Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica

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

Download "Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica"

Transcripción

1 Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica 1

2 Sumario Introducción Inspiración biológica Modelado Neuronal Implementaciones Aplicaciones Grupo de trabajo Futuro de las RNAs 2

3 Redes Neuronales en la IA Ramas de la Inteligencia Artificial en sus inicios: Simbólica-deductiva: Sistemas formales de reglas y manipulación simbólica Rama más conocida de la IA Conexionista: Inspirada en las redes neuronales biológicas Métodos Inductivos: a partir de ejemplos Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento 3

4 RNA como Modelo de Computación Conexionista vs. Von Neumann Masivamente paralelo Datos y programa indiferenciable en las conexiones Solución inducida por aprendizaje Impredicibilidad de resultados Gran tolerancia a fallos Arquitectura secuencial Separa claramente datos del programa en la memoria Solución como algoritmo o programa introducido Resultados totalmente predecibles No tolera errores 4

5 Áreas de Trabajo Procesamiento de Señales Análisis de Datos Reconocimiento de Patrones Control Inteligencia Artificial Aplicaciones Desarrollo de aplicaciones basadas en técnicas conexionistas Informática Sicología Matemáticas Implementaciones Arquitectura y Teoría de RN Física Construcción de modelos neuronales Neurofisiología Proponer y validar modelos de funcionamiento de arquitecturas neuronales 5

6 Inspiración biológica Entender el cerebro y emular su potencia Cerebro: Gran velocidad de proceso Tratamiento de grandes cantidades de información procedentes de: Los sentidos Memoria almacenada Capacidad de tratar situaciones nuevas Capacidad de aprendizaje 6

7 Neuronas: Inspiración biológica Árbol dendrítico de entradas Un axón de salida Sobre de10 4 sinapsis Comunicación mediante Potenciales de Acción (PA) Periodo refractario de 10-3 segundos entre PAs 7

8 Transmisión neuronal: Inspiración biológica Impulso eléctrico que viaja por el axón Liberación de neurotransmisores Apertura/cierre de canales iónicos Variación potencial en dendrita Integración de entradas en soma Si se supera umbral de disparo se genera un PA 8

9 Inspiración biológica Red Neuronal Biológica: de a neuronas sinapsis Organización por capas Organización por niveles: Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas Árboles dendríticos Microcircuitos neuronales Sinapsis Canales iónicos Moléculas 9

10 Características SNC: Inspiración biológica Inclinación a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinápticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepción y control 10

11 Modelado Neuronal Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas: El procesamiento de información ocurre en muchos elementos simples llamados neuronas. Las señales son transferidas entre neuronas a través de enlaces de conexión. Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida. Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida. Laurene Fausett 11

12 Enfoques: Computacional: Modelado Neuronal Modelos eficientes, potentes y simples Áreas de aprendizaje inductivo y reconocimiento de patrones Cognitivo: Interesado por capacidades cognitivas de los modelos Centrados en representación del conocimiento Biocognitivo: Premisa la plausibilidad biológica Psicofisiológico: Mecanismos naturales de procesos cognitivos reales 12

13 Modelado Neuronal Neurona Artificial: Grupo de entradas (x)( Pesos sinápticos (w)( Función suma (net( net) Función de activación (act) Una única salida (y)( Funcionamiento en modo aprendizaje o ejecución x 1 x 2 x n w 1,j w 2,j w n,j función suma net j (t) función de activación j umbral (bias) x j (t) 13

14 Modelado Neuronal Neurona Natural vs. Artificial: Neurona = Unidad de proceso Conexiones sinápticas = Conexiones Pesadas Efectividad sináptica = Peso sináptico Exitatorio/Inhibitorio = Pesos + ó - Efecto combinado de sinapsis = Función suma Activación-> Ratio disparo = Función activación -> salida 14

15 Modelado Neuronal Arquitecturas Neuronales: Según e/o/s Número y tipo de entradas Elementos ocultos Elementos de salida Según conectividad entre capas Monocapa feedforward Capa de entrada Capa de salida Multicapa feedforward Feedforward (hacia adelante) Redes Recurrentes Estructuras Enrejadas (Lattice) Capa de entrada Capa de salida Multicapa feedforward parcialmente conectada Capa oculta Capa oculta Capa de salida 15

