un enfoque deductivo para la Minería de Textos.

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

Download "un enfoque deductivo para la Minería de Textos."

Transcripción

1 Un Enfoque Deductivo para la Minería de Textos C. Justicia de la Torre Centro de Servicios de Informática. Universidad de Granada M.J. Martín-Bautista, D. Sánchez 1, M.A. Vila Dpto. Ciencias de la Computación e Inteligencia Artificial. Universidad de Granada {mbautis, daniel, Resumen En este trabajo discutimos sobre el enfoque inductivo habitual y proponemos el uso de un enfoque deductivo para la Minería de Textos. Siguiendo este enfoque describimos una técnica deductiva basada en el uso de la interlingüa UNL como paso intermedio hacia una representación e inferencia lógicas, cuya finalidad es el descubrimiento de contradicciones en textos. Finalmente sugerimos algunas posibles contribuciones de la lógica difusa en el desarrollo de técnicas deductivas. Palabras Clave: Minería de Textos, Descubrimiento de Conocimiento en Textos, Representación del Conocimiento, Formas Intermedias, Procesamiento del Lenguaje Natural, UNL. 1 Introducción Una de las tareas más importantes para diferentes tipos de instituciones, particularmente aquellas con objetivos económicos y científicos, es el análisis de la información disponible y generada por las mismas, con el objetivo de comprender mejor su funcionamiento y tomar decisiones. El almacenamiento de cantidades cada vez mayores de información en soporte electrónico ha llevado al desarrollo de áreas de investigación específicas que estudian cómo llevar a cabo estas tareas de forma automática. La gran mayoría de la información almacenada en formato electrónico se distribuye entre bases de datos y documentos de texto. Esto ha dado lugar al desarrollo de dos ramas de investigación, conocidas como 1 Corresponding author. Minería de Datos (MD) y Minería de Textos (MT), respectivamente, que pretenden obtener conocimiento novedoso, no trivial y potencialmente útil a partir de la información almacenada en los formatos mencionados. La MD parte de un conjunto de datos estructurados, habitualmente en forma de un conjunto de registros descritos por atributos ó transacciones que contienen items, y aplica técnicas de tipo inductivo como clustering, búsqueda de conjuntos frecuentes, búsqueda de reglas de asociación y dependencias, árboles de decisión o incluso redes neuronales, que en su mayoría proceden o se han adaptado del ámbito del aprendizaje automático. La MT aparece más tarde, y este hecho ha motivado que el enfoque común para afrontar este problema haya sido el adaptar técnicas de MD al caso del texto. Para ello, se lleva a cabo un proceso previo de estructuración de la información presente en los textos, que trata de transformar lenguaje natural en una representación, habitualmente en registros o transaccional, llamada Forma Intermedia, sobre la que poder aplicar las técnicas anteriores. Ejemplos típicos de formas intermedias son las bolsas de términos, que representan un texto a través de un conjunto de términos (palabras o pequeñas frases) significativos que aparecen en el mismo (en ocasiones con un peso que indica su importancia relativa, como ocurre en las representaciones utilizadas en la Recuperación de Información). Sobre esta representación pueden usarse técnicas de MD como la búsqueda de reglas de asociación o coocurrencias estadísticas. Este enfoque común ha dado lugar a distintas técnicas de MT que han demostrado ser de utilidad en diversos problemas. Por ejemplo, las técnicas descritas en el párrafo anterior son útiles para descubrir relaciones entre términos que permitan el refinamiento de consultas a corpus de textos (en particular en la web) [5], o para completar estructuras de conocimiento que reflejen dichas relaciones, como es el caso por ejemplo de

2 Wordnet [3]. Sin embargo, existen diversas cuestiones y aspectos filosóficos acerca de qué podemos considerar como MT y qué diferencias existen con la MD. Por ejemplo, Hearst [4] distingue la MT que encuentra patrones o regularidades en el texto, de lo que llama Minería de Textos Real, que obtiene piezas de conocimiento nuevas y útiles a través del texto. Un ejemplo de este tipo se encuentra, según Hearst, en los trabajos de Swanson y Smalheiser [7], plasmados en el proyecto Arrowsmith, que trata de asociar relaciones causales presentes en la literatura médica para generar relaciones desconocidas como hipótesis a demostrar. Por ejemplo, analizando títulos de articulos, Swanson y Smalheiser obtuvieron (entre otras) las siguientes piezas de conocimiento: El estrés está asociado con las migrañas. El estrés puede provocar pérdida de magnesio. Los bloqueadores de los canales de calcio previenen algunas migrañas. El magnesio es un bloqueador natural de los canales de calcio. Estas pistas sugieren que un déficit de magnesio puede jugar un papel importante en algunos tipos de migrañas, una hipótesis que no existía hasta ese momento y que los autores pudieron derivar de forma parcialmente automática, demostrándose posteriormente de manera experimental. En nuestra opinión, la discusión acerca de estas cuestiones y la propuesta de técnicas que puedan considerarse de Minería de Textos Real, en el sentido de Hearst, constituyen una contribución importante y necesaria, y a ello está dedicado el presente trabajo. 2 Minería de Textos Deductiva Como ya hemos indicado en la introducción, el enfoque habitual para la MT consiste en aplicar técnicas que provienen de la MD. Sin embargo, este enfoque plantea algunas limitaciones debido a las diferencias que existen entre ambas tareas. 2.1 Datos vs. Texto Una diferencia fundamental entre Minería de Datos y Minería de Textos es la naturaleza de la información de partida. Los datos tienen una extructura explícita y contienen conocimiento de forma implícita, mientras que con el texto ocurre todo lo contrario, es decir, contiene un conocimiento explícito (aunque por lo general dependiente de un contexto que no está del todo hecho explícito en el documento) y una estructura implícita. Esta diferencia puede interpretarse desde el punto de vista de la Ingeniería del Conocimiento, según el cual los datos constituyen colecciones de hechos simples, representados mediante un modelo de datos que facilita su tratamiento, mientras que el texto contiene una base de conocimiento completa que incorpora, además de hechos, relaciones de diversos tipos, con la desventaja de estar expresados en un lenguaje de representación (el lenguaje natural) que, aunque de una expresividad máxima, resulta totalmente inadecuado para llevar a cabo procesos automáticos de inferencia. Sobre esta base, parece natural aplicar técnicas inductivas sobre datos, para extraer el conocimiento implícito en los mismos, y técnicas deductivas sobre texto, para a partir del conocimiento contenido en el mismo deducir nuevo conocimiento no trivial y que pueda ser potencialmente útil, como pretende la MT. Nótese que la aplicación de un procedimiento deductivo no está reñida con la propia definición de MT. Para ilustrar la diferencia entre ambos enfoques (inductivo y deductivo), consideremos por ejemplo el texto A que se muestra en la figura 1. Este texto sencillo contiene dos piezas de conocimiento, la primera de las cuales establece una relación causa-efecto entre gripe y fiebre, mientras que la segunda afirma que un objeto, identificado como Juan, tiene gripe. La gripe causa fiebre. Juan tiene gripe. Figura 1: Texto A Un enfoque inductivo que basara su representación en bolsas de términos representaría probablemente el texto anterior mediante el conjunto de términos {gripe, causa, f iebre, Juan}. Obviamente, esta representación pierde la semántica que hemos explicado anteriormente. Nótese que, aunque el conjunto de términos {gripe, causa, f iebre, Juan} parezca representar dicha semántica, en realidad es exactamente el mismo que {f iebre, causa, gripe, Juan}, siendo falso que la fiebre causa gripe. No hay posibilidad de razonamiento sobre esta representación porque se ha reducido el texto a un conjunto de datos. Sin embargo, cualquiera de nosotros podría deducir del conocimiento contenido en el texto A que Juan tiene fiebre, nuevo conocimiento que no está explícito en dicho texto. Desde nuestra perspectiva, el trabajo de Swanson y Smalheiser emplea también un enfoque deductivo donde se hace uso del conocimiento presente en el texto (un modelo simplificado del mismo) y de reglas de in-

