Aprendizaje Supervisado Análisis Discriminante (Lineal y Cuadrático)

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Aprendizaje Supervisado Análisis Discriminante (Lineal y Cuadrático)"

Transcripción

1 Aprendizaje Supervisado Análisis Discriminante (Lineal y Cuadrático)

2 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No 4 Sí Casado 120K No 5 No Divorcia do 95K Fraude Sí 6 No Casado 60K No Tabla de Aprendizaje Id Reembolso Estado Civil Ingresos Anuales 7 No Soltero 80K No 8 Si Casado 100K No 9 No Soltero 70K No Tabla de Testing Fraude Evaluar Generar el Modelo Aplicar el Modelo Algoritmo de Aprendizaje Modelo Nuevos Individuos

3 Definición de Clasificación Dada una base de datos D = {t 1, t 2,, t n } de tuplas o registros (individuos) y un conjunto de clases C = {C 1, C 2,, C m }, el problema de la clasificación es encontrar una función f: D C tal que cada t i es asignada una clase C j. f: D C podría ser una Red Neuronal, un Árbol de Decisión, un modelo basado en Análisis Discriminante, o una Red Beyesiana.

4 Ejemplo: Créditos en un Banco Tabla de Aprendizaje Variable Discriminante Con la Tabla de Aprendizaje se entrena (aprende) el modelo matemático de predicción, es decir, a partir de esta tabla se calcula la función f de la definición anterior.

5 Ejemplo: Créditos en un Banco Tabla de Testing Variable Discriminante Con la Tabla de Testing se valida el modelo matemático de predicción, es decir, se verifica que los resultados en individuos que no participaron en la construcción del modelo es bueno o aceptable. Algunas veces, sobre todo cuando hay pocos datos, se utiliza la Tabla de Aprendizaje también como de Tabla Testing.

6 Ejemplo: Créditos en un Banco Nuevos Individuos Variable Discriminante Con la Tabla de Nuevos Individuos se predice si estos serán o no buenos pagadores.

7 Idea: Se proyecta el nuevo individuo en suplementario y se asigna a la clase más cercana, pero qué significa clase más cercana? Supongamos que la matriz de datos (tabla de aprendizaje) está etiquetada separando por bloques las k distintas clases que se quieren clasificar con (X j ) 1 j k y el tamaño de cada clase es el número de filas de dicha clase, en R, nrow(x j ) = n j. La regla de Clasificación: Asigne cada nuevo individuo con valores en las variables x como sigue:

8 Idea: Se proyecta el nuevo individuo en suplementario y se asigna a la clase más cercana v3 v5 v8 v1 v2 v4 v6

9 Qué significa la distancia en este contexto? Definimos el Centro de Gravedad de la Clase o Centroide como sigue: Entonces la distancia al clase significa la distancia al Centro de Gravedad de la Clase o Centroide como sigue:

10 Escogiendo la Fórmula para distancia Fisher propuso usar lo siguiente, primero se descompone la tabla de aprendizaje como sigue: Luego calcular: Luego el Centro de Gravedad es el centro de gravedad de la proyección:

11 Análisis Discriminante Lineal Consiste en asignar el nuevo individuo x a la clase con centro de gravedad proyectado más cercano: Centroide más cercano Línea de separación dada por el ADL

12 El paquete MASS contiene la función lda para realizar Análisis Discriminante Lineal Instalando y usando el paquete MASS : install.packages( MASS,dependencies=TRUE) library(mass)

13 Ejemplo con IRIS.CSV Ejemplo con la tabla de datos IRIS IRIS Información de variables: 1.sepal largo en cm 2.sepal ancho en cm 3.petal largo en cm 4.petal ancho en cm 5.clase: Iris Setosa Iris Versicolor Iris Virginica

14 > library(scatterplot3d) > scatterplot3d(datos$p.ancho,datos$s.largo,datos$s.ancho)

15 Ejemplo 1: iris.csv

16 Ejemplo 2: Credit-Scoring MuestraAprendizajeCredito2500.csv MuestraTestCredito2500.csv

17 Descripción de Variables MontoCredito MontoCuota 1= Muy Bajo 1 =Muy Bajo 2= Bajo 2 =Bajo 3= Medio 3 =Medio 4= Alto 4 =Alto IngresoNeto GradoAcademico 1= Muy Bajo 1 =Bachiller 2= Bajo 2 =Licenciatura 3= Medio 3 =Maestría 4= Alto 4 =Doctorado CoeficienteCreditoAvaluo BuenPagador 1= Muy Bajo 1 =NO 2= Bajo 2 =Si 3= Medio 4= Alto