16 Modelado Neuronal Arquitecturas Neuronales: Según conexión entre capas Totalmente conectados (full-conexión) Parcialmente conectados Conexión uno a uno Sincronía (actualización de valores) Simultánea Aleatoria Según orden topológico Recurrente con interconexiones laterales Salidas Recurrente con neuronas ocultas Entradas 16

17 Aprendizaje: Modelado Neuronal Estimulación de la RN por el entorno Cambios en la RN debido a estimulación Nueva forma de responder debido a cambios de la estructura interna de la RN 17

18 Modelado Neuronal Paradigmas de aprendizaje: Aprendizaje Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado 18

19 Modelado Neuronal Aprendizaje supervizado: Se presentan pares de patrones de entrada y salida deseada Pasos: Fijar pesos aleatorios las conexiones Seleccionar par de entrenamiento Presentar patrón de entrada y calcular salida Calcular error o discrepancia con la salida deseada Aplicar regla de aprendizaje Dudosa plausibilidad biológica: Requiere propagar información hacia atrás Requiere de instructor 19

20 Modelado Neuronal Aprendizaje no supervizado: Se presentan sólo patrones de entrada Basado en la redundancia en las entradas Aprendizaje extrae de los patrones: Familiaridad con patrones típicos o promedios del pasado Análisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificación Mapa de Características Grandes plausibilidades biológicas 20

21 Modelado Neuronal Algoritmos de aprendizaje más comunes: Perceptrón multicapa o Backpropagation (BPN) Aprendizajes supervizados bajo corrección de error Mapas Auto-organizados (SOM) Aprendizajes competitivo no supervizados Extractores de características (GHA ó ICA) Aprendizajes hebbianos no supervizados 21

22 Modelado Neuronal Propiedades y Capacidades Generalización Estructura altamente paralela No linealidad Mapeo de Entrada- Salida Adaptabilidad Respuesta graduada Información Contextual Tolerancia a fallos Implementación VLSI Uniformidad en el Análisis y Diseño Analogía Neurobiológica 22

23 Implementaciones Medio biológico vs. medio silicio Velocidad: Neuronas: 10-3 s., Puertas lógicas: 10-9 s. Tamaño: Neuronas 5 ó 6 órdenes de magnitud menores Eficiencia energética: Cerebro: J/op./s., mejores ordenadores: 10-6 Fan-In: Promedio de sinapsis por neurona, mucho mayor que en silicio 23

24 Neurosimuladores: Software: Flexibles Económicos Hardware: Eficientes Implementaciones 24

25 Tipos Neurosoftware: Programación directa Librerías Entornos de desarrollo Implementaciones Características deseables: Facilidad de uso Potencia Eficiente Extensibilidad 25

26 Neurohardware: Implementaciones VLSI analógico Opto-Electrónicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Máquinas paralelas de propósito general Biochips Objetivo: Acelerar fases de aprendizaje y ejecución 26

27 Implementaciones Biochips 27

28 Fases de desarrollo: Aplicaciones Selección de la arquitectura neuronal Selección del conjunto de aprendizaje Fase de aprendizaje Fase de validación OK? Selección del conjunto de validación Implantar en aplicación 28

29 Aplicaciones Tipos de problemas abordables: Asociación Clasificación de Patrones Predicción Control Aproximación Optimización En general: Difícil describir conocimiento/forma de resolverlos Se dispone de una gran cantidad de datos 29

30 Problemas de Asociación NETalk (Sejnowski & Rosemberg): A partir de textos escritos genera gonemas correspondientes. Mejoras durante aprendizaje Tratamiento de imágenes: Ruido placas matrículas Restitución Compresión de Imágenes: 30

31 Problemas de Clasificación de Patrones Conteo de células: Clasificación de glóbulos blancos Inspección visual: Seguimiento de pupila 31

32 Problemas de Predicción Airline Marketing Tactician (AMT): Monitoriza y recomienda la reserva de plazas Neuralstocks: Servico de predicciones financieras a corto plazo 32

33 Problemas de Control Control de robots: Cinemática inversa Dinámica ALVINN: Conducción de vehículo 33

34 Problemas de Aproximación Aproximación de funciones utilizando RBFs Problemas de Optimización Optimización de rutas: TSP 34

35 Aplicaciones en Astronomía/Astrofísica Reconocimiento de estrellas/galaxias Clasificación espectral y morfológica de estrellas/galaxias Estudios de superficies planetarias Estudio del campo magnético interplanetario Determinación de parámetros en atmósferas estelares Clasificación de poblaciones de enanas blancas Neural Networks, 16 (2003) 35

