Minería de datos, textos y sentimientos

El aumento de los medios sociales tales como blogs y redes sociales ha traído consigo
información, esta información generalmente no tiene un tratamiento previo ni tampoco
se puede saber la razón o el estado de ánimo del escritor.
Conocer en general donde buscar información necesaria, como tratarla y cómo
interpretarla es de vital importancia, no solo para los individuos sino igual para las
organizaciones, el siguiente articulo busca ayudar al lector en su búsqueda constante de
datos e información.
DESARROLLO
DEFINICIONES
La minería de textos se refiere al proceso de derivar información nueva de textos,
consiste en descubrir, a partir de cantidades de texto grandes, el conocimiento que no
está literalmente escrito en cualquiera de los documentos. Esto incluye buscar
tendencias, promedios, desviaciones, dependencias, etc.
(TRIPOD, 2015)
La minería de datos o exploración de datos es un campo de las ciencias de la
computación referido al proceso que intenta descubrir patrones en grandes volúmenes
de conjuntos de datos. El objetivo general del proceso de minería de datos consiste en
extraer información de un conjunto de datos y transformarla en una estructura
comprensible para su uso posterior. (MARCEL, 2015)
Mineria de sentimientos o también conocido como minería de opinión, se refiere al uso
de procesamiento de lenguaje natural, análisis de texto y lingüística computacional para
identificar y extraer información subjetiva de unos recursos, el análisis de sentimiento
intenta determinar la actitud de un interlocutor o un escritor con respecto a algún tema
INTRODUCCIÓN
0,1(5Ë$'('$7267(;726<6(17,0,(1726
o la polaridad contextual general de un documento. La actitud puede ser su juicio o
evaluación.
(BANNISTER, 2015)
COMENTARIO
Se suele confundir la minería de textos con la minería de datos, pero lo diferenciaremos
porque en la minería de datos la información se obtiene normalmente de bases de
datos, en la que la información está estructurada. Por este motivo es más sencilla la
extracción de la información de una base de datos, que está pensada para que se pueda
tratar su información de manera automática, al contrario, a lo que ocurre en la minería
de textos.
MINERIA DE TEXTOS
La minería de textos es un área multidisciplinaria basada en la recuperación de
información, minería de datos, aprendizaje automático, estadísticas y la lingüística
computacional. Como la mayor parte de la información (más de un 80%) se encuentra
actualmente almacenado como texto, se cree que la minería de textos tiene un gran
valor comercial
Historia
Ya en 1977, el sistema THOMAS ilustró cómo las palabras o las frases clave podían
utilizarse para guiar a los usuarios en el descubrimiento de documentos de referencia
útiles. Las frases clave son un tipo especialmente útil de información abreviada. Sin
embargo, tales frases se eligen con frecuencia manualmente, bien por los autores o por
indizadores profesionales. Condensan documentos en unas pocas palabras y frases,
ofreciendo una descripción breve y precisa de los contenidos de un documento.
A comienzos de los años ochenta surgieron los primeros esfuerzos de minería de textos
que necesitaban una gran cantidad de esfuerzo humano, pero los avances tecnológicos
han permitido que esta área progrese de manera rápida en la última década.
Actividades fundamentales
Recuperación de información, es decir, seleccionar los textos pertinentes.
Extracción de la información incluida en esos textos: hechos, acontecimientos, datos
clave, relaciones entre ellos, etc.
Metodología
El ser la minería de textos una técnica relativamente nueva, cambiante y que puede
adaptarse a diferentes situaciones y casos, por lo que no existe un método estricto a
seguir siempre. Sin embargo, en términos generales se podría decir que estas son las
cuatro etapas principales:
Primera
Determinación de los objetivos. Aclarar que es lo que se esta buscando con
esta investigación, acotando hasta que punto se quiere profundizar en la
misma y definiendo claramente los limites.
Segunda
Preprocesamiento de los datos, que sería la selección, análisis y reducción de
los textos o documentos de los que se extraerá la información. Esta etapa
consume la mayor parte del tiempo.
Tercera
Determinación del modelo. Según los objetivos planteados y la tarea que
debe llevarse a cabo, pueden utilizarse unas técnicas u otras.
Cuarta
Análisis de los resultados. A partir de los datos extraídos se tratara de ver su
coherencia y se buscaran evidencias, similitudes, excepciones, etc, que
puedan servir al especialista o al usuario que haya encargado el estudio para
extraer conclusiones que pueda utilizar para mejorar algún aspecto de su
empresa, compañía, administración u organización en general.
