Clasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos.
|
|
- María del Rosario Juárez Ayala
- hace 8 años
- Vistas:
Transcripción
1 Aprendizaje Automatizado Clasificadores y construcción de conceptos usando aprendizaje automatizado Aprendizaje con Version Spaces Clasificador (Classifier) Brindan modelos para capturar la formación de conceptos. Manera típica de formar conceptos Partir de un conjunto (base de datos) ) de entrenamiento (training set). Aplicar algún algoritmo de aprendizaje automatizado para obtener modelo Verificar el comportamiento del modelo obtenido a partir de datos de prueba (test set) 2 Atributos. Clases. Conceptos Los datos de entrenamiento se suelen definir a partir de un conjunto de tuplas, identificando atributos. Edad Diagnóst. hipermétr ope Astigmat? Lágrimas? rmal rmal rmal Lentes recetados Duras Training set Casos nuevos (por clasificar) Edad Diagnóst. hipermétr ope Astigmat? Lágrimas? rmal rmal rmal rmal ninguna Clase Lentes recetados Duras???? 3 4 Training set Hay diversas técnicas, caracterizadas por algoritmos Define el concepto CLASE usando los atributos de los datos de entrenamiento Edad Diagnóst. hipermétr ope Astigmat? Lágrimas? rmal rmal rmal Clase Lentes recetados Duras Técnica de aprendizaje automatizado Modelo (Clasificador) Casos nuevos (por clasificar) Define el concepto CLASE usando los atributos Casos nuevos clasificados Modelo para el concepto CLASE (Clasificador) rmal ninguna rmal ninguna???? Aquí se define el concepto de Lente de Contacto a recetar Duras 5 6 1
2 Datos de lentes de contacto Dos descripciones estructurales: reglas y árbol de decisión 7 8 Learning Set (Training Set) Técnica de aprendizaje Datos disponibles (atributos y clases son cocidas) Test Set (HoldOut Set) Clasificador inducido Podemos medir exactitud usando como referencia el test set? Introducción: Muchos acercamientos a ML: Acercamientos simbólicos Acercamientos simbólicos: version spaces árboles de decisión programación en lógica inductiva Etc Version Spaces Version Spaces Una técnica de concept learning basada en la refinación de modelos del mundo. Tom Mitchell (Carnegie Mellon University, USA) Desarrolló Version Spaces como parte de su Tesis de doctorado Autor de u de los libros más difundidos sobre aprendizaje automatizado 2
3 Aprendizaje de conceptos Ej: un estudiante tiene las siguientes observaciones en relación a una reacción alérgica después de comer en distintas cantinas universitarias: Lugar Sábado Concepto a aprender: : bajo que circunstancias tengo una reacción alérgica despues de comer?? Reacc. 13 En general Existe un cjto.. de todos los eventos posibles: Ejemplo: Cantina = 126 Existe una fc. booleana definida (implícitamente)) a partir de este cjto. Ejemplo: Reacción: Cantina > Bool Tenemos el valor de esta función solo para ALGUNOS ejemplos,, todos. Encontrar una idea inductiva inductiva del concepto que cubra todos los ejemplos! 14 Gráficamente: Cjto.. de todos los Dados los ejemplos: eventos posibles Encontrar un concepto que cubra todos los ejemplos positivos y ningu de los negativos 15 determinismo Hay muchas formas de resolver esto! Cómo elegir...? Cjto.. de todos los eventos posibles 16 Una elección obvia, pero mala: Cantina Sábado El concepto lo definimos como: and and and OR and and Sábado and Reacc. Gráficamente: Pero los únicos ejemplos positivos son los positivos! Cjto.. de todos los eventos posibles Pero esto NO generaliza ningún ejemplo!!
4 Cantina Igualmente malo sería: Dia Sábado El concepto es todo ECEPTO: and and and AND and and and AND and and and Reacc. 19 Gráficamente: Todo (excepto los ejemplos negativos) es positivo: Cjto.. de todos los eventos posibles 20 Solución: fijar un lenguaje de hipótesis: Introduciremos un lenguaje fijo para descripción de conceptos. =espacio de hipót. El concepto sólo puede identificarse como una de las hipótesis en este lenguaje evita el problema de tener conclusiones inútiles fuerza alguna generalización/inducción para cubrir más que sólo los ejemplos dados. Cantina Reacción Ejemplo: Almuerzo Sábado Cada hipótesis es una 4tupla: Reacc. hipótesis más general: [?,?,?,?] maximam. específica: ej.: [,, lunes,] combinaciones de? y valores son válidas: ej.: [,?,?, ] o bien [?,,,?,?] Una hipótesis más: (bottom = hay ejemplos) Las Hipótesis se asocian a cjtos.. de eventos posibles Eventos x2 x1 Hipótesis General h3 h1 h2 Específico Poder expresivo de este lenguaje de hipótesis Conjunciones de propiedades individuales, explícitas Ejemplos: [?, almu., Lunes,,?] : = almu. día = Lunes [?, almu,,?, ] : = almu = [?, almu,,?,?] : = almu. x1 = <,, lunes, > x2 = <,, domingo, > h1 = [?, almu.., lunes,,?] h2 = [?, almu.,?, ] h3 = [?, almu.,?,?] Además añadimosadimos 2 hipótesis especiales: [?,?,?,?] :todo : nada