36 Aplicaciones en Astronomía/Astrofísica Identificación y caracterización de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayos Gamma Determinación de desplazamientos fotométricos al rojo Eliminación de ruido en pixels Descomposición de datos simulados multi- frecuencia para la misión Planck Búsqueda de cúmulos de galaxias Neural Networks, 16 (2003) 36

37 Aplicaciones en Astronomía/Astrofísica Análisis de datos recogidos por instrumentos de nueva generación para astrofísica de alta energía: Telescopio de neutrinos AUGER y ARGO Telescopio de rayos gamma Cherenkhov Interferómetro de ondas gravitacionales VIRGO Búsqueda de bosones Higgs AstroNeural, paquete AstroMinnig: reducción y análisis de datos Neural Networks, 16 (2003) 37

38 Grupo de Trabajo Grupo de Computación Neuronal y Adaptativa y Neurociencia Computacional Departamento de Estadística, I. O. y Computación, ULL I. U. de Ciencias y Tecnologías Cibernética, ULPGC Área de Conocimiento: Ciencias de la Computación e Inteligencia Artificial Líneas de trabajo Neurociencia Computacional y Cognición Computacional: Comunicación Neuronal;Aprendizaje y Memoria.Procesos y Estructuras Cognitivas/Perceptivas Teorías y Modelos Redes Neuronales Naturales y Artificiales: Diseño de Nuevos Modelos de RNAs Aplicación de la Computación Neuronal en Dominios Biomédicos, Clínicos y Medioambientales 38

39 Grupo de Trabajo Campos aplicativos estudiados Procesamiento de Señales Neurofisiológicas Identificación de Espectros Luminescentes Agente de Catalogación Automática de Webs Sistema Automático de Detección de Ataques Informáticos Diagnóstico de Enfermedades Neurodegenerativas... xi... Entradas mli... dl... Capa SOM hl... zl... Capa de Holguras upl gpq Capa de Etiquetado... vp Mezcla Espectrofotómetro de Luminescencia Analysis Mapa de Rechazo Capa de Tolerancias 2 1 Espectro Preprocesado 2 1 Características Espectrales Identificador de Espectros (Capa de Etiquetado) Etiquetado Mapa de SOM Comparación de Espectros (Capa SOM) Comp. 1 Comp. 2 Comp. 3 39

40 Grupo de Trabajo Docencia Impartida en la ULL Introducción a los Modelos de Computación Conexionista 3er curso, Ing. Técnica en Informática de Sistemas, ETSII 30 a 40 alumnos Introducción a la Inteligencia Artificial 3er curso, ITI de Gestión/Sistemas 50 a 60 alumnos Modelos Conexionistas y Autómatas 5º curso, Ing. Informática, ETSII 10 a 20 alumnos 40

41 Futuro de las RNAs Futuro prometedor, si nos seguimos acercando a las característicias de los organismos vivos: Evolución, Computación Colectiva, Manejo del Conocimiento,... Natural Computing => Soft Computing Presente problemático: dificultades de escalabilidad Tal vez algunos parámetros de nuestros modelos son erroneos? Tal vez no disponemos de la suficiente potencia informática? Tal vez nuestros modelos no han alcanzado la suficiente complejidad? Tal vez nos falta en nuestros modelos algún concepto fundamental? 41

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

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

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

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

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

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

Neuronas Artificiales

Neuronas Artificiales Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante

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

Redes Neuronales Artificiales y sus Aplicaciones

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

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

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

Más detalles

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos

Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

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

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.

Cátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones. Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática Competencias Generales y trasversales De acuerdo con la resolución del Consejo de Universidades de fecha 3 de marzo de 2009, para obtener este título de grado en ingeniería

Más detalles

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica C1. Capacidad para la resolución de los problemas matemáticos que puedan plantearse en la ingeniería. Aptitud para aplicar

Más detalles

Clasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes. Sergio Roa Ovalle

Clasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes. Sergio Roa Ovalle Clasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes Sergio Roa Ovalle Universidad Nacional de Colombia Facultad de Ingeniería Departamento de Sistemas Bogotá 2002 Clasificación

Más detalles

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

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

Más detalles

Clasificación de Áreas y Subáreas para las inscripciones al Doctorado en Ciencias Informáticas