Aplicaciones académicas
El tema de la minería de textos es de importancia para publicadores que tengan grandes
bancos de data que requieran de indexación. Esto es el caso en particular para disciplinas
científicas en las que hay una gran cantidad de información muy específica en forma de
texto escrito. Es por ello que se han presentado iniciativas como el Open Text Mining
Interface (OTMI) y el common Journal Publishing Document Type Definition (DTD) de la
NIH, que ofrecerían datos semánticos para responder a preguntas muy específicas sin
quitar las barreras del publicador al acceso público.
(GALEON, 2015)
MINERIA DE DATOS
La minería de datos es el proceso de detectar la información accionale de grandes
conjuntos de datos. Utiliza el análisis matemático para deducir los patrones y tendencias
que existen en los datos.Normalmente, estos patrones no se pueden detectar mediante
la exploración tradicional de los datos porque las relaciones son demasiado complejas o
porque hay demasiado datos.
Los modelos de minería de datos se pueden aplicar en escenarios como los siguientes:
Previsión: calcular las ventas y predecir las cargas de servidor o el tiempo de inactividad
del servidor.
Riesgo y probabilidad: elegir los mejores clientes para la distribución de correo directo,
determinar el punto de equilibrio probable para los escenarios de riesgo, y asignat
probabilidades a diagnósticos u otros resultados.
Recomendaciones: determinar los productos que se pueden vender juntos y generar
recomendaciones.
Buscar secuencias: analizar los artículos que los clientes han introducido en el carrito de
compra y predecir los posibles eventos.
Agrupación: separar los clientes o los eventos en clústeres de elementos relacionados,
y analizar y predecir afinidades.
La generación de un modelo de minería de datos forma parte de un proceso mayor que
incluye desde la formulación de preguntas acerca de los datos y la creación de un
modelo para responderlas, hasta la implementación del modelo en un entorno de
trabajo. Este proceso se puede definir mediante los seis pasos básicos siguientes:
Definir el problema
Preparar los datos
Explorar los datos
Generar modelos
Explorar y validar los modelos
Implementar y actualizar los modelos
El siguiente diagrama describe las relaciones existentes entre cada paso del proceso
El proceso que se ilustra en el diagrama es cíclico, lo que significa que la creación de un
modelo de minería de datos es un proceso dinámico e iterativo. Una vez que ha
explorado los datos, puede que descubra que resultan insuficientes para crear los
modelos de minería de datos adecuados y que, por tanto, debe buscar más datos. O
bien, puede generar varios modelos y descubrir entonces que no responden
adecuadamente al problema planteado cuando los definió y que, por tanto, debe volver
a definir el problema. Es posible que deba actualizar los modelos una vez
implementados debido a que haya más datos disponibles. Puede que haya que repetir
cada paso del proceso muchas veces para crear un modelo adecuado.
Definir el problema
El primer paso del proceso de minería de datos, tal como se resalta en el siguiente
diagrama, consiste en definir claramente el problema y considerar formas de usar los
datos para proporcionar una respuesta para el mismo.
Este paso incluye analizar los requisitos empresariales, definir el ámbito del problema,
definir las métricas por las que se evaluará el modelo y definir los objetivos concretos
del proyecto de minería de datos.Estas tareas se traducen en preguntas como las
siguientes:
¿Qué está buscando?
¿Qué tipos de relaciones intenta buscar?
¿Refleja el problema que está intentando resolver las directivas o procesos de la
empresa?
¿Desea realizar predicciones a partir del modelo de minería de datos o solamente
buscar asociaciones y patrones interesantes?
¿Qué resultado o atributo desea predecir?
¿Qué tipo de datos tiene y qué tipo de información hay en cada columna?En caso
de que haya varias tablas, ¿cómo se relacionan?¿Necesita limpiar, agregar o procesar
los datos antes de poder usarlos?
¿Cómo se distribuyen los datos?¿Los datos son estacionales?¿Los datos
representan con precisión los procesos de la empresa?
Para responder a estas preguntas, puede que deba dirigir un estudio de disponibilidad
de datos para investigar las necesidades de los usuarios de la empresa con respecto a
los datos disponibles. Si los datos no abarcan las necesidades de los usuarios, podría
tener que volver a definir el proyecto.
También debe considerar las maneras en las que los resultados del modelo se pueden
incorporar en los indicadores de rendimiento clave que se utilizan para medir el
progreso comercial.
Preparar los datos
El segundo paso del proceso de minería de datos, como se indica en el siguiente
diagrama, consiste en consolidar y limpiar los datos identificados en el paso Definir el
problema.
Los datos pueden estar dispersos en la empresa y almacenados en formatos distintos;
también pueden contener incoherencias como entradas que faltan o incorrectas. Por
ejemplo, los datos pueden mostrar que un cliente adquirió un producto incluso antes
que se ofreciera en el mercado o que el cliente compra regularmente en una tienda
situada a 2.000 kilómetros de su casa.
La limpieza de datos no solamente implica quitar los datos no válidos o interpolar valores
que faltan, sino también buscar las correlaciones ocultas en los datos, identificar los
orígenes de datos que son más precisos y determinar qué columnas son las más
adecuadas para el análisis. Por ejemplo, ¿debería utilizar la fecha de envío o la fecha de
pedido?¿Qué influye más en las ventas: la cantidad, el precio total o un precio con
descuento? Los datos incompletos, los datos incorrectos y las entradas que parecen
independientes, pero que de hecho están estrechamente correlacionadas, pueden
influir en los resultados del modelo de maneras que no espera.
Por consiguiente, antes de empezar a generar los modelos de minería de datos, debería
identificar estos problemas y determinar cómo los corregirá. En la minería de datos, por
lo general se trabaja con un conjunto de datos de gran tamaño y no se puede examinar
la calidad de los datos de cada transacción; por tanto, es posible que necesite usar
herramientas de generación de perfiles de datos, y de limpieza y filtrado automático de
datos.
Es importante tener en cuenta que los datos que se usan para la minería de datos no
necesitan almacenarse en un cubo de procesamiento analítico en línea (OLAP), ni
siquiera en una base de datos relacional, aunque puede usar ambos como orígenes de
datos. Puede realizar minería de datos mediante cualquier origen de datos definido
como origen de datos de Analysis Services. Por ejemplo, archivos de texto, libros de
Excel o datos de otros proveedores externos.
Explorar los datos
El tercer paso es explorar los daros preparados
Se debe conocer los datos para tomar las decisiones adecuadas al crear los modelos de
minería de datos. Entre las técnicas de exploración se incluyen calcular los valores
mínimos y máximos, calcular la media y las desviaciones estándar, y examinar la
distribución de los datos. Por ejemplo, al revisar el máximo, el mínimo y los valores de
la media se podría determinar que los datos no son representativos de los clientes o
procesos de negocio, y que por consiguiente debe obtener más datos equilibrados o
revisar las suposiciones que son la base de sus expectativas. Las desviaciones estándar
y otros valores de distribución pueden proporcionar información útil sobre la estabilidad
y exactitud de los resultados. Una desviación estándar grande puede indicar que agregar
más datos podría ayudarle a mejorar el modelo. Los datos que se desvían mucho de una
distribución estándar se podrían sesgar o podrían representar una imagen precisa de un
problema de la vida real, pero dificultan el ajustar un modelo a los datos.
Al explorar los datos para conocer el problema empresarial, puede decidir si el conjunto
de datos contiene datos defectuosos y, a continuación, puede inventar una estrategia
para corregir los problemas u obtener una descripción más profunda de los
comportamientos que son típicos de su negocio.
Tenga en cuenta que cuando se crea un modelo, Analysis Services crea
automáticamente resúmenes estadísticos de los datos contenidos en él, que puede
consultar para su uso en informes o análisis.
Generar modelos
El cuarto paso del proceso de minería de datos, como se resalta en el siguiente diagrama,
consiste en generar el modelo o modelos de minería de datos. Usará los conocimientos
adquiridos en el paso Explorar los datos para definir y crear los modelos.
En este paso se deberán definir qué columnas de datos desea que se usen; para ello,
creará una estructura de minería de datos. La estructura de minería de datos se vincula
al origen de datos, pero en realidad no contiene ningún dato hasta que se procesa. Al
procesar la estructura de minería de datos, Analysis Services genera agregados y otra
información estadística que se puede usar para el análisis. Cualquier modelo de minería
de datos que esté basado en la estructura puede utilizar esta información.
Antes de procesar la estructura y el modelo, un modelo de minería de datos
simplemente es un contenedor que especifica las columnas que se usan para la entrada,
el atributo que está prediciendo y parámetros que indican al algoritmo cómo procesar
los datos. El procesamiento de un modelo a menudo se denomina entrenamiento. El
entrenamiento hace referencia al proceso de aplicar un algoritmo matemático concreto
a los datos de la estructura para extraer patrones. Los patrones que encuentre en el
proceso de entrenamiento dependerán de la selección de los datos de entrenamiento,
el algoritmo que elija y cómo se haya configurado el algoritmo.
También puede utilizar los parámetros para ajustar cada algoritmo y puede aplicar filtros
a los datos de entrenamiento para utilizar un subconjunto de los datos, creando
resultados diferentes. Después de pasar los datos a través del modelo, el objeto de
modelo de minería de datos contiene los resúmenes y modelos que se pueden consultar
o utilizar para la predicción.
Es importante recordar que siempre que los datos cambian, debe actualizar la estructura
y el modelo de minería de datos.Al actualizar una estructura de minería de datos
volviéndola a procesar, Analysis Services recupera los datos del origen, incluido
cualquier dato nuevo si el origen se actualiza dinámicamente, y vuelve a rellenar la
estructura de minería de datos.Si tiene modelos que están basados en la estructura,
puede elegir actualizar estos, lo que significa que se vuelven a entrenar con los nuevos
datos, o puede dejar los modelos tal cual.
Explorar y validar los modelos
El quinto paso del proceso de minería de datos, como se resalta en el siguiente
diagrama, consiste en explorar los modelos de minería de datos que ha generado y
comprobar su eficacia.
Antes de implementar un modelo en un entorno de producción, es aconsejable probar
si funciona correctamente. Además, al generar un modelo, normalmente se crean varios
con configuraciones diferentes y se prueban todos para ver cuál ofrece los resultados
mejores para su problema y sus datos.
El conjunto de datos de entrenamiento se utiliza para generar el modelo y el conjunto
de datos de prueba para comprobar la precisión del modelo mediante la creación de
consultas de predicción.
Si ninguno de los modelos que ha creado en el paso Generar modelos funciona
correctamente, puede que deba volver a un paso anterior del proceso y volver a definir
el problema o volver a investigar los datos del conjunto de datos original.
Implementar y actualizar los modelos
El último paso del proceso de minería de datos, como se resalta en el siguiente diagrama,
consiste en implementar los modelos que funcionan mejor en un entorno de
producción.
Una vez que los modelos de minería de datos se encuentran en el entorno de
producción, puede llevar acabo diferentes tareas, dependiendo de sus necesidades. Las
siguientes son algunas de las tareas que puede realizar:
Use los modelos para crear predicciones que luego podrá usar para tomar decisiones
comerciales.
Actualizar dinámicamente los modelos, cuando entren más datos en la organización, y
realizar modificaciones constantes para mejorar la efectividad de la solución debería ser
parte de la estrategia de implementación.
Técnicas de minería de datos
Como ya se ha comentado, las técnicas de la minería de datos provienen de
la inteligencia artificial y de la estadística, dichas técnicas, no son más que algoritmos,
más o menos sofisticados que se aplican sobre un conjunto de datos para obtener unos
resultados.
Las técnicas más representativas son:
Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automático
inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de
un sistema de interconexión de neuronas en una red que colabora para producir un
estímulo de salida. Algunos ejemplos de red neuronal son:
El perceptrón.
El perceptrón multicapa.
Los mapas autoorganizados, también conocidos como redes de Kohonen.
Regresión lineal.- Es la más utilizada para formar relaciones entre datos. Rápida y eficaz
pero insuficiente en espacios multidimensionales donde puedan relacionarse más de 2
variables.
Árboles de decisión.- Un árbol de decisión es un modelo de predicción utilizado en el
ámbito de la inteligencia artificial y el análisis predictivo, dada una base de datos se
construyen estos diagramas de construcciones lógicas, muy similares a los sistemas de
predicción basados en reglas, que sirven para representar y categorizar una serie de
condiciones que suceden de forma sucesiva, para la resolución de un problema.
Ejemplos:
Algoritmo ID3.
Algoritmo C4.5.
Modelos estadísticos.- Es una expresión simbólica en forma de igualdad o ecuación que
se emplea en todos los diseños experimentales y en la regresión para indicar los
diferentes factores que modifican la variable de respuesta.
Agrupamiento o Clustering.- Es un procedimiento de agrupación de una serie de
vectores según criterios habitualmente de distancia; se tratará de disponer los vectores
de entrada de forma que estén más cercanos aquellos que tengan características
comunes. Ejemplos:
Algoritmo K-means.
Algoritmo K-medoids.
Reglas de asociación.- Se utilizan para descubrir hechos que ocurren en común dentro
de un determinado conjunto de datos.
Según el objetivo del análisis de los datos, los algoritmos utilizados se clasifican en
supervisados y no supervisados
Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de
ellos) desconocido a priori, a partir de otros conocidos.
Algoritmos no supervisados (o del descubrimiento del conocimiento): se
descubren patrones y tendencias en los datos.
(MICROSOFT, 2016)
MINERIA DE SENTIMIENTOS
Una tarea básica de la minera de sentimientos es clasificar la polaridad de un texto dado
a nivel de documento, oración, o rasgo/característica si la opinión expresada en un
documento, una oración o un rasgo/característica de una entidad es positiva, negativa,
o neutral.
La clasificación de sentimiento más avanzada, "más allá de la polaridad" busca, por
ejemplo, estados emocionales tales como "enfadado", "triste", y "feliz"
Dos enfoques
El problema se ha abordado principalmente desde dos enfoques diferentes; técnicas de
aprendizaje computacional y aproximaciones semánticas. (AROMI, 2016).
Los enfoques semánticos se caracterizan por el uso de diccionarios de términos con
orientación semántica de polaridad u opinión. Típicamente los sistemas preprocesan el
texto y lo dividen en palabras, con la apropiada eliminación de las palabras de parada y
una normalización lingüística por stemming o lematización, y luego comprueban la
aparición de los términos del lexicon para asignar el valor de polaridad del texto
mediante la suma del valores de polaridad de los términos.
Los sistemas además incluyen un tratamiento más o menos avanzado de:
a) términos modificadores (como muy, poco, demasiado) que aumentan o reducen la
polaridad del o los términos a los que acompañan
b) términos inversores o negadores (como no,tampoco), que invierten la polaridad de
los términos a los que afectan.
Los enfoques basados en aprendizaje computacional consisten en entrenar un
clasificador usando un algoritmo de aprendizaje supervisado a partir de una colección
de textos anotados, donde cada texto habitualmente se representa con un vector de
palabras (bag of words), n-gramas o skip-grams, en combinación con otro tipo de
características semánticas que intentan modelar la estructura sintáctica de las frases, la
intensificación, la negación, la subjetividad o la ironía.
Pros y Contras
La ventaja principal de los enfoques semánticos es que los errores son relativamente
sencillos de corregir, adiendo cuantos términos fuera necesario, y se podría obtener
una precisión tan alta como se quisiera, simplemente invirtiendo más tiempo en la
construcción del lexicon. En este sentido, los enfoques basados en aprendizaje
automático suelen ser una caja negra en la que corregir errores o añadir nuevo
conocimiento es más complicado, y muchas veces sólo es posible ampliando la colección
de textos y volviendo a entrenar el modelo.
Por otra parte, la ventaja de los enfoques basados en aprendizaje automático es que
cuesta muy poco construir un analizador de sentimientos a partir de la colección de
textos etiquetados, ya que la tarea de modelado reside en el algoritmo. Por ello es
relativamente fácil construir clasificadores adaptados a un dominio determinado. En
contraposición, el esfuerzo para construir un lexicon para un cierto dominio, empezando
de cero, es muy elevado, porque se basa en mucho trabajo manual, así que en general
son menos adaptables.
(VILLENA, 2015)
Comprensión del contexto y del tono
El lenguaje humano es complejo. Enseñar a una máquina a analizar los diferentes
matices gramaticales, variaciones culturales, jergas y faltas de ortografía de las
menciones online es un proceso difícil. Y enseñar a una máquina a entender cómo el
contexto puede afectar al tono, es aún más difícil.
Los humanos son bastante intuitivos al interpretar el tono de cualquier escrito.
Oserva la siguiete frase: Mi vuelo se retrasa. ¡Geial!
La mayoría de los humanos podrían interpretar rápidamente que la persona está siendo
sarcástica. Sabemos que para la mayoría de la gente un retraso en un vuelo no es una
experiencia grata (a no ser de que haya barra libre como recompensa). Al aplicar este
entendimiento contextual a la frase, podemos identificarla fácilmente como negativa.
Sin este entendimiento contextual, una máquina que procesara esta frase vería la
palara geial y la ategorizaría oo positiva.
CONCLUSIÓN
En la lectura se observó que existen herramientas que nos pueden ayudar en el
tratamiento de datos y su interpretación, sin embargo, cada empresa decidirá usar
métodos y en específicamente el análisis de sentimiento para lo que mejor se ajuste a
sus objetivos de negocio.
AGRADECIMIENTOS
Agradecida con Dios por todas sus bendiciones, igualmente por la oportunidad de
trabajar en el proceso de mejorarme a misma.
A i ala ater el Istituto Teológio de Orizaa por su esero e la foraió de
profesionistas de calidad, a mi Profesor M.A.E Fernando Aguirre y Hernández por su
dedicación, esmero y compromiso al compartir sus conocimientos.
¡A Dios por la vida y por la ciencia!
PROPUESTA DE TESIS
DISEÑO DE UNA METODOLOGIA PARA ANALISIS DE SENTIMIENTO
Objetivo: diseñar una estructura de análisis de sentimiento útil para la toma de
decisiones estratégicas de las empresas.
BIBILIOGRAFIA
AROMI, D. (2016). CONEXION INTAL. Obtenido de
http://www19.iadb.org/intal/conexionintal/2016/03/02/linguistica-computacional-y-
subjetividad-en-la-teoria-economica-moderna/
BANNISTER, K. (02 de 2015). BRANDWATCH. Obtenido de
https://www.brandwatch.com/es/2015/02/analisis-de-sentimiento/
GALEON. (2015). TEXTMINING. Obtenido de http://textmining.galeon.com/
MARCEL. (2015). DATAMASHUP. Obtenido de http://www.datamashup.info/the-driving-need-
for-analytics-in-a-big-data-world/
MICROSOFT. (2016). MSDN. Obtenido de https://msdn.microsoft.com/es-
mx/library/ms174949(v=sql.120).aspx
TRIPOD. (2015). Obtenido de TRIPOD: http://mineriadetextos.tripod.com/
VILLENA, J. (OCTUBRE de 2015). MEANINGCLOUD. Obtenido de
https://www.meaningcloud.com/es/blog/introduccion-al-analisis-de-sentimientos-
mineria-de-opinion
FUNDAMENTOS DE INGENIERIA ADMINISTRATIVA
16
MINERIAS (TEXTO,
DATOS, SENTIMIENTOS)
KEILA YERITZE ROJAS GUTIERREZ
CONTENIDO
INTRODUCCIÓN ................................................................................................................ 3
DESARROLLO .................................................................................................................... 3
DEFINICIONES ............................................................................................................... 3
COMENTARIO ............................................................................................................... 4
MINERIA DE TEXTOS ..................................................................................................... 4
MINERIA DE DATOS ...................................................................................................... 6
MINERIA DE SENTIMIENTOS ....................................................................................... 16
CONCLUSIÓN .................................................................................................................. 19
AGRADECIMIENTOS ........................................................................................................ 19
PROPUESTA DE TESIS ...................................................................................................... 19
BIBILIOGRAFIA ................................................................................................................ 20
(Visited 1 times, 1 visits today)

Hazle saber al autor que aprecias su trabajo

Estás en libertad de marcarlo con "Me gusta" o no

Tu opinión vale, comenta aquíOculta los comentarios

Comentarios

comentarios

Compártelo con tu mundo

Escrito por:

Cita esta página
Rojas Gutiérrez Keila Yeritze. (2016, marzo 23). Minería de datos, textos y sentimientos. Recuperado de http://www.gestiopolis.com/mineria-datos-textos-sentimientos/
Rojas Gutiérrez, Keila Yeritze. "Minería de datos, textos y sentimientos". GestioPolis. 23 marzo 2016. Web. <http://www.gestiopolis.com/mineria-datos-textos-sentimientos/>.
Rojas Gutiérrez, Keila Yeritze. "Minería de datos, textos y sentimientos". GestioPolis. marzo 23, 2016. Consultado el 28 de Septiembre de 2016. http://www.gestiopolis.com/mineria-datos-textos-sentimientos/.
Rojas Gutiérrez, Keila Yeritze. Minería de datos, textos y sentimientos [en línea]. <http://www.gestiopolis.com/mineria-datos-textos-sentimientos/> [Citado el 28 de Septiembre de 2016].
Copiar
Imagen del encabezado cortesía de neccorp en Flickr