5 Se permiten también otros lenguajes de hipótesis... Ejemplo: identificar el color de una secuencia dada de objetos coloreados. Ejemplos: rojo : violeta : azul : Un lenguaje de hipótesis útil Importante en lenguajes de hipótesis Deben tener un orden específico<> > general. En correspondencia con la inclusión de cjtos.. de los eventos que son cubiertos. cualq_color mo_color poli_color rojo azul verde naranja violeta Definición de Concept Learning Dado: Un cjto. de eventos posibles: Ej.: Eventocomida: <Cantina,< Cantina,, Dia, > Una target function (descocida( descocida) c: > > {,{, } Ej.: Reacc.: Eventocomida > > {,, } Un lenguaje de hipótesis H Ej.: conjunciones: : [?, almu., lunes,,?] Un cjto.. de ejemplos de entrenamiento D,, con su valor bajo c Ej.: (<,,viernes,>,), Encontrar: Una hipótesis h en H tal que para todo x en D: x es cubierto por h c(x) ) = La hipótesis de aprendizaje inductivo Si una hipótesis se aproxima bien a la target function con un nro. suficientemente grande de ejemplos ent. la hipótesis también se aproximará bien a la target function para otros ejemplos observados FindS: Un algoritmo naïve Inicializar: h := Para cada ejemplo de entrenam. positivo x en D Hacer: Si h cubre x: Reemplazar h por una generalizac.. minimal de h que cubra x Retornar h 29 Cantina Ejemplo 1: Ejemplo: hay más ejem. positivos: retornar h Ejemplo 2: h = [,?,?,] Generalizac.. = reemplazar algo por? Inicialm.: h = Sabado Reacc. h = [,,viernes,] generalizac. minimales = eventos individuales 30 5
6 H Propiedades de FindS determinista determinista: Dependiendo de H, puede haber varias generalizaciones mínimas: Hacker Científico Futbolista Alex Propiedades de FindS S (2) Puede asumir las hipótesis incorrectas (con respecto a los ejemplos negativos): D : Alex H Hacker Científico Futbolista Alex puede generalizarse mínimamente en 2 formas para incluir un nuevo ejemplo (). 31 Solución equivocada 32 Propiedades de FindS S (3) Lo bue de FindS: puede detectar inconsistencia en los datos de entrenamiento: D : tiene que recordar ejemplos previos! Si el h previo ya cubría todos los ejemplos previos, entonces una generalización minimal h también lo hará! H Ni la incapacidad del lenguaje H para aprender el concepto: H D : Alex Científico Alex 33 h h Si h ya cubría los primeros 20 ejemplos, ent. h también lo hará 34 Ejemplo Reacción: Inicializar: h := [?,?,..,?] Dual FindS: Cantina Sábado Inicialm: h = [?,?,?,?] Reacción Para cada ejemplo de entrenamiento negativo x en D Hacer: Si h cubre x: Reemplazar h por una especialización minimal de h que cubra x Retornar h Ejemplo 1: Ejemplo 2: h= [?,,,?,?] h= [,,,?,?] 35 Ejemplo 3: h= [,,,?, ] 36 6
7 Version Spaces: la idea: Realizar ambos, FindS S y Dual FindS: FindS para los ejemplos positivos Dual FindS para los ejemplos negativos PERO: NO seleccionar 1 generalización minimal o especialización en cada paso, si mantener la traza de TODAS las generalizaciones o especializaciones minimales Version spaces: inicialización G = { [?,?,,?] } S = {{ } Los version spaces G y S se inicializan sólo como las hipótesis más grandes y más pequeñas, respectivamente Ejemplos negativos: G = { [?,?,,?] } G = {h1, h2,, hn} S = {{ } Reemplazar la hipótesis top por TODAS las especializaciones minimales que NO cubren el ejemplo negativo Invariante: : solo las hipótesis más específicas que las que están en G son aún posibles: ellas cubren el ejemplo negativo Ejemplos positivos: G = {h1, h2,, hn} h1,, h2,,hm } S = {{ } Reemplazar la hipótesis bottom por TODAS las generalizaciones minimales que CUBREN al ejemplo positivo. Invariante: sólo las hipótesis más generales que las que están en S son aún posibles: ellas cubren el ejemplo positivo Luego: ejemplos negativos Luego: ejemplos positivos G = {h1, h2,, hn} G = {h1, h21, h22,, hn} G = {h1, h21, h22,, hn} S = {h11{ h11,, h12,, h13,, h2,,hm } h1,, h2,,hm } h1,, h2,,hm } Reemplazar toda hipótesis en G que cubra al próximo ejemplo negativo por TODAS las especializaciones minimales que NO cubren el ejemplo negativo Reemplazar todas las hipotesis en S que cubren el próximo ejemplo positivo por TODAS las generalizaciones minimales que SI lo cubren. Invariante: sólo las hipótesis más específicas que las que están en G aún son posibles: ellas cubren el ejemplo negativo 41 Invariante: sólo las hipótesis más generales que las que están en S son aún posibles: ellas cubren el ejemplo positivo 42 7
8 Optimización: negativa: G = {h1, h21,, hn} Optimización: positiva: G = {h1, h21, h22,, hn} son más generales que... h1,, h2,,hm } son más especificos que... S = {h13{ h13,, h2,,hm } Solo considerar especializaciones de elementos en G que son aún más generales que alguna hipótesis específica (en S) Solo considerar generalizaciones de elementos en S que son aún más específicos que alguna hipótesis general (en G) Poda: ejemplos negativos G = {h1, h21,, hn} Poda: ejemplos positivos G = {h1, h21,, hn} NO cubre el último ejemplo positivo Cubre el último ejemplo negativo! h1,, h3,,hm } h1,, h3,,hm } El nuevo ejemplo negativo puede usarse para podar todas las Shipotesis que cubren al ejemplo negativo. El nuevo ejemplo positivo puede tambien ser usado para podar todas las G hipotesis que cubren al ejemplo positivo Eliminar hipótesis redundantes Obviam. también para S! G = {h1, h21,, hn} Convergencia: G = {h1, h21, h22,, hn} Más especifica que otra hipótesis general h1,, h3,,hm } S = {h13{ h13,, h2,,hm } Si una hipótesis de G es más específica que otra hipótesis de G: : la eliminamos! Razón: Ola de choque: todo por encima de G es permitido. Los elementos más generales de G definen la frontera real 47 A la larga, si G y S PUDIERAN tener un elemento común: Version Spaces converge a una solución. Los demás ejemplos necesitan ser verificados con respecto a la solución. 48 8
9 Ejemplo: reacción alérgica Inicialización:,,, : : Ejemplo positivo: generalización mínima de [?,?,?,?] Más general [?,?,?,?] Más especifico [,, viernes, ] 49 50,, viernes, : Ejemplo negativo: especializac.. minimal de [?,?,?,?] 15 especializaciones posibles!! [,,?,?,?] [,,?,?,?] Conicide con el ejemplo negativo [,,?,?,?] generaliza el modelo especifico [?,,,?,?] [?, almu.,,?,?] [?, cena,,?,?] [?,?, Lunes,,?] [?,?, Martes,,?] restan! [?,?, Miercoles,,?] [?,?, Jueves,,?] [?,?,,,?] Modelo específico: [?,?, Sabado,,?] [,,viernes,] [?,?,,,?] [?,?,?, ] [?,?,?, ] 51 Resultado tras ejemplo 2: [?,?,?,?] [,,?,?,?] [?,,,?,?] [?,?,?, ] [,,, ] 52, almu., Sábado, : : Ejemplo positivo: mínima generalizac.. de [,,, ],,,, : Ejemplo negativo: espec.. minimal de los modelos generales: [,,?,?,?] [?,,,?,?] [?,?,?, ] [,,?,?,?] [?,?,?, ] concuerda con el nuevo ejemplo [,,?,?, ] [,,?,?, ] [, desay., viernes,] La única especialización que se introduce es podada, pues es más específica que otra hipótesis más general [,,?,?, ]
10 ,,, : Ejemplos negativos: espec. mínima de [,,?,?,?] Version Space Algoritmo: Inicialmente: G := {la hipótesis que cubre todo} S := {}{ [,,?,?,?] La comida barata de produce la alergia! [,,?,?, ] Igual hipótesis!!! [,,?,?, ] Para cada nuevo ejemplo positivo: Generalizar todas las hipótesis en S que áun cubren el ejemplo, pero asegurar lo siguiente: Sólo introducir cambios minimales en las hipótesis Cada nueva hipót. específica es una especializacion de alguna hipótesis general Ninguna nueva hipot. específica es una generalizac. de algun otra hipot. específica Podar toda hipótesis en G que cubra el ejemplo Version Space Algoritmo (2)... Para cada nuevo ejem. negativo: Especializar toda hipot.. en G que cubra el ejemplo, pero asegurar lo sgte: Solo introducir cambios minimales en hipotesis Cada nueva hipot.. general es una generalizacion de alguna hipot. específica fica. Ninguna nueva hipot.. general es una especializac.de alguna otra hipot.. general Podar toda hipot en S que cubra el ejemplo Hasta que hay más ejemplos: reportar S y G O bien S o bien G se vacían an: reportar falla Propiedades de VS: Simetría: ejemplos positivos y negativos se tratan de manera completamente dual. necesita recordar ejemplos previos. Ruido: VS puede manejar bien el ruido! Si se da un ejemplo positivo como negativo, entonces.. VS elimina la hipótesis deseada del Version Space G! Terminación: Si termina porque hay más ejemplos : Ejemplo (espacios de terminación): [,,?,?,?] [?,?, Lunes,?] Terminación (2): Si termina porque S o G son vacíos: Entonces : Los datos de prueba son inconsistentes (ruido?) El concepto meta puede ser representado en el lenguaje de hipótesis H. [,,?,?, ] [,,?,Lunes Lunes,,?] [?,?,Lunes, Lunes,] [,,?,Lunes, Lunes,] Entonces todas estas hipótesis,, y todas las hipótesis intermedias son descripciones aún correctas, que cubren los datos dados VS hace elecciones innecesarias! 59 Ejemplo: el concepto meta es: [,,,?, ] [, almu,,?, ] dados ejemplos como: <, cena, domingo, > <,, domingo, > <, almu., domingo, > esto puede ser aprendido en nuestro lenguaje H
11 VersionSpaces en Prolog Existe una implementación del algoritmo VersionSpaces en lenguaje SWI Prolog ( AI techniques in Prolog, Y.Shoham). Relaciones entre conceptos: se definen con un predicado dgeneralizes(,y) Ejemplos: dgeneralize(cjto_2_36_214,pares). dgeneralize(nro_150, pares). dgeneralize(nro_150, enteros_meres_que_200). _200). dgeneralize(primos_impares,primos). dgeneralize(primos_impares,impares). VersionSpaces en Prolog Idea: Luego pueden hacerse consultas como la siguiente: version_space([ ([set_2_36_214, primes, odds], U,L) En U se obtiene el UpperBound,, y en L el LowerBound. pares enteros_meres _que_200 _200 primos impares Cjto_2_36_214 nro_150 primos_impares FIN 63 11
