Construcción de una neurona binaria
|
|
- Esperanza Peña Figueroa
- hace 8 años
- Vistas:
Transcripción
1 El Perceptrón simple: neuronas binarias PRÁCTICA 1 Construcción de una neurona binaria Se va a construir una red neuronal con una única neurona que tiene una función paso (escalón), como función de transferencia, y dos sensores de entrada. Sus entradas van a ser números reales del intervalo [5,5]: net=newp([-5 5;-5 5],1, hardlim ) % ([Matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función de transferencia) Su matriz de pesos sinápticos va ser W=[ -1] y el umbral b=1.5: net.iw{1,1}=[ -1]; =1.5; Valores de salida de la neurona lineal para cada una de las entradas del conjunto 1 1 C, 4 : P=[1 - -1; -4 -]; S=sim(net,P); 1 si x1 x 1.5 Función que define la neurona binaria: y 0 si x1 x 1.5 Salidas de la red para cada uno de las entradas del conjunto C: 1 1 1; 0; 1 1 4
2 PRÁCTICA Construcción de una neurona bipolar Se va a construir una red neuronal con una única neurona que tiene la función signo, como función de transferencia, y dos sensores de entrada. Sus entradas van a ser números reales del intervalo [5,5]: net=newp([-5 5;-5 5],1, hardlims ) % ([Matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función de transferencia) Su matriz de pesos sinápticos va ser W=[ -1] y el umbral b=1.5: net.iw{1,1}=[ -1]; =1.5; Valores de salida de la neurona lineal para cada una de las entradas del conjunto 1 1 C, 4 : P=[1 - -1; -4 -]; S=sim(net,P) 1 si x1 x 1.5 Función que define la neurona bipolar: y 1 si x1 x 1.5 Salidas de la red para cada uno de las entradas del conjunto C: 1 1 1; 1; 1 1 4
3 PRÁCTICA Aprendizaje con el Perceptrón: Implementación de la Función lógica OR Se va diseña un perceptrón simple que implemente la función lógica OR con dos entradas y una única neurona de salida. El conjunto de los 4 patrones de entrada (bidimensionales) viene dado la matriz P y sus correspondientes salidas deseadas vienen dadas por el vector T Construcción de la red inicial como un objeto estructurado: net = newp([0,1;0 1], 1, hardlim, learnp ); % No es necesario especificar %'hardlim','learnp', las toma por defecto % newp([matriz de valores mínimos y máximos de las entradas], Número de neuronas, Función %de Transferencia, Regla de Aprendizaje) Valores iniciales aleatorios de los pesos y del umbral de la red net.iw{1,1}=[rands(1) rands(1)]; =rands(1); % También puede ser net=init(net); Entrenamiento de la red: net.trainparam.epochs = 0; net.trainparam.goal = 0; % Número máximo de épocas % Error admisible [net, tr, Y, E]= train(net, P, T) Salidas Y de la red para las entradas P y el error E cometido : S= sim(net, P) Presentación de los parámetros de la red mae(s-t) % se presentan los pesos sinápticos de la red % se presenta el sesgo de la red % se presenta el error absoluto medio. mse nos da el error cuadrático medio 1 si 1.5x1 0.81x 0.5 y 0 si 1.5x1 0.81x 0.5 x 1 x y Figura 8. Patrones y recta de separación Figura 9. Función implementada (OR)
4 PRÁCTICA 4 Aprendizaje con el Perceptrón: Clasificación con datos de huracanes Se dispone de un conjunto de datos correspondientes a la longitud y latitud de 7 puntos geográficos, junto con el tipo de huracán que han padecido (baroclínico o tropical del Atlántico Norte). Se va a diseñar un perceptrón con dos entradas y una neurona de salida para predecir el tipo de huracán según la longitud y latitud de un punto geográfico. Conjunto de patrones de entrenamiento load huracanes Creación del Perceptrón de dos sensores de entrada y una neurona de salida. net = newp(minmax(p),1,'hardlim','learnp'); %minmax(p) nos da el valor mínimo y el valor máximo de cada fila de P net = init(net); % Valores aleatorios iniciales de los parámetros Entrenamiento de la red net.trainparam.epochs = 0; net.trainparam.show = 5; net.trainparam.goal = 0.1; net.trainfcn='trainc'; % Número máximo de épocas de entrenamiento % Se muestra resultado cada 5 épocas % Error admisible % Entrenamiento on line. También puede ser en lotes: 'trainb' net = train(net,p,t); Salidas de la red cuando las entradas corresponde al conjunto de entrenamiento S= sim(net,p) Valores después del entrenamiento de los pesos sinápticos, del umbral y del error absoluto medio por neurona mae(s-t) % se presentan los pesos sinápticos de la red % se presenta el sesgo de la red % se presenta el error absoluto medio. mse nos da el error cuadrático medio 1 si 6x1 x 1 y 0 si 6x1 x 1 Fig. 10 Evolución del error (mse) Fig. 11. Recta de separación x 1 x y Figura 1. Clasificador neuronal Error absoluto medio = (inaceptable). Los datos no son linealmente separables.
5 PRÁCTICA 5 Aprendizaje con el Perceptrón: Predicción de la diabetes (datos Pima) Se trata de decidir si una persona tiene diabetes a partir de 7 datos personales. Para ello se dispone de las siguientes características de 00 mujeres indias mayores de 1 años que vivían cerca de Phoenix (Arizona) con el fin de estudiar la diabetes de acuerdo a los criterios de la Organización Mundial de la Salud: Nº de embarazos, concentración de glucosa en plasma, presión sanguínea diastólica, insulina, índice de masa corporal, función de antecedentes familiares diabéticos, edad y tipo (diabética o no). Se va a diseñar un Perceptrón simple con el fin de diagnosticar, según estas características, si una mujer es, o no, diabética. Cargas los datos load pima Creación del perceptrón con siete sensores de entrada y una salida: net = newp([minmax(p)], 1,'hardlim','learnp') Inicializar la red: net=init(net); Especificación de parámetros de entrenamiento: net.trainfcn='trainc'; % Entrenamiento en línea. También puede poner % por lotes: 'trainb net.trainparam.epochs=50; % Número total de épocas de entrenamiento net.trainparam.goal=0.10; % Error máximo que se pretende alcanzar net.trainparam.show=10; % Frecuencia de presentación de los gráficos Entrenamiento de la red: [net, tr,y,e]= train(net, P, T); Salidas Y de la red para las entradas P y error E cometido: Y= sim(net, P); train_error=mae(y-t); El mejor tiempo para parar de entrenar: [mim_perf,min_epoch]=min(tr.perf) Presentación de los parámetros de la red mae(y-t) 1 si 84x1 78x 467x 44x4 01.4x5 187x6 11x7 18 y 0 si 84x178x 467x 44x4 01.4x5 187x6 11x7 18 Clasificador Neuronal Fig. 1. Evolución del error (eam) Fig. 14. Datos Proyectados Error absoluto medio = 0.0 (inaceptable). Lo datos no son separables linealmente.
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 detallesFigura 1. a) Matriz de pesos sinápticos. b) Imagen de la matriz.
Redes Recurrentes y Autónomas 9-03-07 PRÁCTICA 1 Analiza la evolución de la red recurrente binaria cuya matriz de pesos sinápticos viene dada en la figura 1(a) y sus valores umbrales son todos iguales
Más detallesCAPÍTULO 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 detallesRedes 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 detallesANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB
333 ANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB 1. Red tipo Perceptrón: Las siguientes son las herramientas de redes neuronales del Matlab 5.3: utilizadas en el entrenamiento de las redes
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detalles5.4. 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 detallesCapítulo 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 detallesPráctica 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 detallesCAPITULO 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 detallesMonitoreo de condiciones meteorológicas en Baja California Sur. Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S.
1 Monitoreo de condiciones meteorológicas en Baja California Sur Luis M. Farfán (farfan@cicese.mx) CICESE, Unidad La Paz, B.C.S. Las condiciones meteorológicas del tiempo representan el estado de la atmósfera
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 detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesAprendizaje 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 detallesFISICA I Escuela Politécnica de Ingeniería de Minas y Energía AJUSTE POR MÍNIMOS CUADRADOS
AJUSTE POR MÍNIMOS CUADRADOS Existen numerosas leyes físicas en las que se sabe de antemano que dos magnitudes x e y se relacionan a través de una ecuación lineal y = ax + b donde las constantes b (ordenada
Más detallesADALINE 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 detallesCAPITULO 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 detallesClasificación 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 detallesCon 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 detallesUN 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 detallesDIAGRAMA PERT - EJEMPLO
http://www.iusc.es/recursos/gesproy/textos/03.03.02.04.htm 1 de 1 24/11/2005 06:39 Construcción El primer paso en la creación de un diagrama PERT es dibujar el nodo que representa el inicio del proyecto,
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesPráctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas
Práctica de introducción a las redes neuronales. Perceptrón multicapa. Estimación de precios de casas Vamos a preparar una red para estimar el precio de casas en una zona a partir de los siguientes datos:
Más detallesBALANZA BARTOLO PAREDES ROBERTO
BALANZA Es un instrumento que mide la masa de una sustancia o cuerpo, utilizando como medio de comparación la fuerza de la gravedad que actúa sobre dicha masa. Se debe tener en cuenta que el peso es la
Más detallesEl alumno debe responder a una de las dos opciones propuestas, A o B. En cada pregunta se señala la puntuación máxima. OPCIÓN A. 2 1 1 y C 4 2 2 1 0 0
Prueba de Acceso a la Universidad. JUNIO 0. El alumno debe responder a una de las dos opciones propuestas, A o B. En cada pregunta se señala la puntuación máima. OPCIÓN A. Considerar las matrices 0 A 0,
Más detallesPrimer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso
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 http://atc.ugr.es/pedro/gaicm1
Más detallesTutorial - Parte 2: Scoring
Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.
Más detalles8.1. 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 detallesÁrea 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 detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesApuntes de Inteligencia Artificial
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA Apuntes de Inteligencia Artificial Laboratorio: Perceptrón Simple JORGE AGUILAR JARAMILLO LABORATORIO : NEURONA Y PERCEPTRON SIMPPLE Objetivos.
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesCONTROL INTELIGENTE NRC: 2033
CARRERA DE INGENIERÍA EN ELECTRÓNICA EN AUTOMATIZACIÓN Y CONTROL CONTROL INTELIGENTE NRC: 2033 DISEÑO DE CONTROLADOR NEURONAL PARA LA UNIDAD AIR FLOW TEMPERATURE CONTROL SYSTEM Profesor: Ing. Víctor Proaño
Más detalles1. Representa gráficamente las funciones f (x) =3x + 2 y g(x) = -3x + 2. De qué depende que una función lineal sea creciente o decreciente?
UD 4 Funciones. Características globales 4º ESO (opción A) 1. Representa gráficamente las funciones f (x) =3x + 2 y g(x) = -3x + 2. De qué depende que una función lineal sea creciente o decreciente? 2.
Más detallesLa Unidad Procesadora.
La Unidad Procesadora. En un sistema digital complejo, la capa de hardware de la máquina es el nivel más bajo del modelo de capas de un sistema microcomputarizado. La unidad procesadora es una parte del
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesSistemas 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 detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detalles4. Se considera la función f(x) =. Se pide:
Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesSeries de Tiempo. Series de Tiempo
Series de Tiempo 1. Requisitos de Estadística Descriptiva: a. Media, Mediana b. Desviación estándar c. Regresión lineal 2. Qué es una serie de tiempo a. Componentes de la Serie de Tiempo (tipos de variación):
Más detallesSupport Vector Machines
Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w
Más detallesAplicación 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 detallesPLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES
PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES CONTROL DE CALIDAD CONTROL ESTADÍSTICO DE PROCESO Avanzar hacia la excelencia operacional es clave para la mejora de la competitividad de
Más detallesUNIVERSIDAD 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 detallesEnfoque 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 detallesInteligencia 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 detallesDiabetes. http://www.ciedd.oaxaca.gob.mx
Diabetes La diabetes es una enfermedad crónica en la que los niveles de glucosa o azúcar en la sangre se encuentran muy altos. En este trastorno endocrino-metabólico, la glucosa, proveniente de los alimentos
Más detallesSelectividad Septiembre 2013 OPCIÓN B
Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR
Más detallesCODIFICADORES CON PRIORIDAD. Grupo 2
CODIFICADORES CON PRIORIDAD Grupo 2 Descripción Los codificadores son circuitos combinacionales generalmente de 2 N entradas y N salidas, donde las salidas son el código binario correspondiente al valor
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesEL MODELO DE DATOS RASTER
EL MODELO DE DATOS RASTER El modelo de datos raster, como señala Bosque (1992), es el modelo de datos complementario al modelo vectorial presentado anteriormente. Tiene como principal característica el
Más detallesÁlgebra 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 detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
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 detalles5.1. 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 detallesGRÁFICAS PARA LA PRESENTACIÓN DE LA INFORMACIÓN.
GRÁFICAS PARA LA PRESENTACIÓN DE LA INFORMACIÓN. Una vez que se han recolectado los datos de la muestra y se han construido las tablas de distribución de frecuencia, es necesario realizar una representación
Más detallesSIMULACION. Formulación de modelos: solución obtenida de manera analítica
SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar
Más detallesAbrir un negocio es la realización de un sueño para muchos empresarios pero
1. INTRODUCCIÓN 1.1 PLANTEAMIENTO Abrir un negocio es la realización de un sueño para muchos empresarios pero también implica riesgos. Su éxito es el fruto de una administración razonable que el empresario
Más detallesI 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 detallesFundación Uno. ) 2n, el resultado es: D) b a E)1. entonces el valor de "y" es: II) x y = 3 A)16 B)9 C)4 D)1 E)2. Desarrollo
ENCUENTRO # 27 TEMA: Inecuaciones. CONTENIDOS: 1. Desigualdades.Propiedades. 2. Inecuación lineal o de primer grado. 3. Inecuación cuadrática o de segundo grado. Ejercicio Reto 1. Al simplificar ( a 2
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesHEMOGLOBINA GLICOSILADA QUE DEBE SABER EL PACIENTE?
LA HEMOGLOBINA GLICOSILADA QUE DEBE SABER EL PACIENTE? 1 QUE ES LA HEMOGLOBINA GLICOSILADA? a hemoglobina es una proteína que se encuentra L en los glóbulos rojos de nuestra sangre y es la encargada de
Más detallesDepartamento de Evaluación de Aprendizajes, División de Investigación, Evaluación y Estadística ANEP CODICEN
Departamento de Evaluación de Aprendizajes, División de Investigación, Evaluación y Estadística ANEP CODICEN PLATAFORMA DOCENTE (http://docentes.sea.edu.uy) 1. MATRIZ GENERAL DE UN GRUPO Actividades Alumnos
Más detalles2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES
2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1 Se ha medido el volumen, X, y la presión, Y, de una masa gaseosa y se ha obtenido: X (litros) 1 65 1 03 0 74 0 61 0 53 0 45 Y (Kg/cm 2 ) 0 5 1 0 1 5 2 0 2 5 3
Más detallesVECTORES EN EL ESPACIO. 1. Determina el valor de t para que los vectores de coordenadas sean linealmente dependientes.
VECTORES EN EL ESPACIO. Determina el valor de t para que los vectores de coordenadas (,, t), 0, t, t) y(, 2, t) sean linealmente dependientes. Si son linealmente dependientes, uno de ellos, se podrá expresar
Más detallesCRM UNA ESTRATEGIA CENTRADA EN LAS PERSONAS. Glòria Tort Secretaria General de AeMR
CRM UNA ESTRATEGIA CENTRADA EN LAS PERSONAS Glòria Tort Secretaria General de AeMR INDICE : Cambio de estrategia. Del producto rey al cliente rey. CRM: la evolución de un concepto antiguo Pero qué es CRM?
Más detallesMÁQUINA 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 detallesLa 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 detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesEvaluación 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 detallesCAPITULO I. Introducción. En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y
CAPITULO I Introducción 1.1 Introducción En la actualidad, las empresas están tomando un papel activo en cuanto al uso de sistemas y redes computacionales. La tecnología ha ido evolucionando constantemente
Más detalleswww.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.
DIAGRAMA CAUSA EFECTO 1.- INTRODUCCIÓN Este documento describe el proceso de construcción de una de las herramientas más útiles para la ordenación de ideas, mediante el criterio de sus relaciones de causalidad,
Más detalles17.- PARABRISAS RESOLUCIÓN
17.- PARABRISAS La sección de control de calidad de una fábrica de parabrisas elige, aleatoriamente, una muestra de 100 parabrisas producidos por una determinada máquina y registra la longitud de los parabrisas
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesPROGRAMACIÓN LINEAL. Solución: Sea: x = cantidad invertida en acciones A y = cantidad invertida en acciones B. La función objetivo es: x y + 100 100
PROGRAMACIÓN LINEAL 1. A una persona le tocan 10 millones de pesos en una lotería y le aconsejan que las invierta en dos tipos de acciones, A y B. Las de tipo A tienen más riesgo pero producen un beneficio
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesCONCENTRACIÓN DE UN FÁRMACO
CONCENTRACIÓN DE UN FÁRMACO A una mujer ingresada en un hospital le ponen una inyección de penicilina. Su cuerpo va descomponiendo gradualmente la penicilina de modo que, una hora después de la inyección,
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detalles-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente.
INTRODUCCIÓN En este trabajo estudiamos el gasto en ocio de la población, escogiendo una muestra al azar. Realizando encuestas hemos recogido información de 125 personas, las variables que hemos visto
Más detallesColegio Portocarrero. Curso 2014-2015. Departamento de matemáticas. Repaso de todo. Con solución
Repaso de todo Con solución Gauss, matrices, programación lineal, límites, continuidad, asíntotas, cálculo de derivadas. Problema 1: En una confiteria se dispone de 24 kg de polvorones y 15 kg de mantecados,
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Lic. Elda Monterroso UNLu Características de calidad Variables Características que se pueden medir (peso, longitud, temperatura, etc.) Pueden ser números enteros o fracciones
Más detallesTema 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 detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesSistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales
Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales César E. Martínez Reinoso, Mario Alvarez Sifontes, Francisco J. Arteaga Bravo Unidad de Investigación
Más detallesTEMA:TRASTORNOS DEPRESIVOS ALUMNA :ROJAS QUISPE SAYDA
TEMA:TRASTORNOS DEPRESIVOS ALUMNA :ROJAS QUISPE SAYDA LA DEPRESION La depresión es el diagnóstico psiquiátrico que describe un trastorno del estado de ánimo, transitorio o permanente, caracterizado por
Más detallesInvestigación y planeación de medios. Selección de medios en relación con la inversión
Investigación y planeación de medios Selección de medios en relación con la inversión Selección de medios en relación con la inversión Los medios publicitarios son las fuentes que se utilizarán para transmitir
Más detallesH A B L E M O S A C E R C A D E T R A S P L A N T E S
H A B L E M O S A C E R C A D E T R A S P L A N T E S U N I T E D N E T W O R K F O R O R G A N S H A R I N G United Network for Organ Sharing - UNOS (Red Unida para Compartir Órganos) es una organización
Más detallesPreguntas de autoevaluación de Análisis de Decisiones/Máster de Dirección de RRHH O. G. León. Psicología. UAM
Preguntas de autoevaluación de Análisis de Decisiones/Máster de Dirección de RRHH O. G. León. Psicología. UAM 1-El análisis de decisiones se propone, entre otras metas: a) Poner por en práctica las características
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesRESUMEN CUADRO DE MANDO
1. Objetivo Los objetivos que pueden alcanzarse, son: RESUMEN CUADRO DE MANDO Disponer eficientemente de la información indispensable y significativa, de modo sintético, conectada con los objetivos. Facilitar
Más detallesPARA QUÉ NÚMEROS REALES... 2 SUCESIONES... 3 NÚMEROS COMPLEJOS... 5 CÓNICAS... 6 FUNCIÓN INVERSA... 7 FUNCIONES CUADRÁTICAS... 8
PARA QUÉ SIRVE? Índice NÚMEROS REALES.... 2 SUCESIONES.... 3 SUCESIONES ARITMÉTICAS Y GEOMÉTRICAS.... 4 NÚMEROS COMPLEJOS.... 5 CÓNICAS.... 6 FUNCIÓN INVERSA.... 7 FUNCIONES CUADRÁTICAS.... 8 TEOREMA DE
Más detallesPRUEBA POR EQUIPOS DE PRIMARIA - XVI OLIMPIADA THALES
Nombre del equipo: Centro: Localidad: Juan, Antonio y María viven en el mismo bloque de pisos. Son buenos compañeros de clase, y comparten el coche de sus padres para ir al colegio todos los días Sus padres
Más detallesSistema Inteligente de Exploración
Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración
Más detallesIDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN
IDENTIFICACIÓN DE SISTEMAS ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 CONSIDERACIONES PRÁCTICAS
Más detallesCARTAS DE CONTROL. FeGoSa
Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro
Más detallesEJERCICIOS DE PROGRAMACIÓN RELACIÓN VII (EJERCICIOS DE REPASO)
EJERCICIOS DE PROGRAMACIÓN RELACIÓN VII (EJERCICIOS DE REPASO) Luis José Sánchez 1. Realiza un programa que sume los 100 números siguientes a un número entero y positivo introducido por teclado. Se debe
Más detallesEstudio de casos y controles sobre factores de riesgo en el cáncer colorrectal
Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Objetivos del estudio Estimar el riesgo de padecer cáncer colorrectal asociado a una serie de variables Población Casos Controles
Más detalles