18 Análisis Discriminante Cuadrático ADC ADL

19 Análisis Discriminante Cuadrático

20 Datos IRIS con separación Lineal y Cuadrática Lineal Cuadrática

21 Ejemplo con IRIS.CSV Ejemplo con la tabla de datos IRIS IRIS Información de variables: 1.sepal largo en cm 2.sepal ancho en cm 3.petal largo en cm 4.petal ancho en cm 5.clase: Iris Setosa Iris Versicolor Iris Virginica

22 Ejemplo 2: Credit-Scoring MuestraAprendizajeCredito2500.csv MuestraTestCredito2500.csv

23 Gracias.

Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method

Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No

Más detalles

EPB 603 Sistemas del Conocimiento

EPB 603 Sistemas del Conocimiento EPB 603 Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática EIA411 EPB 603 - Minería Sistemas de del Datos Conocimiento

Más detalles

Aprendizaje Supervisado Árboles de Decisión

Aprendizaje Supervisado Árboles de Decisión Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No

Más detalles

Tema 7. Introducción al reconocimiento de objetos

Tema 7. Introducción al reconocimiento de objetos Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción

Más detalles

Análisis Exploratorio de Datos

Análisis Exploratorio de Datos Análisis Exploratorio de Datos 10 Qué son los Datos? Una variable es una propiedad o característica de un Individuo Ejemplos: color de ojos de un persona, temperatura, estado civil Una colección de variables

Más detalles

Los mapas auto-organizados de Kohonen (SOM )

Los mapas auto-organizados de Kohonen (SOM ) Los mapas auto-organizados de Kohonen (SOM ) Introducción En 1982 T. Kohonen presentó un modelo de red denominado mapas auto-organizados o SOM (Self-Organizing Maps), basado en ciertas evidencias descubiertas

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García Aplicación de mapas autoorganizados (SOM) a la visualización de datos Modelos Computacionales Fernando José Serrano García 2 Contenido Introducción... 3 Estructura... 3 Entrenamiento... 3 Aplicación de

Más detalles

Análisis Exploratorio de Datos en R

Análisis Exploratorio de Datos en R Felipe José Bravo Márquez 13 de noviembre de 2013 Análisis Exploratorio de Datos El análisis exploratorio de datos o (EDA) engloba un conjunto de técnicas para poder comprender de manera rápida la naturaleza

Más detalles

Métodos de agregación de modelos y aplicaciones

Métodos de agregación de modelos y aplicaciones Métodos de agregación de modelos y aplicaciones Model aggregation methods and applications Mathias Bourel 1 Recibido: Mayo 2012 Aprobado: Agosto 2012 Resumen.- Los métodos de agregación de modelos en aprendizaje

Más detalles

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING

ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING RESUMEN JUAN MANUEL RIVAS CASTILLO En este documento se emplea el análisis discriminante, que es una técnica del análisis multivariado utilizada

Más detalles

Ejemplo de Aplicación con Neural Connection

Ejemplo de Aplicación con Neural Connection Ejemplo de Aplicación con Neural Connection El marketing directo es un área donde las redes neuronales han tenido un considerable éxito. En este tipo de marketing, se vende un producto o un servicio, enviando

Más detalles

3.- DETERMINANTES. a 11 a 22 a 12 a 21

3.- DETERMINANTES. a 11 a 22 a 12 a 21 3.- DETERMINANTES. 3.1. -DEFINICIÓN Dada una matriz cuadrada de orden n, se llama determinante de esta matriz (y se representa por A o deta al polinomio cuyos términos son todos los productos posibles

Más detalles

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Práctica 11 SVM. Máquinas de Vectores Soporte

Práctica 11 SVM. Máquinas de Vectores Soporte Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

Técnicas de análisis multivariante para agrupación

Técnicas de análisis multivariante para agrupación TEMA 2: TÉCNICAS DE ANÁLISIS MULTIVARIANTE PARA AGRUPACIÓN Métodos cluster Técnicas de segmentación Clasificación no supervisada Ana Justel 1 Técnicas de análisis multivariante para agrupación Motivación