Generalización como búsqueda. El problema de aprendizaje por generalización puede verse como un problema de búsqueda:
Generalización como búsqueda El problema de aprendizaje por generalización puede verse como un problema de búsqueda: El lenguaje de generalización corresponde a un espacio de hipótesis (espacio de búsqueda)
Más detallesColegio Alexander von Humboldt - Lima. Tema: La enseñanza de la matemática está en un proceso de cambio
Refo 07 2004 15 al 19 de noviembre 2004 Colegio Alexander von Humboldt - Lima Tema: La enseñanza de la matemática está en un proceso de cambio La enseñanza de la matemática debe tener dos objetivos principales:
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesSesión 7: Visón general
Sesión 7: Visón general Hablemos de las calorías Comemos calorías por una razón: nuestros cuerpos las necesitan para sobrevivir. Proporcionan el combustible para todo lo que hacemos, incluso para nuestra
Más detallesUniversidad Católica del Maule. Fundamentos de Computación Especificación de tipos de datos ESPECIFICACIÓN ALGEBRAICA DE TIPOS DE DATOS
Especificación algebraica ESPECIFICACIÓN ALGEBRAICA DE TIPOS DE DATOS Un tipo abstracto de datos se determina por las operaciones asociadas, incluyendo constantes que se consideran como operaciones sin
Más detallesAprendizaje 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 detallesEl palacio de la Alhambra: La primera expansión. El favor de los visires
El palacio de la Alhambra: La primera expansión El favor de los visires Traducido al español por javche Esta expansión contiene cuatro módulos diferentes, que pueden combinarse individualmente o todos
Más detallesCAPÍTULO 5. CONCLUSIONES. objetivo descrito inicialmente, el que consistió en establecer las bases necesarias para aplicar
25 CAPÍTULO 5. CONCLUSIONES. De acuerdo a lo propuesto en este documento, se considera haber cumplido con el objetivo descrito inicialmente, el que consistió en establecer las bases necesarias para aplicar
Más detallesTALLER No. 3. Prueba No. 1 - Importar y cargar datos en IDEA
TALLER No. 3 AUDITORÍA AL PROCESO DE NOMINA PROGRAMA DE AUDITORÍA Objetivo de la Auditoria: Prueba No. 1 - Importar y cargar datos en IDEA Desarrollar habilidades para importar datos a IDEA y crear la
Más detallesApuntes de Matemática Discreta 1. Conjuntos y Subconjuntos
Apuntes de Matemática Discreta 1. Conjuntos y Subconjuntos Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 1 Conjuntos y Subconjuntos
Más detallesSIIT SISTEMA INFORMÁTICO DE INSPECCIONES DE TRABAJO. Modulo de Planificación Manual de Usuario
SISTEMA INFORMÁTICO DE INSPECCIONES DE TRABAJO Modulo de Planificación Manual de Usuario Oficina General de Estadística e Informática Oficina de Informática Unidad de Análisis y Desarrollo MÓDULO DE PLANIFICACIÓN
Más detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesmcd y mcm Máximo Común Divisor y Mínimo Común múltiplo www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx
mcd y mcm Máximo Común Divisor y Mínimo Común múltiplo www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 2007-2008 Contenido 1. Divisores de un número entero 2 2. Máximo común divisor
Más detallesVisión. Principios Conductores
Borrador de la Visión y Principios Conductores Revisados, para la Implementación del Acto de Servicios de Salud Mental del DSM Para su traducción en Múltiples Idiomas En noviembre de 2004, los ciudadanos
Más detalles3.8 Construcción de una ALU básica
3.8 Construcción de una ALU básica En este punto veremos como por medio de compuertas lógicas y multiplexores, se pueden implementar las operaciones aritméticas básicas de una ALU. Esencialmente en este
Más detallesPasos para crear un gráfico en Excel GRÁFICOS EN EXCEL
GRÁFICOS EN EXCEL Un gráfico en Excel es una representación de valores numéricos que mejora la comprensión de los datos que se encuentran en nuestra hoja. Los gráficos son una excelente herramienta para
Más detallesLos números racionales
Los números racionales Los números racionales Los números fraccionarios o fracciones permiten representar aquellas situaciones en las que se obtiene o se debe una parte de un objeto. Todas las fracciones
Más detallesLABORATORIO Nº 2 GUÍA PARA REALIZAR FORMULAS EN EXCEL
OBJETIVO Mejorar el nivel de comprensión y el manejo de las destrezas del estudiante para utilizar formulas en Microsoft Excel 2010. 1) DEFINICIÓN Una fórmula de Excel es un código especial que introducimos
Más detallesBANCOS. Manejo de Bancos. Como crear una ficha de Banco? Como modificar los datos de una ficha de Banco? Como borrar una ficha de Banco?