Clasificación de Áreas y Subáreas para las inscripciones al Doctorado en Ciencias Informáticas Área Algoritmos y Estructuras de Datos Arquitectura de computadoras Subárea - Algoritmos - Análisis de algoritmos - Estructuras de Datos - Verificación y certificación de programas - Lógicas para el desarrollo

Más detalles

El problema de la mayoría de las personas e instituciones, es la conservación de sus

El problema de la mayoría de las personas e instituciones, es la conservación de sus 2 1.1 Introducción. El problema de la mayoría de las personas e instituciones, es la conservación de sus documentos escritos, especialmente cuando éstos tienen un siglo de antigüedad. Es por esto que se

Más detalles

VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS

VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS Dr. Gerardo Reyes Salgado Profesor-Investigador / Instituto Tecnológico de Cuautla gerardo.reyes@itcuautla.edu.mx www.itcuautla.edu.mx 1

Más detalles

- Capacidad para dirigir las actividades objeto de los proyectos del ámbito de la informática de acuerdo con los conocimientos adquiridos.

- Capacidad para dirigir las actividades objeto de los proyectos del ámbito de la informática de acuerdo con los conocimientos adquiridos. Competencias generales - Capacidad para concebir, redactar, organizar, planificar, desarrollar y firmar proyectos en el ámbito de la ingeniería en informática que tengan por objeto, de acuerdo con los

Más detalles

INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA

INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA INGENIERÍA EN AUTOMATIZACIÓN Y ROBÓTICA ( D.U.Nº 7 8 5 2 0 0 4 ) Facultad de Ingeniería Sede Santiago, Campus República Sazié 2315, Santiago Tel: (56-2) 661 82 55 www.unab.cl DECANO Cristian Millán Fuentes

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

Más detalles

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

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

Más detalles

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones

Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional

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

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL]

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] 2012 CEA ISA [RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] En este documento se incluyen una serie de recomendaciones básicas para impartir

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

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

Redes Neuronales Artificiales

Redes Neuronales Artificiales Redes Neuronales Artificiales Fernando Izaurieta y Carlos Saavedra Departamento de Física, Universidad de Concepción, Concepción, Chile RESUMEN En esta charla se entrega una descripción de las características

Más detalles

TEMA 6 Redes de Neuronas Artificiales

TEMA 6 Redes de Neuronas Artificiales TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios

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

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

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

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

Más detalles

INGENIERÍA EN INFORMÁTICA. Ingeniero en Informática

INGENIERÍA EN INFORMÁTICA. Ingeniero en Informática Facultad de Ingeniería Av. Paseo Colón 850 (C1063ACV) Ciudad de Buenos Aires Tel.: (011) 4343-0893 Fax: (011) 4345-7262 Página web: www.ingenieria.uba.ar Correo electrónico: academica@fi.uba.ar INGENIERÍA

Más detalles

SOciedad Dominicana de Inteligencia Artificial. Santo Domingo Mayo 2015

SOciedad Dominicana de Inteligencia Artificial. Santo Domingo Mayo 2015 SOciedad Dominicana de Inteligencia Artificial Santo Domingo Mayo 2015 1 Conferencia: La Inteligencia Artificial y sus Aplicaciones para Países en Desarrollo Dra. Ing. Rina Familia 24/05/2015 3 Hollywood

Más detalles

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS

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

NIVELES DE AUTOMATIZACIÓN (Ref. Automatización de Procesos Industriales, E. García Moreno)

NIVELES DE AUTOMATIZACIÓN (Ref. Automatización de Procesos Industriales, E. García Moreno) NIVELES DE AUTOMATIZACIÓN (Ref. Automatización de Procesos Industriales, E. García Moreno) Nivel elemental - Automatización de una máquina sencilla o parte de una máquina. - Tareas de: vigilancia de tiempos

Más detalles

Capítulo III Procesamiento Digital de Imágenes

Capítulo III Procesamiento Digital de Imágenes Capítulo III Procesamiento Digital de Imágenes Contenido Introducción al Procesamiento digital de imágenes Orígenes del procesamiento digital de imágenes. Aplicaciones del Procesamiento de Imágenes Componentes

Más detalles

Introducción a las Redes Neuronales Aplicadas

Introducción a las Redes Neuronales Aplicadas Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía

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

6.1. Profesorado. CIENCIA DE LA COMPUTACION E INTELIGENCIA ARTIFICIAL CEU TEU. Colaborador. Contr. Doct. Asociado

6.1. Profesorado. CIENCIA DE LA COMPUTACION E INTELIGENCIA ARTIFICIAL CEU TEU. Colaborador. Contr. Doct. Asociado .. Profesorado. En la tabla que se presenta a continuación se puede observar el personal académico disponible para el máster que se presenta, con detalle sobre su categoría y vinculación con la Universidad

Más detalles

Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación.

Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación. PERFIL PROFESIONAL Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación. Reconocer y guiarse por los aspectos sociales, profesionales y éticos en su entorno. Dirigir y coordinar

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

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

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

Más detalles

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

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

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

Más detalles

- Facilidad para el manejo de especificaciones, reglamentos y normas de obligado cumplimiento.

- Facilidad para el manejo de especificaciones, reglamentos y normas de obligado cumplimiento. Competencias generales - Capacidad para redactar, desarrollar y firmar proyectos en el ámbito de la ingeniería de telecomunicación, que tengan por objeto, según la especialidad, la concepción, el desarrollo

Más detalles

Documento de Competencias. Facultad de Informática, UPV/EHU. 1 Estructura general del Grado TE1 TE2 TE3 TE4 TE5 TE6 TE7 TE8

Documento de Competencias. Facultad de Informática, UPV/EHU. 1 Estructura general del Grado TE1 TE2 TE3 TE4 TE5 TE6 TE7 TE8 Documento de Competencias Grado en INGENIERÍA INFORMÁTICA Facultad de Informática, UPV/EHU 1 Estructura general del Grado 1.1 Fundamentos de Tecnología de los Principios de Diseño de Sistemas Digitales

Más detalles

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

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

Más detalles

TEMA 2. PLANIFICACION DE PROCESOS. CAD/CAM

TEMA 2. PLANIFICACION DE PROCESOS. CAD/CAM TEMA 2. PLANIFICACION DE PROCESOS. CAD/CAM PARTE 1: INTRODUCCIÓN A CAD/CAM. 1. DEFINICIONES. 2. EL CAD/CAM EN EL PROCESO DE DISEÑO Y. 3. COMPONENTES DE CAD/CAM. 4. CAMPOS DE APLICACIÓN. 5. INGENIERÍA INVERSA.

Más detalles

NEUROFISIOLOGÍA Cátedra I (Ferreres) 1 er cuatrimestre de 2014

NEUROFISIOLOGÍA Cátedra I (Ferreres) 1 er cuatrimestre de 2014 NEUROFISIOLOGÍA Cátedra I (Ferreres) 1 er cuatrimestre de 2014 Cronograma, distribución de los contenidos temáticos y bibliografía detallada de las clases teóricas y los trabajos prácticos Teórico 1 25,

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

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

Primer 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 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 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

UNIVERSIDAD AUTÓNOMA DE MADRID ESCUELA POLITÉCNICA SUPERIOR MASTER I2 TIC

UNIVERSIDAD AUTÓNOMA DE MADRID ESCUELA POLITÉCNICA SUPERIOR MASTER I2 TIC UNIVERSIDD UTÓNOM DE MDRID ESCUEL POLITÉCNIC SUPERIOR MSTER I2 TIC nálisis de la influencia de Topologías de Red en Redes Neuronales basadas en Firmas utor: José Luis Carrillo M. [jose.carrillom@estudiante.uam.es]

Más detalles

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL: LOS SISTEMAS EXPERTOS

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL: LOS SISTEMAS EXPERTOS Introducción a los Sistemas Expertos 1 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL: LOS SISTEMAS EXPERTOS ÍNDICE 1. INTRODUCCIÓN. EVOLUCIÓN HISTÓRICA 2. DEFINICIÓN Y CARACTERÍSTICAS DE LOS SE. 3. TIPOS Y

Más detalles

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

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

Más detalles

Introducción a la Inteligencia Artificial

Introducción a la Inteligencia Artificial Introducción a la Inteligencia Artificial Qué es la Inteligencia Artificial? Todas las definiciones de Inteligencia Artificial están relacionadas con la siguiente idea: Desarrollo de métodos y algoritmos

Más detalles

El instrumento RVS de Gaia para el estudio de las poblaciones estelares de la Galaxia.