Más detalles

1 Instrucciones generales para ambas plantillas. 2 Instrucciones para la plantilla «total de activos» Febrero de 2015. Convención de signos

1 Instrucciones generales para ambas plantillas. 2 Instrucciones para la plantilla «total de activos» Febrero de 2015. Convención de signos Instrucciones para cumplimentar las plantillas de total de activos y de exposición total al riesgo a fines de recopilación de factores de la tasa de supervisión Febrero de 2015 1 Instrucciones generales

Más detalles

3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF

3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF 3. Selección y Extracción de características Selección: - óptimos y subóptimos Extracción: -PCA - LDA - ICA -NMF 1 Selección de Características Objetivo: Seleccionar un conjunto de p variables a partir

Más detalles

José Ignacio Latorre Universidad de Barcelona

José Ignacio Latorre Universidad de Barcelona INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

MÁQUINAS DE VECTORES DE SOPORTE

MÁQUINAS DE VECTORES DE SOPORTE MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican

Más detalles

Aprendizaje Computacional y Extracción de Información

Aprendizaje Computacional y Extracción de Información Aprendizaje Computacional y Extracción de Información Introducción Jose Oncina oncina@dlsi.ua.es Dep. Lenguajes y Sistemas Informáticos Universidad de Alicante 17 de octubre de 2005 J. Oncina (Universidad

Más detalles

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo

Minería de Datos. Abstract. Existencia de herramientas automáticas que no hacen necesario el ser un experto en estadística Potencia de computo Minería de Datos Óscar Palomo Miñambres Universidad Carlos III de Madrid Avda. De la Universidad, 30 28911, Leganés (Madrid-España) 100049074@alumnos.uc3m.es Abstract En este artículo analizaremos las

Más detalles

Aprendizaje automático mediante árboles de decisión

Aprendizaje automático mediante árboles de decisión Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier

Más detalles

Anexo 1: Demostraciones

Anexo 1: Demostraciones 75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:

Más detalles

Clasificación de métricas.

Clasificación de métricas. Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye

Más detalles

Tutorial: Uso básico de RapidMiner

Tutorial: Uso básico de RapidMiner Introducción Tutorial: Uso básico de RapidMiner En el mundo de la minería de datos (Data Mining) es imprescindible contar con software especializado que permita trabajar los datos para alcanzar los objetivos

Más detalles

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

Más detalles

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL

MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Yegny Amaya, Edwin Barrientos, Universidad Francisco de Paula Santander, Colombia Diana Heredia Vizcaíno, Universidad

Más detalles

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO Diana Noemí Castillo Amoroso 1, Ing. Margarita Martínez Jara 2 Ingeniera en Estadística Informática 1, Directora

Más detalles

Construyendo gráficos estadísticos con ayuda de Microsoft Excel

Construyendo gráficos estadísticos con ayuda de Microsoft Excel Construyendo gráficos estadísticos con ayuda de Microsoft Excel Eduardo Aguilar Fernández Universidad Nacional Heredia, Costa Rica eaguilar2@gmail.com Andrey Zamora Araya Universidad Nacional Heredia,

Más detalles

OBJETIVOS de aprendizaje

OBJETIVOS de aprendizaje Profesorado en Relaciones del Trabajo Materia: Didáctica Especial y Residencia Cátedra: Dra. Vega OBJETIVOS de aprendizaje Ficha de Cátedra 2015 Prof. Carreras, Liliana Prof. Cortés, Margarita Prof. Marzioli,

Más detalles

Visualización de datos

Visualización de datos Visualización de datos 2 Outline Buenos gráficos el lie factor Representar datos en 1,2, y 3-D Representar datos en 4+ dimensiones Parallel coordinates Scatterplots Stick figures 3 Rol de la visualización

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES.

G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES. ISSUED DATE 25 AUGUST 2014 VALID DATE 25 SEPTEMBER 2014 G U Í A D I D Á C T I C A MASTER UNIVERSITARIO DE ESTADÍSTICA APLICADA CON R: TÉCNICAS CLÁSICAS, ROBUSTAS, AVANZADAS Y MULTIVARIANTES. P R O J E

Más detalles

Un grafo G es un par (V,E) donde V es un conjunto (llamado conjunto de vértices) y E un subconjunto de VxV (conjunto de aristas).