BANCOS El Sistema de Gestión Administrativa permite el manejo de los movimientos bancarios. Seleccionada la opción de Bancos, el sistema presentara las siguientes opciones. Manejo de Bancos Manejo de movimientos
Más detallesEstudiante: Mag. Ingeniero. Roberto Schovelin Surhoff Director: Dr. Arq. Josep Roca Cladera Tutor Dr. Ingeniero. Francisco Nuñez Cerda
Universidad Politécnica de Cataluña, UPC Departamento de Construcciones Arquitectónicas I, CAI DOCTORADO EN GESTIÓN Y VALORACION URBANA Centro de Política de Suelo y Valoraciones, CPSV MODELO PARA MAXIMIZAR
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD Y RAMAS INFINITAS
LÍMITES DE FUNCIONES. CONTINUIDAD RAMAS INFINITAS Página 7 REFLEIONA RESUELVE Aproimaciones sucesivas Comprueba que: f () =,5; f (,9) =,95; f (,99) =,995 Calcula f (,999); f (,9999); f (,99999); A la vista
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD Y RAMAS INFINITAS
LÍMITES DE FUNCIONES. CONTINUIDAD RAMAS INFINITAS Página 7 REFLEIONA RESUELVE Aproimaciones sucesivas Comprueba que: f () = 6,5; f (,9) = 6,95; f (,99) = 6,995 Calcula f (,999); f (,9999); f (,99999);
Más detallesClases de apoyo de matemáticas Fracciones y decimales Escuela 765 Lago Puelo Provincia de Chubut
Clases de apoyo de matemáticas Fracciones y decimales Escuela 765 Lago Puelo Provincia de Chubut Este texto intenta ser un complemento de las clases de apoyo de matemáticas que se están realizando en la
Más detallesTecnólogo Informático- Estructuras de Datos y Algoritmos- 2009
Árboles Ejemplos de estructuras arborescentes: con forma de árbol Regla de Alcance: los objetos visibles en un procedimiento son aquellos declarados en él mismo o en cualquier ancestro de él (cualquier
Más detallesAbdominales firmes con ejercicios de 30 Minutos. Por Diego Garcia. Copyright 2009 LoseManBoobsRevealed.com
1 Abdominales firmes con ejercicios de 30 Minutos Por Diego Garcia 2 DESCARGO DE RESPONSABILIDAD MÉDICA No soy médico certificado ni tampoco pretendo serlo. Esta guía sólo tiene la finalidad de informar,
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detallesHERRAMIENTAS DE ACCESS ACCESS 2010. Manual de Referencia para usuarios. Salomón Ccance CCANCE WEBSITE
HERRAMIENTAS DE ACCESS ACCESS 2010 Manual de Referencia para usuarios Salomón Ccance CCANCE WEBSITE HERRAMIENTAS DE ACCESS En esta unidad veremos algunas de las herramientas incorporadas de Access que
Más detallesPROYECTO DE COMEDOR. Estas necesidades son las que nos sirven para articular nuestra intervención educativa en función de unos PRINCIPIOS:
PROYECTO DE COMEDOR Nuestro planteamiento educativo se concreta en un proyecto elaborado a la medida del centro, partiendo del análisis de la realidad social y del entorno de la escuela se marcan las pautas
Más detallesII. ELEMENTOS DE UN CENTRO ACUÁTICO II.1 Introducción Los espacios dentro de un centro acuático se centran alrededor de la alberca como el elemento
II. ELEMENTOS DE UN CENTRO ACUÁTICO II.1 Introducción Los espacios dentro de un centro acuático se centran alrededor de la alberca como el elemento más importante de la estructura. Sin embargo, existen
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesUna función f es derivable en un punto a de su dominio si existe el límite. f(x) f(a) Si f y g son derivables en a, entonces fg es derivable en a y
4. Derivabilidad 1 Una función f es derivable en un punto a de su dominio si existe el límite f (a) = lím x a f(x) f(a) x a f(a + h) f(a) = lím, h 0 h y es un número real. El número f (a) se denomina derivada
Más detalles6. Gestión de proyectos
6. Gestión de proyectos Versión estudiante Introducción 1. El proceso de gestión de proyectos 2. Gestión del riesgo "La gestión de proyectos se basa en establecer objetivos claros, gestionar el tiempo,
Más detallesEcuación ordinaria de la circunferencia
Ecuación ordinaria de la circunferencia En esta sección estudiatemos la ecuación de la circunferencia en la forma ordinaria. Cuando hablemos de la forma ordinaria de una cónica, generalmente nos referiremos
Más detallesANÁLISIS DE FUNCIONES RACIONALES
ANÁLISIS DE FUNCIONES RACIONALES ( x 9) Dada la función f( x) = x 4 DETERMINE: Dominio, asíntotas, intervalos de crecimiento, intervalos de concavidad, extremos relativos y puntos de inflexión, representar
Más detallesAprendizaje 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 detalles2. ABRIR UN NUEVO DOCUMENTO DE TRABAJO
2. ABRIR UN NUEVO DOCUMENTO DE TRABAJO 18 Introducción Hasta ahora hemos visto como abrir una imagen para tratarla en Photoshop CS3, y a guardarla en cualquiera de los estados en los que se encuentre en
Más detallesREMUNERACIÓN ADICIONAL POR PROYECTOS I+D+I CON FINANCIACIÓN EXTERNA Y ACTIVIDADES AFINES. DOCENCIA ADICIONAL
REMUNERACIÓN ADICIONAL POR PROYECTOS I+D+I CON FINANCIACIÓN EXTERNA Y ACTIVIDADES AFINES. DOCENCIA ADICIONAL (Aprobado por la Junta de Gobierno en la sesión celebrada el 26 de septiembre de 2003 y modificado
Más detallesExperimento 7 MOMENTO LINEAL. Objetivos. Teoría. Figura 1 Dos carritos sufren una colisión parcialmente inelástica
Experimento 7 MOMENTO LINEAL Objetivos 1. Verificar el principio de conservación del momento lineal en colisiones inelásticas, y 2. Comprobar que la energía cinética no se conserva en colisiones inelásticas
Más detallesPOR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers )
CAPÍTULO 5 POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) Ya hemos trabajado antes con los principios básicos de la toma de decisiones
Más detallesUN PROBLEMA CON INTERÉS Y CALCULADORA
UN PROBLEMA CON INTERÉS Y CALCULADORA José Antonio Mora Sánchez. Alacant Las calculadoras ofrecen la posibilidad de modificar la óptica desde la que se abordan ciertos problemas matemáticos, esto hace
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesGRABACIÓN DE DATOS Apuntes de mecanografía
GRABACIÓN DE DATOS Apuntes de mecanografía Página 1 El arte de la mecanografía Convertirse en un buen mecanógrafo es sólo cuestión de tiempo, entrenamiento y práctica. No requiere ninguna habilidad especial.
Más detallesPrograma para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones
Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces
Más detallesLas 5 S herramientas básicas de mejora de la calidad de vida
Las 5 S herramientas básicas de mejora de la calidad de vida Autor: Justo Rosas D. Tomado de www.paritarios.cl Qué son las 5 S? Es una práctica de Calidad ideada en Japón referida al Mantenimiento Integral
Más detallesGuía breve para la. Versión abreviada del Manual para la. evaluación de desempeño y potencial
Guía breve para la evaluación de desempeño y potencial Versión abreviada del Manual para la evaluación de desempeño y potencial Febrero 2013 INSTITUCIONES PÚBLICAS SUSTENTADAS EN EL BUEN DESEMPEÑO DE SUS
Más detallesTERCER PROTOTIPO POBLACIÓN DE CONEJOS
TERCER PROTOTIPO POBLACIÓN DE CONEJOS Seguramente, el lector tendrá varias objeciones al segundo prototipo; por ejemplo, el asumir la TN = RA, sólo es coherente con el hecho de que a más RA más TN; incluso
Más detallesTEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS
1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de
Más detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesCompetencias Profesionales del Ingeniero de Informática en la universidad.
G R A D O I N G E N I E R Í A I N F O R M Á T I C A del Ingeniero de Informática en la universidad. Estudiante: Goizargi Zumelzu Consultor: Neus Heras Navarro Junio de 2013 1 ÍNDICE Capítulo 1: Introducción
Más detallesBASES DE DATOS TEMA 3 MODELO ENTIDAD - RELACIÓN
BASES DE DATOS TEMA 3 MODELO ENTIDAD - RELACIÓN 3.3 Aplicaciones Definición de Aplicación (Application). Programa informático que permite a un usuario utilizar una computadora con un fin específico. Las
Más detallesSUCESIONES INFINITAS
SUCESIONES INFINITAS 1 2 Ejercicio: Cálculo del término general de una sucesión: Encontrar el quincuagésimo término de la sucesión 1, 3, 5, 7,... Es una progresión aritmética de diferencia 2. Su término
Más detallesLa educación especial y los números
La educación especial y los números en color [1] Concepción Sánchez Martínez Las características peculiares de las Regletas de Cuisenaire las dotan de una utilización ventajosa para el aprendizaje de las
Más detalles_ Antología de Física I. Unidad II Vectores. Elaboró: Ing. Víctor H. Alcalá-Octaviano
24 Unidad II Vectores 2.1 Magnitudes escalares y vectoriales Unidad II. VECTORES Para muchas magnitudes físicas basta con indicar su valor para que estén perfectamente definidas y estas son las denominadas
Más detallesInformática Aplicada a la Gestión de Empresas (IAGE) Parte III Excel e Internet Tema 2
Informática Aplicada a la Gestión de Empresas (IAGE) Parte III Excel e Internet Tema 2 1. Rango de celdas. Definición. Selección Contenido. 2. Referencias relativas, absolutas y mixtas. 3. Gráficos. Creación,
Más detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detallesSistemas de ayuda a la decisión Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico
Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico Indice 1) Motivavión, Identifición y Estructuración del problema 2) Análisis Paramétrico: Medidas basadas en distancias de umbral
Más detallesÍNDICE. Ficha técnica... 4. Encuesta y cuestionario... 6. Finalidad y resultados de la encuesta... 10 10. Primera parte: conocimiento...
ÍNDICE Ficha técnica... 4 Encuesta y cuestionario... 6 Finalidad y resultados de la encuesta... 10 10 Primera parte: conocimiento... 12 Segunda parte: modo de conocimiento y valoración... 18 Tercera parte:
Más detallesEl rincón de los problemas. Oportunidades para estimular el pensamiento matemático. Triángulos de área máxima o de área mínima Problema
www.fisem.org/web/union El rincón de los problemas ISSN: 1815-0640 Número 37. Marzo 2014 páginas 139-145 Pontificia Universidad Católica del Perú umalasp@pucp.edu.pe Oportunidades para estimular el pensamiento
Más detallesPrograma en Microsoft Visual Basic 6.0 para el análisis de riesgos eléctricos en oficinas y centros de cómputo. López Rosales, Juan Carlo.
CAPÍTULO IV PROCESO UNIFICADO DE DESARROLLO DE SOFTWARE 4.1 Concepto del Proceso Unificado de Desarrollo de Software Un proceso de desarrollo de software es el conjunto de actividades necesarias para transformar
Más detalles25 preguntas típicas en una entrevista de Trabajo
Quien tenga la necesidad de emplearse sabe que tendrá que pasar en algún momento alguna de esas arduas entrevistas de trabajo. Cada vez son más grandes las exigencias técnicas y psicológicas para poder
Más detallesActividades para mejoras. Actividades donde se evalúa constantemente todo el proceso del proyecto para evitar errores y eficientar los procesos.