3 ferencia para obtener nuevo conocimiento. 2.2 Formas intermedias para MT deductiva En la literatura sobre MT es posible encontrar una gran cantidad de formas intermedias junto con las técnicas asociadas [2]. Sin embargo, el empleo de un enfoque deductivo tiene una influencia directa sobre la forma intermedia del texto. Aunque el lenguaje natural es muy expresivo, como hemos comentado es muy poco adecuado para llevar a cabo procesos de razonamiento, por lo que es necesario transformarlo a una representación que, conservando la semántica en la medida de lo posible, nos permita llevar a cabo un proceso deductivo. Existen múltiples modelos de representación y razonamiento, bien estudiados por la Ingeniería del Conocimiento, que podrían ser usados para este fin. Cada uno de ellos aporta sus propios mecanismos de razonamiento, y resultaría útil para determinadas aplicaciones. El principal problema radica en transformar el conocimiento presente en un texto y expresarlo en dichos modelos de representación. Como veremos en la seccion 4, nosotros proponemos obtener en primer lugar una representación intermedia semánticamente rica, para extraer a partir de ella la forma intermedia final en el modelo elegido. Concretamente, proponemos utilizar una interlingüa, UNL, auspiciada por las Naciones Unidas bajo el proyecto UNL [1] (que se describe en la sección 3). Los motivos para tomar esta opción son fundamentalmente dos: en primer lugar, existen codificadores que obtienen, a partir de un texto en lenguaje natural, una representación en UNL que es mucho más fácil de tratar por medio del ordenador para poder obtener la forma intermedia deseada. En segundo lugar, al tratarse de una interlingüa, la representación obtenida es independiente del lenguaje, con lo que se resuelve uno de los problemas más graves de la MT. Como se verá en la siguiente sección, el proyecto UNL prevee proporcionar codificadores y decodificadores para un gran número de lenguas del mundo, lo que unido a su eficacia demostrada en diversas aplicaciones hace de ésta una opción muy interesante y de gran confianza. 3 El Lenguaje UNL El Lenguaje Universal de Comunicación o (UNL) es un lenguaje artificial que nos permite representar información textual. Desarrollado por el Instituto de Estudios Avanzados de la Universidad de las Naciones Unidas en 1996 y con la incorporación, un año más tarde, del Laboratorio de Inteligencia Artificial de IMCS, el estudio del UNL se convirtió en el proyecto UNL. Este proyecto abarca varios lenguajes como alemán, árabe, chino, español, francés, hindi, indonesio, inglés, italiano, japonés, letón, mongol, portugués y ruso, por el momento. En la actualidad, existe un centro de estudio del lenguaje en casi todos los paises miembros. En España, este centro se denomina Centro de Lengua Española (Spanish Language Center) y se trata de un Centro UNL que coordina e investiga el uso del lenguaje UNL (para más información veáse la web [1]). Fundamentalmente, UNL tiene una sintaxis que se representa mediante relaciones y atributos, un vocabulario formado por los conceptos o palabras universales (universal words o UW) y una semántica que se puede completar con una base de conocimiento. Enumeraremos estos elementos a continuación de forma un poco más detallada aunque por ser una información que se puede encontrar entre las especificaciones del lenguaje UNL [1] no lo trataremos de forma extensa. 3.1 Componentes UNL El lenguaje UNL está compuesto por una serie de elementos clave que consiguen representar tanto la sintaxis como la semántica del texto escrito en lenguaje natural. Estos elementos son: Palabras Universales (Universal Words o UW): se llama palabra universal a cada una de las palabras que componen el lenguaje UNL. No existe un número determinado de ellas puesto que dependen del lenguaje en el que esté escrito el texto que se va a traducir a UNL y se pueden ir construyendo a medida que se van analizando nuevas oraciones en ese idioma y aparecen nuevos términos. Se representan como una palabra raíz escrita en inglés y, entre paréntesis, una serie de constantes y restricciones que ayudan a representar la sintaxis y la semántica de la palabra de manera que se elimine cualquier posible ambigüedad en el lenguaje. Por ejemplo, veamos qué palabras universales se corresponden con la palabra española estado. Dependiendo del significado que se pretenda dar en el texto a este término podemos encontrar tres palabras universales diferentes state(icl>country) si utilizamos la acepción país, state(icl>region) si la usamos como sinónimo de región o state(icl>abstract thing) si para nosotros un estado es algo abstracto. Relaciones UNL: las relaciones UNL representan

4 cómo se relacionan los conceptos entre sí. Para ello se han construido una serie de directivas que identifican el tipo de relación (circunstancial, condicional, lógica, de lugar, temporal, de participación entre otras) que se puede dar entre los conceptos del lenguaje. Algunos ejemplos de relaciones UNL son agente (aquello que inicia una acción) y objeto (sobre quien recae la acción) y se representan como agt (do, thing) o agt (action, thing) si estamos usando la relación agente u obj (be, thing), obj (do, thing), obj (occur, thing) o bien obj (uw(aoj>thing,obj>thing), thing) si usamos la relación objeto. Los diferentes tipos de representaciones se deben a las distintas opciones de combinar las palabras universales. Existen muchos más tipos de relaciones UNL que se pueden consultar en el manual de especificaciones del lenguaje [1]. Atributos: son modificadores de los conceptos. Nos proporcionan información de número, de negación y de cantidad, entre otras, sobre un concepto. Ejemplos de @pl. Por ejemplo, si queremos representar la proposición unos hombres mediante UNL, usaremos la palabra universal man(icl>humankind) con una serie de atributos: representa el artículo indefinido unos que indica que hombres es una palabra plural. Expresiones UNL: son representaciones de las relaciones binarias entre dos conceptos y están compuestas por Relaciones UNL y Palabras Universales. Las Expresiones UNL se describen como: <relación> ( <uw1>, <uw2> ). Como ejemplo, en la figura 2 se muestra la expresión UNL correspondiente a la primera de las frases del texto A de la figura 1. Si analizamos detenidamente estas expresiones, observamos dos relaciones (agente y objeto) que participan en la oración, es decir, en la frase La gripe causa fiebre, vemos cómo el verbo principal causar tiene un agente (relación UNL agt) y un objeto (relación UNL obj ). Cada relación está compuesta por dos palabras universales a su vez, como son cause que representa al verbo causar, fever que representa a fiebre y por último flu palabra universal que se corresponde con gripe. Es interesante también mencionar la labor desempeñada por los atributos UNL, por ejemplo la indica que el concepto gripe es determinado, está modificado por el artículo la. [S:1] {org} La gripe causa fiebre. {/org} {/unl} {/unl} [/S] Figura 2: Expresión UNL para la primera frase del texto A (fig. 1) y grafo asociado. La lectura de las expresiones UNL puede resultar complicada; para facilitar el análisis de estas frases podemos representarlas mediante grafos, ya que éstos se simplifican omitiendo algunos de los elementos del lenguaje (generalmente palabras vacías). En la figura 2 vemos la representación mediante un grafo de la frase La gripe causa fiebre. 4 Una propuesta de Minería de Textos deductiva Con el objetivo de ilustrar lo que entendemos por Minería de Textos Deductiva, en este apartado esbozamos una propuesta concreta y discutimos sobre los problemas que puede plantear su realización práctica, que afrontaremos en el futuro. 4.1 Búsqueda de Contradicciones La técnica que proponemos consiste en la búsqueda de contradicciones en textos. Por ejemplo, consideremos el texto B de la figura 3. Es evidente que entre el conocimiento dado por los textos A (figura 1) y B existe una contradicción. Las personas que tienen fiebre tienen una temperatura mayor de 37 grados. Juan tiene una temperatura de 36 grados. Figura 3: Texto B El descubrimiento de tales contradicciones tiene múltiples aplicaciones potenciales, desde la detección

5 x [gripe(x) f iebre(x)] gripe(x) f iebre(x) 1 x [f iebre(x) (temp(x), 37))] f iebre(x) (temp(x), 37) 2 gripe(juan) gripe(juan) 3 Tabla 1: Forma lógica y clausal de las frases de los textos A y B de inconsistencias en documentos (buscando contradicciones en un solo texto) hasta el descubrimiento de opiniones contradictorias sobre un tema en foros de discusión o artículos de prensa. Con este conocimiento, que de forma ideal consistiría en una explicación de por qué se produce y dónde se encuentra la contradicción, podrían establecerse a su vez clasificaciones de los textos analizados en función de su concordancia o no en determinados temas. Un modelo de representación adecuado para la búsqueda de contradicciones es la lógica de predicados, concretamente la representación mediante cláusulas. Esta representación permite detectar contradicciones en una base de conocimiento mediante el bien conocido procedimiento de resolución. La regla de resolución establece que dadas dos cláusulas de la forma A B y B C, es posible deducir A C. Si se llega a dos clausulas del tipo D y D, es posible deducir que existe una contradicción. Por ejemplo, en la tabla 1 se muestran expresiones lógicas y su correspondiente forma clausal (se han numerado las cláusulas) para las frases de los textos A y B. La frase Juan tiene una temperatura de 36 grados se refleja en la interpretación bajo la que se valorarán las clausulas, y nos dice simplemente que la función temp( ) para el argumento Juan toma valor 36, es decir, temp(juan) = 36. Si llevamos a cabo un proceso de resolución (llevando a cabo las sustituciones necesarias), de las clausulas 1 y 3 obtenemos la clausula f iebre(juan). Resolviendo ésta con la clausula 2 obtenemos (temp(juan), 37), o lo que es lo mismo, (36, 37), que es obviamente una contradicción. 4.2 UNL y obtención de la forma intermedia Para la obtención de expresiones lógicas a partir de UNL planteamos la búsqueda de patrones semánticos. Por ejemplo, en una sentencia donde aparezca alguno de los verbos causar, implicar, etc... es posible obtener una implicación lógica en la que la parte izquierda está compuesta por el agente y la derecha por el objeto. Ese es el caso por ejemplo de la frase La gripe causa fiebre del texto A. Uno de los trabajos futuros a realizar, y no precisamente simple, es la determinación de éste tipo de patrones UNL. Sin embargo, queremos destacar que el objetivo no es realizar una expresión en base a la lógica de toda la semántica del documento, sino extraer tanta información como sea posible. Por supuesto, los posibles resultados del proceso deductivo estarán influidos en gran medida por la cantidad y calidad del conocimiento representado en nuestra forma intermedia, pero éste no es tan crítico como, por ejemplo, en el diseño de un sistema experto. Un proceso de Minería no fracasa si no descubre todo el conocimiento novedoso y potencialmente útil posible (de hecho, ninguna técnica existente puede garantizar esto). Descubrir una sola pieza de conocimiento constituye ya un éxito y un aporte valioso. 4.3 Algoritmo Supongamos que disponemos de un conjunto de textos T = {t 1,..., t n } y que para cada uno de ellos disponemos de una representación clausal tan rica como haya sido posible. Supongamos un procedimiento res(t i ) que lleva a cabo un proceso de resolución con el conocimiento obtenido de t i, devolviendo f also en caso de encontrar una contradicción en el mismo. Notaremos t i t j la concatenación de los textos t i y t j (un texto a su vez). Sea P T el conjunto de concatenaciones de subconjuntos de textos de T. V representa el conjunto de concatenaciones de textos que no son contradictorios. Nuestro algoritmo para la búsqueda de contradicciones se muestra en la figura V 1 {t i T res(t i ) falso} 2. V V 1 3. Para k=2 hasta n (a) V k {t t t V k 1, t V 1, t t V t t y res(t t ) falso} (b) V V V k 4. Contradicciones P T \V Figura 4: Algoritmo de búsqueda de contradicciones en textos El algoritmo busca aquellos textos y concatenaciones de textos que no son contradicciones, procediendo por niveles en el retículo de P(T ) respecto a la inclusión. Este procedimiento permite considerar directamente como contradicciones a aquellas concatenaciones en las

6 cuales algún subconjunto de los textos concatenados contiene una contradicción, con lo cual nos ahorramos el llevar a cabo el proceso res sobre los mismos. En cualquier caso, dado que el razonamiento basado en resolución presenta dificultades computacionales (algo habitual por otra parte en las técnicas de Minería), una de las líneas de trabajo futuro será el estudiar la forma de obtener algoritmos más eficientes. 5 Minería de Textos Deductiva y Lógica Difusa La lógica clásica plantea diversos problemas como el de la monotonía o el hecho de permitir solamente dos grados de verdad, lo cual entra en conflicto en ocasiones con el conocimiento contenido en los textos. Existen diversas lógicas alternativas que permiten tratar estos problemas. En particular, consideramos que la lógica difusa puede ser de gran utilidad en el desarrollo de técnicas de MT Deductiva, ya que permite recoger la semántica de conceptos imprecisos y modelar mediante distintos tipos de operadores los matices del discurso relativos a conjunciones, disyunciones, negaciones e implicaciones. Un ejemplo de esta utilidad que, a nuestro juicio, se acerca mucho (si no lo es) a un proceso de MT, es el trabajo de Trillas en [8]. En el aspecto concreto de la búsqueda de contradicciones usando lógica difusa, existen herramientas que pueden ser útiles y exploraremos en el futuro. En particular, una aportación al cálculo del grado en que una expresión lógica (en particular, de una lógica descriptiva difusa concreta) puede ser verdadera se encuentra en [6]. 6 CONCLUSIONES La Minería de Textos Inductiva proviene por motivos históricos y prácticos de la aplicación directa de técnicas de MD (que de forma natural son inductivas, porque el punto de partida es un conjunto de datos estructurados) al texto a través de formas intermedias que, forzadas a representar los textos mediante un conjunto de datos estructurados, pierden gran parte de la semántica. Desde este punto de vista, consideramos que la Minería de Textos Deductiva es quizá más adecuada y la que se ajusta a lo que Hearst considera Minería de Textos Real. La Minería de Textos Deductiva se encuentra muy poco desarrollada y presenta mayores dificultades, pero también un mayor potencial. Consideramos que la lógica difusa tiene mucho que aportar en este desarrollo. En este trabajo hemos propuesto una técnica concreta de Minería de Textos Deductiva, basada en el uso de una interlingüa como UNL como paso previo a una representación lógica sobre la que llevar a cabo un proceso de inferencia, concretamente de resolución, que nos permita encontrar contradicciones en textos. Nuestro trabajo futuro será el desarrollar la técnica planteada. Agradecimientos Agradecemos a Jesús Cardeñosa y a Carolina Gallardo del Centro de Lengua Española del Programa UNL de las Naciones Unidas [1] su inestimable ayuda poniendo a nuestra disposición herramientas y documentación imprescindibles para abordar el lenguaje UNL. Referencias [1] Web of the Institute of Advanced Studies, The United Nations University, Spanish Language Center- Universidad Politécnica de Madrid. [2] C. Justicia de la Torre, M. J. Martín-Bautista, D. Sánchez, and M.A. Vila. Text mining: Intermediate forms for knowledge representation. In Joint Eusflat-Lfa 2005 Conference, pages , [3] M.A. Hearst. Automated discovery of wordnet relations. In C. Fellbaum, editor, WordNet: An Electronic Lexical Database. MIT Press, Cambridge, MA, [4] M.A. Hearst. Untangling text data mining. In Proceedings of the 37 Annual Meeting of the Association for Computational Linguistics, pages 20 26, [5] M.J. Martín-Bautista, D. Sánchez, J. Chamorro- Martínez, J.M. Serrano, and M.A. Vila. Mining web documents to find additional query terms using fuzzy association rules. Fuzzy Sets and Systems, 148(1):85 104, [6] D. Sánchez and A.G.B. Tettamanzi. Fuzzy quantification in fuzzy description logics. In E. Sanchez, editor, Fuzzy Logic and the Semantic Web, chapter 8, pages Elsevier B.V., [7] D.R. Swanson and N.R. Smalheiser. Implicit text linkages betwen medline records : Using arrowsmith as an aid to scientific discovery. Library trends, 48(1):48 59, [8] E. Trillas. Lógica borrosa y narrativa: Un párrafo de Vila-Matas. In Actas Del XII Congreso Español Sobre Tecnologías Y Lógica Fuzzy, ESTYLF 04, pages 15 20, 2004.