Un grafo G es un par (V,E) donde V es un conjunto (llamado conjunto de vértices) y E un subconjunto de VxV (conjunto de aristas). TEMA 5.- GRAFOS 5.1.- DEFINICIONES BÁSICAS Un grafo G es un par (V,E) donde V es un conjunto (llamado conjunto de vértices) y E un subconjunto de VxV (conjunto de aristas). Gráficamente representaremos

Más detalles

CNE_BPNevo Configuración de una red neuronal de propagación hacia atrás empleando un algoritmo genético y una estrategia evolutiva

CNE_BPNevo Configuración de una red neuronal de propagación hacia atrás empleando un algoritmo genético y una estrategia evolutiva CNE_BPNevo Configuración de una red neuronal de propagación hacia atrás empleando un algoritmo genético y una estrategia evolutiva Stop_condition mutate recombine select para Computación Neuronal y Evolutiva

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa UNIVERSIDAD SAN FRANCISCO DE QUITO Minería de Datos Aplicada a Credit Scoring Mauricio Figueroa Tesis de grado presentada como requisito para la obtención del título de Maestría en Matemáticas Aplicadas

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

f(x)=a n x n +a n-1 x n-1 +a n-2 x n-2 +...a 2 x 2 +a 1 x 1 +a 0

f(x)=a n x n +a n-1 x n-1 +a n-2 x n-2 +...a 2 x 2 +a 1 x 1 +a 0 FUNCIÓN POLINOMIAL. DEFINICIÓN. Las funciones polinomiales su representación gráfica, tienen gran importancia en la matemática. Estas funciones son modelos que describen relaciones entre dos variables

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

Estadística Aplicada. Análisis Multivariante.

Estadística Aplicada. Análisis Multivariante. Estadística Aplicada. Análisis Multivariante. Jorge Luis Ojeda Cabrera. Indice Índice 1. Introducción 1 1. Introducción Introducción El problema de la Clasificación Supervisada : DATOS: (x 1, y 1 )...,

Más detalles

Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas

Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas. Datamining Técnicas Pontificia Universidad Católica de Chile Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Datamining Técnicas Yerko Halat 4 de Octubre del 2001 1 Concepto: Lógica Difusa Cliente

Más detalles

Métricas de complejidad para la transformación del problema de detección de cáncer basado en

Métricas de complejidad para la transformación del problema de detección de cáncer basado en Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49 Índice 1 Planteamiento

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI

UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN DE PROYECTOS I FECHA DE ELABORACIÓN: MARZO 2005 ÁREA DEL PLAN DE ESTUDIOS: AS

Más detalles

TEMA 5 Variables ficticias

TEMA 5 Variables ficticias TEMA 5 Variables ficticias Cómo describir información cualitativa Muchas veces en el modelo de regresión aparecen factores cualitativos (sexo, raza, estado civil,.). En estos casos la información relevante

Más detalles

Compresión de Imagen

Compresión de Imagen Compresión de Imagen Marcos Martín 4 de mayo de 2004 1 Introducción Una imagen no variable con el tiempo (ya sea una fotografía, un fotograma...) se puede definir como una función de R 2 en R 3, si la

Más detalles

Álgebra Lineal Ma1010

Álgebra Lineal Ma1010 Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

El Álgebra Lineal detrás de Google

El Álgebra Lineal detrás de Google I Congreso Nacional de Estudiantes de Matemática Corrientes, Julio 2012 Facultad de Matemáticas Universidad de Barcelona Licenciatura en Matemática Master en Matemática Avanzada Doctorado en Matemática

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

UNIDAD 6. Programación no lineal

UNIDAD 6. Programación no lineal UNIDAD 6 Programación no lineal En matemática Programación no lineal (PNL) es el proceso de resolución de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Curso de Inteligencia Artificial

Curso de Inteligencia Artificial Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras

Más detalles

El modelo relacional

El modelo relacional El modelo relacional El modelo relacional constituye una alternativa para la organización y representación de la información que se pretende almacenar en una base de datos. Se trata de un modelo teórico

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007

CARACTERÍSTICAS GENERALES. a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 CARACTERÍSTICAS GENERALES a) Nombre del Proyecto Curricular Licenciatura de Ingeniería en Sistemas Inteligentes 2007 b) Título que se otorga Ingeniero/a en Sistemas Inteligentes c) Espacio donde se imparte