Apéndice C. Glosario A Actividades de coordinación entre grupos. Son dinámicas y canales de comunicación cuyo objetivo es facilitar el trabajo entre los distintos equipos del proyecto. Actividades integradas
Más detallesde riesgos ambientales
MF1974_3: Prevención de riesgos TEMA 1. Análisis y evaluación de riesgos TEMA 2. Diseño de planes de emergencia TEMA 3. Elaboración de simulacros de emergencias TEMA 4. Simulación del plan de emergencia
Más detallesPROBLEMA BÁSICO Según esto se concluye que, en no pocos casos, el estudiante de nuestro medio llega
Se continúa con los que, según Fabio Hernández, constituyen los principales problemas que afectan el estudio. Anteriormente se presentaron los dos primeros: 1) La falta de una adecuada orientación profesional
Más detallesEstructuras de Datos y Algoritmos
Estructuras de Datos y Algoritmos Año 205 Deducción de algunos esfuerzos para una Distribución pseudo-aleatoria de datos Introducción Vamos a desarrollar algunos de los esfuerzos para estructuras que utilizan
Más detalles2.- Métodos para la medición de la pobreza
2.- Métodos para la medición de la pobreza Existen tres enfoques principales para la medición de la pobreza y cada uno contiene diversas metodologías para la identificación de los pobres (Boltvinik, 1999).
Más detallesLÍMITES DE FUNCIONES. CONTINUIDAD
LÍMITES DE FUNCIONES. CONTINUIDAD Página REFLEXIONA Y RESUELVE Algunos ites elementales Utiliza tu sentido común para dar el valor de los siguientes ites: a,, b,, @ c,, 5 + d,, @ @ + e,, @ f,, 0 @ 0 @
Más detalles2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com.
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 404 Diseño de segmento Generalidades Diseño para criticidad de lazo
Más detallesInstrucciones para la familiarización de los alumnos con el instrumento de evaluación de EECL (ES)
Instrucciones para la familiarización de los alumnos con el instrumento de evaluación de EECL (ES) Índice 1 INTRODUCCIÓN 3 2 REALIZACIÓN DE LAS PRUEBAS 3 2.1 Entrada al sistema 3 2.2 Prueba de sonido para
Más detallesIntegrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es)
UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Exactas y Naturales Departamento de Computación Trabajo Práctico de Metaheurística Segundo cuatrimestre 2010 Implementación de un Algoritmo basado en la
Más detallesClase 9 -Carga anual equivalente (CAE) TIR Comparación entre alternativas
Clase 9 -Carga anual equivalente (CAE) TIR Comparación entre alternativas Carolina Rojas G. Universidad Diego Portales Facultad de Ingeniería Industrial Caraga anual equivalente (CAE) Comparación de alternativas
Más detalles1.) Cuál es la diferencia entre creatividad e innovación? 2.) Cuáles son los factores de influencia típicos en la creatividad?
5 - Preguntas Preguntas 1.) Cuál es la diferencia entre creatividad e innovación? 2.) Cuáles son los factores de influencia típicos en la creatividad? 3.) Cuál de las tres grandes categorías de creatividad
Más detallesUna investigación australiana reveló que posiblemente la disminución
CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación
Más detallesCriterios para seleccionar tecnología de Modelos de Toma de Decisiones
Estado del Arte Por Eduardo Cantú y Stephen Sellers Criterios para seleccionar tecnología de Modelos de Toma de Decisiones Seleccionar la herramienta apropiada para desarrollar sus Modelos de Cadena de
Más detallesCAPÍTULO III 3. MÉTODOS DE INVESTIGACIÓN. El ámbito de los negocios en la actualidad es un área donde que cada vez más
CAPÍTULO III 3. MÉTODOS DE INVESTIGACIÓN El ámbito de los negocios en la actualidad es un área donde que cada vez más se requieren estudios y análisis con criterios de carácter científico a fin de poder
Más detalles1.1 La Bobina Ideal. Preguntas conceptuales
1. RESPUESTA DEL CIRCUITO EN ESTADO TRANSITORIO (DOMINIO DEL TIEMPO) 1.1 La Bobina Ideal Preguntas conceptuales 1. La inductancia de cierta bobina está determinada por la ecuación 1.2. Si se desea construir
Más detallesSesión 3 - Movimiento Diferencial
Sesión 3 - Movimiento Diferencial Qué aprenderemos en esta sesión? Para entender como nuestro robot se va a desplazar por cualquier superficie, debemos aprender la manera en que lo hace, por eso, en esta
Más detalles2. GRAFICA DE FUNCIONES
. GRAFICA DE FUNCIONES En vista de que el comportamiento de una función puede, en general, apreciarse mu bien en su gráfica, vamos a describir algunas técnicas con auda de las cuales podremos hacer un
Más detallesEl Producto. Qué es la Ingeniería de Software? Tecnología para construir software Un proceso Un conjunto de métodos Herramientas
El Producto Qué es la Ingeniería de Software? Tecnología para construir software Un proceso Un conjunto de métodos Herramientas Evolución Primeros años Principios 1960 s orientación batch distribución
Más detallesSGIC. Propuesta para Plan de Telefonía y Perfiles de Consumo
SGIC Propuesta para Plan de Telefonía y Perfiles de Consumo A continuación se presenta una propuesta para tratar los planes de telefonía y los perfiles de consumo en el SGIC. Las clases naranjas son las