El instrumento RVS de Gaia para el estudio de las poblaciones estelares de la Galaxia. El instrumento RVS de Gaia para el estudio de las poblaciones estelares de la Galaxia. Minia Manteiga 1, Bernardino Arcay 1, Diego Ordóñez 1, Carlos Dafonte 1, Ana Ulla 2 and Gaia DPAC 3 1: L(IA) 2. Laboratorio

Más detalles

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

RESUMEN DESCRIPCIÓN PLAN DE ESTUDIOS DEL GRADO EN INGENIERÍA EN ELECTRÓNICA INDUSTRIAL Y AUTOMÁTICA

RESUMEN DESCRIPCIÓN PLAN DE ESTUDIOS DEL GRADO EN INGENIERÍA EN ELECTRÓNICA INDUSTRIAL Y AUTOMÁTICA RESUMEN SCRIPCIÓN PLAN ESTUDIOS L GRADO EN INGENIERÍA EN Y AUTOMÁTICA MODULO MATERIA ASIGNATURAS NOMBRE UT ECTS NOMBRE UT ECTS NOMBRE UT ECTS FORMACIÓN BÁSICA C1 s1 MATEMÁTICAS C1 s1 27 ÁLGEBRA LINEAL

Más detalles

Modelo de Evaluación de Créditos Financieros basados en Redes Neuronales orientado a Edpymes

Modelo de Evaluación de Créditos Financieros basados en Redes Neuronales orientado a Edpymes RISI 7(2), 2010 (21-33) Revista de Investigación de Sistemas e Informática Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos ISSN 1815-0268 (versión impresa) ISSN

Más detalles

COMPETENCIAS GRADO EN INGENIERÍA TELEMÁTICA

COMPETENCIAS GRADO EN INGENIERÍA TELEMÁTICA COMPETENCIAS GRADO EN INGENIERÍA TELEMÁTICA COMPETENCIAS BÁSICAS Según lo establecido en el R.D. 1393/2007 de 29 de octubre, se garantizaran, como mínimo las siguientes competencias básicas, en el caso

Más detalles

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO SCE - 0418 SCM - 0414 SCC-0428 ACM - 0403 SCB - 0421 SCV - 0407 ACU-0402 Introducción a la ingeniería en sistemas computacionales

Más detalles

INGENIERÍA EN INFORMATICA

INGENIERÍA EN INFORMATICA INGENIERÍA EN INFORMATICA Título: Ingeniero en Informática Nivel de la carrera: GRADO. Duración: 5 (cinco) años. Acerca de la carrera: El Título de Grado de Ingeniería en Informática formará ingenieros

Más detalles

Electrónica Digital II

Electrónica Digital II Electrónica Digital II M. C. Felipe Santiago Espinosa Aplicaciones de los FPLDs Octubre / 2014 Aplicaciones de los FPLDs Los primeros FPLDs se usaron para hacer partes de diseños que no correspondían a

Más detalles

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

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

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

FUNDAMENTOS BIOLÓGICOS DEL APRENDIZAJE Y LA MEMORIA

FUNDAMENTOS BIOLÓGICOS DEL APRENDIZAJE Y LA MEMORIA Departamento de Biología a Ambiental y Salud PúblicaP FUNDAMENTOS BIOLÓGICOS DEL APRENDIZAJE Y LA MEMORIA La base celular y físico-química del impulso y transmisión de la señal nerviosa. La neurona. Potencial

Más detalles

MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE. HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA

MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE. HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA MINISTERIO DE EDUCACIÓN NACIONAL COLOMBIA APRENDE HíBRIDO ENTRE UNA RED NEURONAL Y UN MODELO ARIMA PARA LA ESTIMACIÓN DE PRECIOS DE LOS VEHíCULOS EN COLOMBIA DICIEMBRE 2006 AGRADECIMIENTOS FUNDACIÓN UNIVERSITARIA

Más detalles

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:

Más detalles

Esta investigación esta basada y evolucionada de las redes neuronales pero con visión de crear software.

Esta investigación esta basada y evolucionada de las redes neuronales pero con visión de crear software. Introducción Esta es un nuevo planteamiento al paradigma de la computación y la ingeniería del software, Necesitamos planteamientos nuevos en el area de la Inteligencia artificial que ayuden a el trabajo

Más detalles

Diseñar, analizar, adaptar, operar y construir sistemas analógicos y digitales.

