2005-12-31

Your NameYour Title

Your Organization (Line #1)Your Organization (Line #2)

TIBERIUS

Predictive Modelling Software

Introducción a los Sistemas Inteligentes

Gabriel Cartuccia Rodrigo Varela

01/11/2010

2

Agenda

Introducción a la herramientaQué problemas resuelveFuentes de datos soportadasExportación de los resultadosFuncionamiento

Parametrización de input y outputConfiguración y entrenamiento del modeloResultados

PrediccionesImportancia de las variablesHistogramasGráficos de dispersión

DemoConclusiones

3

Introducción a la herramienta

Es una herramienta para el modelado y visualización de datos

Ganadora de varios certámenes internacionales como la herramienta más precisa (NCDM Analytic Challenge 2008, BI CUP 2006, entre otros)

Corre en plataforma Windows

30 días de prueba con limitaciones en la cantidad de datos de entrada, después debe pagarse una licencia

Existe una licencia estudiantil (¡nosotros conseguimos una!)

Múltiples técnicas de modelado (redes neuronales, árboles de decisión, entre otras)

Construcción gráfica de los modelos

Resultados presentados en tablas y gráficos (2D y 3D)

Sitio web: http://www.tiberius.biz

4

Qué problemas resuelve

Tiberius es ideal para:

Modelado de respuesta de clientes

Modelado de valores de divisas (tipos de cambio)

Predicción de riesgo crediticio

Modelado de procesos industriales

En general, cualquier problema que requiera construir un modelo predictivo

Tiberius incluye:

Redes neuronales

Árboles de decisión

Curvas de regresión

Categorizador de variables

Visualización de datos en 3D

Herramientas para monitorear los modelos

Recodificación de datos

Procesos batch

Entre otras características...

5

Fuentes de datos soportadas

Tiberius puede abrir nativamente los siguientes archivos:

Microsoft Excel (.xls)

Microsoft Access (.mdb)

dBase (.dbf)

Archivos de texto separados por tabulaciones (.tab)

Archivos de texto separados por comas (.csv)

Instalando los drivers de bases de datos apropiados:

IBM SPSS - Statistical Package for the Social Sciences (.sav)

Cualquier base de datos compatible con ODBC:

Oracle

SQL Server

MySQL

Teradata

SAS

6

Exportación de los resultados

Tiberius Weight File (.twf)Microsoft Excel Open XML Macro-Enabled Spreadsheet (.xlsm)Visual Basic Project (.vbp)HTML (.html)Archivos de texto plano (.txt)

7

Funcionamiento

8

Parametrización de input y output

Se elige la fuente de datos y se definen las variables de input y de output deseadas.

9

Configuración y entrenamiento del modelo

Para el caso de problemas de clasificación, se configura la red neuronal y se la entrena con el set de datos dado en el paso anterior.

10

Resultados

Funcionamiento

11

Resultados – Predicciones

Una vez construido el modelo, la herramienta utiliza los resultados obtenidos a partir de los datos de entrenamiento para predecir la clase de los datos de prueba.

12

Resultados – Importancia de las variables

Una vez que el modelo ha sido construido, es útil determinar qué atributos de entrada son los más relevantes.

13

Resultados – Histogramas

Histogramas (separados por clase)

de los datos en bruto, los resultados

finales del modelo y los errores del

mismo.

Estos histogramas muestran gráfica-

mente por qué ciertas variables son

importantes y por qué otras no.

14

Resultados – Gráficos de dispersión

Se muestran los datos en bruto del conjunto de entrada.

15

Demo

Veamos a la herramienta en acciónmediante un ejemplo de clasificaciónde flores usando redes neuronales

16

Conclusiones

Ventajas:Facilidad de usoSoporta múltiples formatos de datos de entrada, incluyendo los datos almacenados por los principales motores de bases de datos del mercadoModelado visualResultados mostrados gráficamente

Desventajas:Es software comercial, si no se compra una licencia hay un límite en la cantidad de datos de entrada

17

¡Muchas gracias!

Gabriel CartucciaRodrigo Varela