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesUNIDAD DIDACTICA 1: SISTEMAS GESTORES DE BASES DE DATOS
UNIDAD DIDACTICA 1: SISTEMAS GESTORES DE BASES DE DATOS Índice de contenido: 1. Concepto de base de datos (BD)... 3 2. Los sistemas gestores de bases de datos (SGBD)... 3 3. Arquitectura de los sistemas
Más detallesIMPLANTACION DE TPM. (Mantenimiento Productivo Total)
IMPLANTACION DE TPM (Mantenimiento Productivo Total) INTRODUCCIÓN QUÉ ES EL MANTENIMIENTO? OBJETIVOS ORIGEN BENEFICIOS PILARES BÁSICOS DEL TPM IMPLANTACIÓN LOS 12 PASOS A SEGUIR MANTENIMIENTO Qué es? Es
Más detallesMacroeconomía Intermedia
Macroeconomía Intermedia Colección de 240 preguntas tipo test, resueltas por Eduardo Morera Cid, Economista Colegiado. Cada sesión constará de una batería de 20 preguntas tipo test y las respuestas a las
Más detallesMICROECONOMÍA MICROECONOMÍA
MICROECONOMÍA MICROECONOMÍA INTRODUCCIÓN A LA MICROECONOMÍA. OBJETIVOS El alumno deberá ser capaz de comprender cómo se realiza el proceso de satisfacción de necesidades utilizando eficientemente sus recursos
Más detallesDCU Diagramas de casos de uso
DCU Diagramas de casos de uso Universidad de Oviedo Departamento de Informática Contenidos Introducción Elementos básicos Más sobre los actores Más sobre los casos de uso Más sobre las asociaciones Otros
Más detallesASEGURAMIENTO DE LA CALIDAD EN LABORATORIO
FUNDACION NEXUS ASEGURAMIENTO DE LA CALIDAD EN LABORATORIO Marzo de 2012 CALIDAD, CONTROL DE LA CALIDAD Y ASEGURAMIENTO DE LA CALIDAD El laboratorio de análisis ofrece a sus clientes un servicio que se
Más detallesInstrucción IrA (GoTo). Saltos no naturales en el flujo normal de un programa. Pseudocódigo y diagramas de flujo. (CU00182A)
aprenderaprogramar.com Instrucción IrA (GoTo). Saltos no naturales en el flujo normal de un programa. Pseudocódigo y diagramas de flujo. (CU00182A) Sección: Cursos Categoría: Curso Bases de la programación
Más detallesSISTEMA DIÉDRICO PARA INGENIEROS. David Peribáñez Martínez DEMO
SISTEMA DIÉDRICO PARA INGENIEROS David Peribáñez Martínez SISTEMA DIÉDRICO PARA INGENIEROS David Peribáñez Martínez Valderrebollo 20, 1 A 28031 MADRID 1ª Edición Ninguna parte de esta publicación, incluido
Más detalles4. EVALUACIÓN DEL PROGRAMA DE CAPACITACIÓN
4. EVALUACIÓN DEL PROGRAMA DE CAPACITACIÓN La etapa final del proceso de capacitación es la evaluación de los resultados obtenidos, mediante este proceso se puede responder a las siguientes preguntas:
Más detallesLección 1-Introducción a los Polinomios y Suma y Resta de Polinomios. Dra. Noemí L. Ruiz Limardo 2009
Lección 1-Introducción a los Polinomios y Suma y Resta de Polinomios Dra. Noemí L. Ruiz Limardo 2009 Objetivos de la Lección Al finalizar esta lección los estudiantes: Identificarán, de una lista de expresiones
Más detallesAnálisis y gestión de riesgo
Marco Dueñes Intriago María Cabrales Jaquez Resumen capitulo 6 Ingeniería del software Análisis y gestión de riesgo Estrategias de riesgo proactivas vs reactivas Una estrategia considerablemente más inteligente
Más detallesINVENTARIO INTRODUCCIÓN RESUMEN DE PASOS
INVENTARIO INTRODUCCIÓN Es habitual que en las empresas realicen a final de año un Inventario. Con este proceso se pretende controlar el nivel de stock existente, para iniciar el nuevo ejercicio, conociendo
Más detalles4. METODOLOGÍA. 4.1 Materiales. 4.1.1 Equipo
4. METODOLOGÍA 4.1 Materiales 4.1.1 Equipo Equipo de cómputo. Para el empleo del la metodología HAZOP se requiere de un equipo de cómputo con interfase Windows 98 o más reciente con procesador Pentium
Más detallesCAPITULO VI ESTRATEGIAS DE OUTSOURCING
CAPITULO VI ESTRATEGIAS DE OUTSOURCING Cuando una compañía decide llevar a cabo un proceso de outsourcing debe definir una estrategia que guíe todo el proceso. Hay dos tipos genéricos de estrategia de
Más detallesPREVENCIÓN DE DAÑOS EN TEXAS
EXCAVE CON CUIDADO PREVENCIÓN DE DAÑOS EN TEXAS Preguntas Frecuentes (FAQ) PREGUNTAS GENERALES Título 16, Código Administrativo de Texas, Capítulo 18 1. Cuando una compañía de tuberías está realizando
Más detallesIV Jornada RSC en el Sur organizada por Ingeniería sin Fronteras en colaboración con la Fundación Ingenieros del ICAI
IV Jornada RSC en el Sur organizada por Ingeniería sin Fronteras en colaboración con la Fundación Ingenieros del ICAI El pasado día 30 de Junio y con el título Medición de Impacto de la Empresa desde la
Más detallesPAUTAS PRÁCTICAS DE MODIFICACIÓN DE CONDUCTA EN NIÑOS CON TDAH
PAUTAS PRÁCTICAS DE MODIFICACIÓN DE CONDUCTA EN NIÑOS CON TDAH 1. INTRODUCCIÓN. POR QUÉ HABLAR DE TÉC. MDC? 2. PRINCIPALES TRASTORNOS. 3. PROCESO EN MDC_ ORIENTACIONES 4. TÉCNICAS DE CONTROL DE CONDUCTAS
Más detallesMedición de pequeños volúmenes en laboratorios Errores frecuentes en el uso de recipientes volumétricos y micropipetas
Errores frecuentes en el uso de recipientes volumétricos y micropipetas Disertante: Tec. Mauricio J. Alberini Área Metrología Dimensional y Volumen 1.Errores típicos en el uso de instrumentos volumétricos.
Más detalles