Diseñar, analizar, adaptar, operar y construir sistemas analógicos y digitales. PERFIL PROFESIONAL Diseñar, analizar, adaptar, operar y construir sistemas analógicos y digitales. Crear, innovar, adaptar y transferir tecnología en el ámbito de ingeniería electrónica mediante la aplicación

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

SECCIÓN DE AYUDA AL USUARIO

SECCIÓN DE AYUDA AL USUARIO SECCIÓN DE AYUDA AL USUARIO PON DESIGN SOFTWARE IVÁN ALEXIS SANTOS QUICENO FREDY ANDRES SANABRIA UNIVERSIDAD DISTRITAL FEBERO DE 2009 Diseño de redes ópticas pasivas En general los niveles de potencia

Más detalles

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA

APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Curso sobre Técnicas de Visualización CEH-CEDEX, 10 junio de 2011 APLICACIÓN DE TÉCNICAS DE IMAGEN ARTIFICIAL Y REDES NEURONALES PARA EL SEGUIMIENTO DEL REMONTE DE FAUNA PISCÍCOLA Aplicación de técnicas

Más detalles

Redes de comunicación

Redes de comunicación Redes de comunicación Conmutación de circuitos Conmutación de paquetes Dpt. Arquitectura de Computadores 1 Redes conmutadas Conmutación (nodos) de los datos que se reciben de una estación emisora hasta

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

LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I)

LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I) LÍNEAS DE INVESTIGACIÓN: Redes neuronales (I) Objetivo: Usar técnicas neuronales para resolver problemas: * Modelado de sistemas mediante aprendizaje automático a partir de ejemplos * No se conoce ningún

Más detalles

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES

MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos

Más detalles

REDES AUTOORGANIZATIVAS II

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

Más detalles

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

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

Más detalles

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

RESOLUCIÓN EFICIENTE DE PROBLEMAS COMPLEJOS MEDIANTE HARDWARE RECONFIGURABLE

RESOLUCIÓN EFICIENTE DE PROBLEMAS COMPLEJOS MEDIANTE HARDWARE RECONFIGURABLE RESOLUCIÓN EFICIENTE DE PROBLEMAS COMPLEJOS MEDIANTE HARDWARE RECONFIGURABLE Miguel A. Vega Rodríguez, Juan A. Gómez Pulido, Juan M. Sánchez Pérez Univ. de Extremadura. Dept. de Informática Escuela Politécnica.

Más detalles

Denominación de la materia. N créditos ECTS = 36 carácter = MIXTA INGENIERIA DE COMPUTADORAS

Denominación de la materia. N créditos ECTS = 36 carácter = MIXTA INGENIERIA DE COMPUTADORAS Denominación de la materia INGENIERIA DE COMPUTADORAS N créditos ECTS = 36 carácter = MIXTA Ubicación dentro del plan de estudios y duración La materia Ingeniería de Computadoras está formada por 6 asignaturas

Más detalles

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN Sistemas de Telecomunicación Alumnos: Pablo Núñez López Alberto Garzón Leo INDICE 1. Índice 2. Introducción y objetivos Definiciones Mecanismos de protección y restauración

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

Redes inalámbricas ad hoc

Redes inalámbricas ad hoc Qué es una red ad hoc? También conocidas como MANET Mobile ad hoc networks. AD HOC viene del latín y se refiere a algo improvisado, mientras que en comunicaciones el propósito de ad hoc es proporcionar

Más detalles

Neural Tools y Credit Scoring

Neural Tools y Credit Scoring Bienvenidos Neural Tools y Credit Scoring Foro de Análisis de Riesgos y Decisiones para Latinoamérica 2011 2 / Junio / 2011 - México Presentado por Gustavo Vinueza, Msc.Finanzas gvinueza@palisade.com Consultor

Más detalles

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES FEBRERO - CURSO 2015-2016 PRIMER CURSO - GRUPO B Matemática Discreta 25-ene 16,00-19,00 LAB. 7 Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES JUNIO - CURSO 2015-2016 PRIMER CURSO - GRUPO B

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN N ARTIFICIAL. marcos.goyeneche@uscalsl.es

INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN N ARTIFICIAL. marcos.goyeneche@uscalsl.es INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN N ARTIFICIAL marcos.goyeneche@uscalsl.es INDICE Uscal como empresa Diferencia entre imágnes por ordenador y VA Aplicaciones de la visión artificial Mercado de la visión

Más detalles