira, 2009]

Vieira Braga, Luis Paulo., Ortiz Valencia, Luis Ivn. & Ramrez Carvajal,
Santiago Segundo. Introduccin a la Minera de Datos. Rio de Janeiro,
2009. Editorial; E-papers.
books.google.com.mx/books?isbn=8576502313

P g i n a 13 | 13