Más detalles

c) ( 1 punto ). Hallar el dominio de definición de la función ( ). Hallar el conjunto de puntos en los que la función tiene derivada.

c) ( 1 punto ). Hallar el dominio de definición de la función ( ). Hallar el conjunto de puntos en los que la función tiene derivada. Materiales producidos en el curso: Curso realizado por Escuelas Católicas del 7 de noviembre al 19 de diciembre de 2011 Título: Wiris para Matemáticas de ESO y Bachilleratos. Uso de Pizarra Digital y Proyector

Más detalles

Tema 5. Reconocimiento de patrones

Tema 5. Reconocimiento de patrones Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia. Silvia López Tobar Andrés Sánchez Cambas

Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia. Silvia López Tobar Andrés Sánchez Cambas Propuesta de una metodología de scoring para Cobertura cambiaria para empresas PYME importadoras en Colombia Silvia López Tobar Andrés Sánchez Cambas Colegio de Estudios Superiores de Administración CESA-

Más detalles

Dualidad y Análisis de Sensibilidad

Dualidad y Análisis de Sensibilidad Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN34A: Clase Auxiliar Dualidad y Análisis de Sensibilidad Marcel Goic F. 1 1 Esta es una versión bastante

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

PROCESO DE POSTULACIÓN A HARVARD COLLEGE PARA ESTUDIANTES INTERNACIONALES

PROCESO DE POSTULACIÓN A HARVARD COLLEGE PARA ESTUDIANTES INTERNACIONALES PROCESO DE POSTULACIÓN A HARVARD COLLEGE PARA ESTUDIANTES INTERNACIONALES (información adaptada del sitio web oficial de admisiones de pregrado de Harvard, http://www.admissions.college.harvard.edu/) Desde

Más detalles

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS

INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS INSTITUTO MATEMÁTICO Y ACTUARIAL MEXICANO DIPLOMADO EN MINERÍA DE DATOS Por qué es importante la Minería de Datos? 2 La Minería de Datos es un proceso que permite obtener conocimiento a partir de los datos

Más detalles

PROYECTO DULCES DE COLORES Proporciones, Porcentajes y Predicciones

PROYECTO DULCES DE COLORES Proporciones, Porcentajes y Predicciones HOJAS DE CÁLCULO Aprender a utilizar todo el potencial que tienen las Hojas de Cálculo (H. de C.) para enseñar distintas materias del currículo entre los grados de Kindergarten y 11º es la propuesta que

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

Problemas y Ejercicios Resueltos. Tema 2: Espacios vectoriales.

Problemas y Ejercicios Resueltos. Tema 2: Espacios vectoriales. Problemas y Ejercicios Resueltos. Tema : Espacios vectoriales. Ejercicios 1.- Determinar el valor de x para que el vector (1, x, 5) R 3 pertenezca al subespacio < (1,, 3), (1, 1, 1) >. Solución. (1, x,

Más detalles

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea

Más detalles

GUÍA DOCENTE DE MATEMATICAS EMPRESARIALES. Curso 2013-2014

GUÍA DOCENTE DE MATEMATICAS EMPRESARIALES. Curso 2013-2014 GUÍA DOCENTE DE MATEMATICAS EMPRESARIALES Curso 2013-2014 1 TITULACIÓN: GRADO MARKETING GUÍA DE DOCENTE DE LA ASIGNATURA: MATEMATICAS EMPRESARIALES Coordinador: Manuel David Orden Erena. I.- Identificación

Más detalles

SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu

SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu EDU082 Resumen SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA Lic. Maikel León Espinosa mle@uclv.edu.cu Departamento de Ciencia de la Computación Universidad Central Marta Abreu de Las Villas Carretera

Más detalles

ENSEÑANZAS DEPORTIVAS DE RÉGIMEN ESPECIAL

ENSEÑANZAS DEPORTIVAS DE RÉGIMEN ESPECIAL ENSEÑANZAS DEPORTIVAS DE RÉGIMEN ESPECIAL Tienen como objetivo formar al alumnado para la actividad profesional en el mundo del deporte, así como facilitar su adaptación a la evolución del mundo laboral

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles