Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso"

Transcripción

1 Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada 1

2 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 2

3 Redes Neuronales Artificiales Paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales Sistema de interconexión de neuronas en una red que colabora para producir una salida Modelos muy adecuados para aproximar funciones o para clasificar patrones Redes Neuronales Artificiales 3

4 Redes Neuronales Artificiales Consisten en un conjunto de unidades de entrada, conectadas con varias capas de neuronas y una capa de salida. La señal de entrada se propaga hacia delante. Redes Neuronales Artificiales 4

5 Redes Neuronales Artificiales Características del modelo: habilidad para aprender a partir de ejemplos auto-organización: crea su propia representación de la información tolerancia a fallos: almacenan la información de forma redundante y sigue respondiendo de manera aceptable aún si se daña algún nodo flexibilidad: pueden manejar cambios poco importantes en la información de entrada (ruido) estructura paralela Redes Neuronales Artificiales 5

6 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 6

7 El Perceptrón El perceptrón es un discriminador que traza su entrada a un único valor de salida: Desarrollado por Rosenblatt (1957) El Perceptrón 7

8 El Perceptrón Tiene un vector de pesos reales con el que se calcula una suma ponderada y usa un umbral para representar el grado de inhibición de la neurona El valor de salida se usa para clasificar el patrón (x) como un caso positivo o un caso negativo, en el caso de un problema de clasificación binario El Perceptrón 8

9 El Perceptrón El algoritmo de aprendizaje es de tipo supervisado: 1. Inicializar los pesos con valores aleatorios pequeños 2. Presentar un ejemplo (x) de entrada 3. Calcular la salida para dicho ejemplo: 4. Modificar los pesos para minimizar el error: El Perceptrón 9

10 El Perceptrón. Limitaciones Sólo puede discriminar patrones que pertenezcan a clases linealmente separables Una función no separable no se puede aproximar con un solo plano de separación: El Perceptrón 10

11 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 11

12 El Perceptrón Multicapa El perceptrón multicapa es una red neuronal artificial formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables La salida de una neurona está determinada por la suma ponderada con las salidas de las neuronas de la capa anterior y una función de activación. El Perceptrón Multicapa 12

13 Capacidad de Representación Clasificación: Entrada - Salida: clases linealmente separables 1 Capa Oculta: regiones convexas 2 Capas Ocultas: regiones de cualquier tipo [Lippmann 87] Aproximación: Una sola capa oculta es suficiente para llevar a cabo una aproximación universal [Cybenko 88,89]. El Perceptrón Multicapa 13

14 Entrenamiento de la red El proceso de aprendizaje tiene por objeto ajustar los pesos del MLP de forma que se minimice el error cometido ante un conjunto de patrones de entrada. El algoritmo más utilizado en el entrenamiento de estas redes es el de retropropagación: Evaluación de la red ε ( p) = 1 2 N m i ( d i ( p) y ( p)) i 2 Cálculo de los gradientes Actualización de los pesos El Perceptrón Multicapa δε δε ( p) δε ( p) δz = m = δw δw δz δw ( w m ij m ij ) = ( w ) ij k δε η( ) m δw m k m k m ij + β (( w ) 14 ( w t+1 m t t m t m t 1 ij ij ij ij ) )

15 Entrenamiento de la red Variantes del algoritmo de retropropagación: Regla Delta-Bar-Delta [Jacobs 88] RPROP [Riedmiller 93] Quick-Propagation [Fahlman 88] Silva - Almeida [Silva y Almeida 90] SuperSab [Tollenaere 90] El Perceptrón Multicapa 15

16 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 16

17 Ejemplos de implementación Podemos encontrar muchas implementaciones libres de redes neuronales Implementaciones del MLP en diversos lenguajes: MATLAB, C#, C++, C, Fortran, Perl, Java, PHP y VBA Veamos implementaciones en - C++ - Java - Matlab - Perl - Excel Ejemplos de implementación 17

18 Implementando en C/C++ C/dp/ Ejemplos de implementación 18

19 Implementando en Java Ejemplos de implementación 19

20 Implementando en Matlab Ejemplos de implementación 20

21 Implementando en Perl Simple/lib/AI/NeuralNet/Simple.pm Ejemplos de implementación 21

22 Implementando en Excel Ejemplos de implementación 22

23 Ejemplo en C++ Librería qpperceptron Ejemplos 23

24 Ejemplo en C++ Cómo programar con la librería qpperceptron: #include <qpperceptron.h> ifstream streamtrn(filetrn.c_str()); qpts<vector<double>, unsigned> trnset(streamtrn); qpperceptron<unsigned> net( NI, NH, NO, initweightrange ); net.inittrain(epocas, error, tolerancia, aprend, verbose); net.train(trnset); obtenido = net.apply( tstset.exampleat(i) ); Ejemplos de implementación 24

25 Ejemplo en C++ Compilar. Ejemplo XOR. Ejecutar programa: Ejemplos de implementación 25

26 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 26

27 Un problema de clasificación Helicasas del ADN Encimas usadas en el metabolismo del ADN. Las partículas se observan a través de un microscopio electrónico, y se clasifican para determinar su estructura circular con una mancha en el centro (vista superior) estructura rectangular (vista lateral) Cada imagen se preprocesa para obtener una de 10x10 pixels. Cada patrón tiene 25 entradas y la clase (superior/lateral) Clasificación de patrones 27

28 Un problema de clasificación Usaremos el ejemplo de programación en C++ para clasificar las Helicasas del ADN Clasificación de patrones 28

29 Evolving Objects Librería para desarrollar en C++ algoritmos evolutivos y MLPs (posibilidad de evolucionar las redes): EO 29

30 Otras aplicaciones Podemos entrenar una red para que ordene una acción en función de los valores recogidos con sensores: Clasificación de patrones 30

31 Índice Redes neuronales artificiales El perceptrón El perceptrón multicapa Ejemplos de implementación Aplicación a la clasificación de patrones Índice 31

32 Completar la información

33 muchas gracias! Pedro A. Castillo Valdivieso 33

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

Sistemas Conexionistas

Sistemas Conexionistas 1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes

Más detalles

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)

CAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN) CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

Inteligencia artificial: todo comienza con una neurona.

Inteligencia artificial: todo comienza con una neurona. MEMORIAS DEL SEGUNDO CONCURSO DE INVESTIGACIÓN, DESARROLLO E INNOVACIÓN TECNOLÓGICA IDIT 2013 Inteligencia artificial: todo comienza con una neurona. Sandra Belén Bejarano Jiménez, Sofía Monserrat Pérez

Más detalles

ADALINE Y PERCEPTRON

ADALINE Y PERCEPTRON Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.

Más detalles

Introducción a Las redes Neuronales (Neurales) CO-6612

Introducción a Las redes Neuronales (Neurales) CO-6612 Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:

Más detalles

Práctica 10. Redes Neuronales

Práctica 10. Redes Neuronales Práctica 10 Redes Neuronales En esta práctica trabajaremos con un sistema de aprendizaje basado en ejemplos que ya hemos visto con anterioridad (k-vecinos) y una implementación de las redes neuronales.

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

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

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid

REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS Miguel Ángel Sánchez Gómez Ingeniería de Telecomunicación Universidad Carlos III de Madrid 100035439@alumnos.uc3m.es ABSTRACT En el presente trabajo

Más detalles

GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES

GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr.

Más detalles

Deep Learning y Big Data

Deep Learning y Big Data y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco

Más detalles

5.4. Manual de usuario

5.4. Manual de usuario 5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin

Más detalles

Inteligencia Artificial

Inteligencia Artificial Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas

Más detalles

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA

en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información

Más detalles

LICENCIATURA EN INFORMÁTICA

LICENCIATURA EN INFORMÁTICA LICENCIATURA EN INFORMÁTICA Asignatura Taller de Investigación I Objetivo El estudiante desarrollará un protocolo de investigación, definiendo un tema específico, en el área de su formación profesional

Más detalles

Análisis de Electrocardiogramas Con Redes Neuronales Artificiales

Análisis de Electrocardiogramas Con Redes Neuronales Artificiales Análisis de Electrocardiogramas Con Redes Neuronales Artificiales José Dante Cortéz Guachalla Josecg7@gmail.com RESUMEN En este artículo se trata de una aplicación de la Inteligencia artificial utilizando

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

Capítulo 4. Pruebas y resultados.

Capítulo 4. Pruebas y resultados. Capítulo 4 Pruebas y resultados. Los análisis experimentales se llevaron a cabo para explorar el poder discriminativo de los diccionarios en la segmentación de humo de las secuencias de video al aire libre.

Más detalles

Introducción a las redes neuronales aplicadas

Introducción a las redes neuronales aplicadas Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos

Más detalles

Conceptos de redes. LAN (Local Area Network) WAN (Wide Area Network)

Conceptos de redes. LAN (Local Area Network) WAN (Wide Area Network) Conceptos de redes. Una red de ordenadores permite conectar a los mismos con la finalidad de compartir recursos e información. Hablando en términos de networking, lo importante es que todos los dispositivos

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

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

Una investigación australiana reveló que posiblemente la disminución

Una 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 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

BÁSICAS INGENIERÍA EN COMPUTACIÓN INTELIGENTE

BÁSICAS INGENIERÍA EN COMPUTACIÓN INTELIGENTE OBJETIVO: Formar profesionales en el área de las Ciencias de la Computación con un alto sentido de responsabilidad social y humanista; con conocimientos sólidos de los fundamentos matemáticos y teóricos

Más detalles

250224 - METNUMINF - Métodos Numéricos e Informática

250224 - METNUMINF - Métodos Numéricos e Informática Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 250 - ETSECCPB - Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos de Barcelona 727 - MA III - Departamento

Más detalles

Mapas Autoorganizativos y el Problema del Agente Viajero, Backpropagation y Reconocimiento de Digitos

Mapas Autoorganizativos y el Problema del Agente Viajero, Backpropagation y Reconocimiento de Digitos Mapas Autoorganizativos y el Problema del Agente Viajero, Backpropagation y Reconocimiento de Digitos Jorge Guevara-Díaz 1 1 Maestria en Ciencia de la Computación, Universidad Nacional de Trujillo jorge.jorjasso@gmail.com

Más detalles

I SEMANA ELECTRONICA REDES NEURONALES

I SEMANA ELECTRONICA REDES NEURONALES UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

CAPITULO IV. Modelo de Optimización de la Ruta de Entrega

CAPITULO IV. Modelo de Optimización de la Ruta de Entrega CAPITULO IV Modelo de Optimización de la Ruta de Entrega En este capítulo, se modela el problema del delivery en CESER. Debido a la complejidad de su problemática se ha decidido crear un modelo de programación

Más detalles

HERRAMIENTAS DE EXCEL PARA EL ANALISIS Y VALORACION DE PROYECTOS DE INVERSION (I)

HERRAMIENTAS DE EXCEL PARA EL ANALISIS Y VALORACION DE PROYECTOS DE INVERSION (I) Revista de Dirección y Administración de Empresas. Número 10, diciembre 2002 págs. 59-76 Enpresen Zuzendaritza eta Administraziorako Aldizkaria. 10. zenbakia, 2002 abendua 59-76 orr. HERRAMIENTAS DE EXCEL

Más detalles

Aplicación Java para distribución de código en R

Aplicación Java para distribución de código en R rolgalan@gmail.com Huesca - 24 de noviembre de 2009 Implementación Descripción problema Existen muchos problemas, cuya resolución informática requiere de un enorme tiempo de cómputo. En la actualidad,

Más detalles

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis 5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM

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

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

Inteligencia artificial.redes neuronales y aplicaciones.

Inteligencia artificial.redes neuronales y aplicaciones. Inteligencia artificial.redes neuronales y aplicaciones. Hugo Galán Asensio I.T.T Telemática Universidad Carlos III de Madrid Alexandra Martínez Bowen I.T.T Telemática Universidad Carlos III de Madrid

Más detalles

Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen

Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Arturo Gómez Cortés y Raúl Leal Ascencio ITESO, Guadalajara Resumen El presente trabajo describe una arquitectura

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

T E S I S SEP SNEST DGEST INSTITUTO TECNOLÓGICO DE TOLUCA SISTEMA PARA LA VERIFICACIÓN AUTOMÁTICA DE FIRMAS AUTÓGRAFAS

T E S I S SEP SNEST DGEST INSTITUTO TECNOLÓGICO DE TOLUCA SISTEMA PARA LA VERIFICACIÓN AUTOMÁTICA DE FIRMAS AUTÓGRAFAS SEP SNEST DGEST INSTITUTO TECNOLÓGICO DE TOLUCA SISTEMA PARA LA VERIFICACIÓN AUTOMÁTICA DE FIRMAS AUTÓGRAFAS T E S I S QUE PARA OBTENER EL GRADO DE MAESTRÍA EN: CIENCIAS, EN CIENCIAS DE LA COMPUTACIÓN

Más detalles

TRABAJO COOPERATIVO EN ROBOTS

TRABAJO COOPERATIVO EN ROBOTS SEMINARIO Diseño y construcción de microrrobots TRABAJO COOPERATIVO EN ROBOTS Autor: Luis De Santiago Rodrigo 3º Ingeniería de Telecomunicación 1.-ÍNDICE E INTRODUCCIÓN Éste trabajo pretende ser una pequeña

Más detalles

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION

UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO

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

Guía Docente Curso 2008-2009

Guía Docente Curso 2008-2009 Nombre: Sistemas de percepción robótica Denominación en inglés 1 : Robotic perception ESCUELA POLITECNICA SUPERIOR Guía Docente Curso 2008-2009 Titulación Ingeniería Industrial DATOS DE LA ASIGNATURA Código:

Más detalles

A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de

A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de Conclusiones A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de rostros y en los diversos experimentos realizados, se concluye: Debido a la amplia posibilidad de

Más detalles

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES

AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES Mª Concepción Marcos Provecho Escuela de Ingenierías Industrial e Informática.

Más detalles

REQUERIMIENTOS NO FUNCIONALES

REQUERIMIENTOS NO FUNCIONALES REQUERIMIENTOS NO FUNCIONALES REQUERIMIENTOS NO FUNCIONALES A continuación se describen las principales características no funcionales que debe contener el sistema de información. Interfaces de usuario.

Más detalles

Oferta tecnológica: Know-how en computación de altas prestaciones y paralelismo

Oferta tecnológica: Know-how en computación de altas prestaciones y paralelismo Oferta tecnológica: Know-how en computación de altas prestaciones y paralelismo Oferta tecnológica: Know-how en computación de altas prestaciones y paralelismo RESUMEN El grupo Computación de Altas Prestaciones

Más detalles

Computación Biológica. Pablo Baños López

Computación Biológica. Pablo Baños López Computación Biológica Pablo Baños López Definición Biological computing is the use of living organisms or their component parts to perform computing operations or operations associated with computing Algunos

Más detalles

Especialidad: Computación

Especialidad: Computación Especialidad: Computación Grado en Ingeniería Informática Coordinador Borja Calvo 1 Estructura de la especialidad de Computación Tres submódulos Minería de Datos Diseño de Algoritmos Ocho asignaturas Modelos

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

CLUSTER FING: PARALELISMO de MEMORIA DISTRIBUIDA

CLUSTER FING: PARALELISMO de MEMORIA DISTRIBUIDA CLUSTER FING: PARALELISMO de MEMORIA DISTRIBUIDA SERGIO NESMACHNOW Centro de Cálculo, Instituto de Computación FACULTAD DE INGENIERÍA, UNIVERSIDAD DE LA REPÚBLICA, URUGUAY CONTENIDO Introducción: arquitecturas

Más detalles

Componentes de los SBC

Componentes de los SBC Componentes de los SBC Componentes de los SBC Queremos construir sistemas con ciertas características: Resolución de problemas a partir de información simbólica Resolución mediante razonamiento y métodos

Más detalles

CARRERAS PROFESIONALES TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIONES - TICS

CARRERAS PROFESIONALES TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIONES - TICS CARRERAS PROFESIONALES SECTOR ECONÓMICO : FAMILIA PRODUCTIVA: ACTIVIDAD ECONÓMICA: INFORMACIÓN Y COMUNICACIONES TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIONES - TICS ACTIVIDADES DE SERVICIOS DE INFORMACIÓN

Más detalles

Mineria de Grafos en Redes Sociales usando MapReduce

Mineria de Grafos en Redes Sociales usando MapReduce Mineria de Grafos en Redes Sociales usando MapReduce Jose Gamez 1 and Jorge Pilozo 1 Carrera de Ingeniería en Sistemas Computacionales Universidad de Guayaquil 1. Introduccion a la Problematica Recordemos

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles

Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales

Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar

Más detalles

INFORMACIÓN ACADÉMICA

INFORMACIÓN ACADÉMICA COLEGIO NTRA. SRA. DE MONTE-SIÓN RR. TERCIARIOS CAPUCHINOS Centro Concertado Plurilingüe --- SECUNDARIA Y BACHILLERATO Avd. P. Prudencio de Palmera, 10 Apartado de Correos 92 46900 TORRENT Tfno: 96 155

Más detalles

MÓDULO 2: TRATAMIENTO DE DATOS CON HOJA DE CÁLCULO. Tema 4: Herramientas de análisis: buscar objetivo, escenarios, Solver

MÓDULO 2: TRATAMIENTO DE DATOS CON HOJA DE CÁLCULO. Tema 4: Herramientas de análisis: buscar objetivo, escenarios, Solver MÓDULO 2: TRATAMIENTO DE DATOS CON HOJA DE CÁLCULO Tema 4: Herramientas de análisis: buscar objetivo, escenarios, Solver Leire Aldaz, Begoña Eguía y Leire Urcola Índice del tema Introducción Buscar Objetivo

Más detalles

Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial

Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial José F. Quesada 1 Introducción La idea de detección o filtrado de correo

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 12-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 21

Más detalles

Sistemas de Operación II

Sistemas de Operación II Sistemas de Operación II Procesos en Sistemas Distribuidos Prof. Carlos Figueira Basado en material de Yudith Cardinale, Mariela Curiel (USB) Andrew Tanembaum y Marteen van Steen Contenido Clientes Servidores

Más detalles

Capítulo 4. Prueba de Adaptabilidad

Capítulo 4. Prueba de Adaptabilidad Capítulo 4 Prueba de Adaptabilidad Capítulo 4. Prueba de Adaptabilidad Como se mencionó en el capítulo 2 actualmente no es válido que el software únicamente funcione bien y resuelva el problema que le

Más detalles

Informática I para Bachillerato

Informática I para Bachillerato CIMAT Introducción a la programación en C/C++ CIMAT Sesión 1 Temario Evaluación Noticias y Material del Curso Sobre la clase: Tareas Objetivo del Curso Inicio de curso Temario: 1 Introducción a la Programación

Más detalles

Perceptrón Multicapa. Aplicaciones

Perceptrón Multicapa. Aplicaciones Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales

Más detalles

CLASIFICACIÓN TEXTUAL BASADA EN TÉRMINOS JERÁRQUICOS

CLASIFICACIÓN TEXTUAL BASADA EN TÉRMINOS JERÁRQUICOS XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 CLASIFICACIÓN TEXTUAL BASADA EN TÉRMINOS JERÁRQUICOS Francisco Javier Panizo, José R. Villar, Ángel Alonso Área de Ingeniería de

Más detalles

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer

Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)

Más detalles

Aplicación de las redes neuronales a la previsión del stock en empresas Pool

Aplicación de las redes neuronales a la previsión del stock en empresas Pool Aplicación de las redes neuronales a la previsión del stock en empresas Pool Oscar Sapena, Vicente Botti, Estefanía Argente Departamento Sistemas Informáticos y Computación Universidad Politécnica Valencia,

Más detalles

BSC IN INGENIERÍA EN SISTEMAS Y TECNOLOGÍA DE INFORMACIÓN

BSC IN INGENIERÍA EN SISTEMAS Y TECNOLOGÍA DE INFORMACIÓN MAT1024 Matemáticas iniciales Nivel : Anáhuac Este curso cubre el estudio fundamental de conceptos algebraicos y trigonométricos para resolver problemas teóricos, y la importancia de las matemáticas en

Más detalles

1 La Resolución de Problemas utilizando la Computadora

1 La Resolución de Problemas utilizando la Computadora La Resolución de Problemas utilizando la Computadora Lissette Alvarez Abril-Julio, 2004 El Computador es una máquina que no puede trabajar por si sola, únicamente realiza aquellas órdenes que el hombre

Más detalles

Las funciones ejecutivas y su relación con el aprendizaje.

Las funciones ejecutivas y su relación con el aprendizaje. Monografía Curso de Capacitación Docente en Neurociencias Alumna: Candelaria Lestelle www.asociacioneducar.com Mail: informacion@asociacioneducar.com MSN: asociacioneducar@hotmail.com Las funciones ejecutivas

Más detalles

SISTEMA DE MANEJO DE MATERIALES

SISTEMA DE MANEJO DE MATERIALES SISTEMA DE MANEJO DE MATERIALES El manejo de materiales en una organización de manufactura representa el sistema nervioso del mismo. Si no está adecuadamente diseñado habrán acciones de descoordinación

Más detalles

El Detector de Caras del Portero Automático

El Detector de Caras del Portero Automático El Detector de Caras del Portero Automático Mauricio Villegas Santamaría Instituto Tecnológico de Informática Universidad Politécnica de Valencia mvillegas@iti.upv.es Febrero 8 de 2006 Contenido Introducción

Más detalles

Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos

Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos Plan de estudios Maestría en Sistemas de Información y Tecnologías de Gestión de Datos Antecedentes y Fundamentación Un Sistema de Información es un conjunto de componentes que interactúan entre sí, orientado

Más detalles

REDES NEURONALES ADAPTABLES

REDES NEURONALES ADAPTABLES REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables

Más detalles

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Learning Vector Quantization.

Más detalles

ROBÓTICA PERCEPTUAL Y AUTÓNOMA

ROBÓTICA PERCEPTUAL Y AUTÓNOMA 1.PRESENTACIÓN ASIGNATURA DE MÁSTER: ROBÓTICA PERCEPTUAL Y AUTÓNOMA Curso 2009/2010 (Código:10124-) La robótica perceptual y autónoma es una materia en constante evolución. No está consolidada como pueda

Más detalles

TEST 002 APTITUDES DE LIDERAZGO SITUACIONAL. Profesor: Sergio Rojas Rachel MBA

TEST 002 APTITUDES DE LIDERAZGO SITUACIONAL. Profesor: Sergio Rojas Rachel MBA TEST 002 APTITUDES DE LIDERAZGO SITUACIONAL Profesor: Sergio Rojas Rachel MBA 2007 A continuación tiene usted doce situaciones con cuatro posibilidades de resolución para cada una de ellas, lo que debe

Más detalles

GUÍA DE EVIDENCIA DE LA UNIDAD DE COMPETENCIA

GUÍA DE EVIDENCIA DE LA UNIDAD DE COMPETENCIA MINISTERIO DE EDUCACIÓN, CULTURA Y DEPORTE SECRETARÍA DE ESTADO DE EDUCACIÓN, FORMACIÓN PROFESIONAL Y UNIVERSIDADES DIRECCIÓN GENERAL DE FORMACIÓN PROFESIONAL INSTITUTO NACIONAL DE LAS CUALIFICACIONES

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 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 detalles

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA Óscar Alberto García Pérez Universidad Carlos III de Madrid 100039016@alumnos.uc3m.es Ignacio Martínez Fernández Universidad Carlos III de Madrid 100039048@alumnos.uc3m.es

Más detalles

Líneas de espera. Introducción.

Líneas de espera. Introducción. Líneas de espera. Introducción. En este capítulo se aplica la teoría de colas. Una Cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que describen sistemas de líneas

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

Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional

Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional Titulación: Ingeniero Técnico Industrial Intensificación: Electrónica industrial

Más detalles

Tema 24. Apartados 1 al 2.2 inclusive INFORMÁTICA

Tema 24. Apartados 1 al 2.2 inclusive INFORMÁTICA Tema 24 Apartados 1 al 2.2 inclusive INFORMÁTICA 1 TEMA 1 Introducción a la informática El término informática proviene de la unión de dos palabras: Información y automática. Término acuñado por el francés

Más detalles

Recomendaciones para la preparación de las P.A.U. en la materia MATEMÁTICAS para Mayores de 25 años.

Recomendaciones para la preparación de las P.A.U. en la materia MATEMÁTICAS para Mayores de 25 años. MATEMÁTICAS para Mayores de 25 años Recomendaciones para la preparación de las P.A.U. en la materia MATEMÁTICAS para Mayores de 25 años. Curso 2014-2015 Conviene recordar que los contenidos y criterios

Más detalles

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES El objetivo de esta tesina es la introducción de mejoras en la previsión meteorológica a corto plazo. El punto

Más detalles

Getting Started. 1. Introducción. 2. Requerimientos de software

Getting Started. 1. Introducción. 2. Requerimientos de software Getting Started 1. Introducción Este documento presenta la información relevante y los procedimientos requeridos para comenzar a utilizar el software del campeonato, con el fin de implementar la estrategia

Más detalles

Ambas componentes del sistema tienen costos asociados que deben de considerarse.

Ambas componentes del sistema tienen costos asociados que deben de considerarse. 1. Introducción. En este trabajo se aplica la teoría de colas. Una Cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que describen sistemas de líneas de espera particulares

Más detalles

Arquitecturas de Sistemas de Información

Arquitecturas de Sistemas de Información Arquitecturas de Sistemas de Información Agenda Objetivos. Desarrollo de aplicaciones informáticas. Arquitectura de Sistemas de Información. Componentes de la infraestructura. Componentes de la aplicación.

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

Más detalles

Aprendizaje automático

Aprendizaje automático Aprendizaje automático Machine Learning 1 Aprendizaje automático Definición de aprendizaje Primer problema: desconocemos los mecanismos que rigen el aprendizaje humano Por esto las definiciones hacen hincapié

Más detalles

Introducción a Computación

Introducción a Computación Curso: Modelización y simulación matemática de sistemas Metodología para su implementación computacional Introducción a Computación Esteban E. Mocskos (emocskos@dc.uba.ar) Facultades de Ciencias Exactas

Más detalles

MATEMÁTICAS 6º DE PRIMARIA BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS.

MATEMÁTICAS 6º DE PRIMARIA BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS. MATEMÁTICAS 6º DE PRIMARIA BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS. Utilizar procesos de razonamiento y estrategias de resolución de problemas, realizando los cálculos necesarios y comprobando

Más detalles

Educación física. índice

Educación física. índice Educación física La Educación física como materia común está orientada fundamentalmente a profundizar en el conocimiento del propio cuerpo y de sus posibilidades motrices como medio para la mejora de la

Más detalles

TEMA 3. PROCESO Y TÉCNICAS DE ASESORAMIENTO Y CONSULTA 1. EL PROCESO DE ASESORAMIENTO

TEMA 3. PROCESO Y TÉCNICAS DE ASESORAMIENTO Y CONSULTA 1. EL PROCESO DE ASESORAMIENTO 1 TEMA 3. PROCESO Y TÉCNICAS DE ASESORAMIENTO Y CONSULTA 1. EL PROCESO DE ASESORAMIENTO Origen del proceso Se inicia cuando un consultante se dirige a un consultor en busca de ayuda (asesoramiento) respecto

Más detalles

Optimización para ingenieros. Introducción

Optimización para ingenieros. Introducción Optimización para ingenieros Introducción 1er semestre de 2013 Optimización para ingenieros Objetivos del curso 2/22 Presentar la estructura para la formulación de problemas de optimización Discutir una

Más detalles

Diseño de Matrices de Riesgo de LA/FT. Pablo Chena. Unidad de Información Financiera de Argentina

Diseño de Matrices de Riesgo de LA/FT. Pablo Chena. Unidad de Información Financiera de Argentina Diseño de Matrices de Riesgo de LA/FT Pablo Chena Unidad de Información Financiera de Argentina Índice Definición de Riesgo Los riesgos en las operaciones sospechosas de LA/FT Gestión Integral del Riesgo

Más detalles