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos

CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos CARTOGRAFIADO DE TEXTOS Métodos Iconográficos de Observación, Exploración y Comunicación Aplicados a la Minería de Textos Anteproyecto de Tesis de Magíster en Ingeniería del Software Tesista: Lic. Matilde

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

Más detalles

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil Nombre de la asignatura: Inteligencia Artificial Créditos: 2-2 - 4 Aportación al perfil Diseñar e implementar interfaces hombre- máquina y máquinamáquina para la automatización de sistemas. Identificar

Más detalles

UNIDAD I: LÓGICA PROPOSICIONAL

UNIDAD I: LÓGICA PROPOSICIONAL UNIDAD I: LÓGICA PROPOSICIONAL ASIGNATURA: INTRODUCCIÓN A LA COMPUTACIÓN CARRERAS: LICENCIATURA Y PROFESORADO EN CIENCIAS DE LA COMPUTACIÓN DEPARTAMENTO DE INFORMÁTICA FACULTAD DE CIENCIAS FÍSICO MATEMÁTICA

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD KDD y MD Dr. Juan Pedro Febles Rodríguez BIOINFO febles@bioinfo.cu http://www.bioinfo.cu CITMA 2005 Temas a tratar Algunos antecedentes académicos. El proceso de descubrimiento de conocimientos en Datos

Más detalles

Estructuras Discretas. César Bautista Ramos Carlos Guillén Galván Daniel Alejandro Valdés Amaro

Estructuras Discretas. César Bautista Ramos Carlos Guillén Galván Daniel Alejandro Valdés Amaro Estructuras Discretas César Bautista Ramos Carlos Guillén Galván Daniel Alejandro Valdés Amaro Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla 1. CONJUNTOS Y CLASES 1

Más detalles

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA

POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA POSIBLE APLICACIÓN DE LA MINERÍA DE TEXTOS A LOS TRABAJOS DE LA COMISIÓN MINISTERIAL DE INFORMÁTICA M.ª del Pilar Cantero Blanco Jefa de Servicio de Sistemas Informáticos. Subdirección General de Planificación

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

1. PRINCIPALES APLICACIONES DE LA LINGÜÍSTICA COMPUTACIONAL

1. PRINCIPALES APLICACIONES DE LA LINGÜÍSTICA COMPUTACIONAL Lingüística Computacional II. Introducción a la Lingüística Computacional Aplicada 1 1. PRINCIPALES APLICACIONES DE LA LINGÜÍSTICA COMPUTACIONAL La vertiente aplicada de la LC tiene como objetivo desarrollar

Más detalles

Tema 1 Introducción a los Sistemas Basados en el Conocimiento

Tema 1 Introducción a los Sistemas Basados en el Conocimiento Tema 1 Introducción a los Sistemas Basados en el Conocimiento Sistemas Basados en el Conocimiento Grado en Ingeniería Informática 1 Referencias Ingeniería del Conocimiento. A. Gómez, N. Juristo, C. Montes,

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

CAPÍTULO 1 Introducción

CAPÍTULO 1 Introducción CAPÍTULO 1 Introducción 1.1 Sistemas basados en conocimiento (Knowledge Based Systems) Los sistemas basados en conocimiento (Knowledge Based Systems. KBS) son aplicaciones que generan soluciones o respuestas

Más detalles

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA Pablo F. Provasi 1 Lucio J. Kleisinger 1 Francisco R. Villatoro 2 1 Dpto. de Informática, Universidad

Más detalles

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

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

Más detalles

Escenas de episodios anteriores

Escenas de episodios anteriores Clase 16/10/2013 Tomado y editado de los apuntes de Pedro Sánchez Terraf Escenas de episodios anteriores objetivo: estudiar formalmente el concepto de demostración matemática. caso de estudio: lenguaje

Más detalles

Curso de procesamiento del lenguaje natural

Curso de procesamiento del lenguaje natural MPGI UC MAGISTER EN PROCESAMIENTO Y GESTIÓN DE LA INFORMACIÓN Curso de procesamiento del lenguaje natural César Antonio Aguilar Facultad de Lenguas y Letras 05/08/2015 Cesar.Aguilar72@gmail.com PLN: qué

Más detalles

Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión?

Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión? Sistemas de Ayuda a la Decision Qué es un Sistema de Ayuda a la Decisión? Luis Daniel Hernández Molinero Departamento de Ingeniería de la Información y las Comunicaciones Facultad de Informática Universidad

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

Inteligencia Artificial. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Prof. Ing. Franco D. Menendez

Inteligencia Artificial. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Prof. Ing. Franco D. Menendez Inteligencia Artificial Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Prof. Sistemas Expertos Definición Un Sistema Experto es un programa de computación inteligente que usa

Más detalles

4 o Ingeniería Informática

4 o Ingeniería Informática Esquema del tema 1. Introducción 4 o Ingeniería Informática II26 Procesadores de lenguaje Estructura de los compiladores e intérpretes 2. Etapas del proceso de traducción 3. La interpretación 4. La arquitectura

Más detalles

DESCRIPTORES DE RENDIMIENTO

DESCRIPTORES DE RENDIMIENTO California English Language Development Test DESCRIPTORES DE RENDIMIENTO DE LA PRUEBA Este documento contiene los Descriptores de de la prueba CELDT, que describen lo que los estudiantes, por lo general,

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

Máster en Lenguajes y Sistemas Informáticos: Tecnologías del Lenguaje en la Web Universidad de Educación a Distancia Marzo 2013

Máster en Lenguajes y Sistemas Informáticos: Tecnologías del Lenguaje en la Web Universidad de Educación a Distancia Marzo 2013 Presentación de Trabajo de Fin de Máster PROPUESTA DE BÚSQUEDA SEMÁNTICA: APLICACIÓN AL CATÁLOGO DE MAPAS, PLANOS Y DIBUJOS DEL ARCHIVO GENERAL DE SIMANCAS Máster en Lenguajes y Sistemas Informáticos:

Más detalles

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Inteligencia Artificial. Carrera: Ingeniería en Sistemas Computacionales. Clave de la asignatura:

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Inteligencia Artificial. Carrera: Ingeniería en Sistemas Computacionales. Clave de la asignatura: 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Inteligencia Artificial Ingeniería en Sistemas Computacionales Clave de la asignatura: (Créditos) SATCA 1 SCC-1012 2-2-4 2.- PRESENTACIÓN Caracterización

Más detalles

Representación del conocimiento mediante lógica formal Introducción a PROLOG

Representación del conocimiento mediante lógica formal Introducción a PROLOG Representación del conocimiento mediante lógica formal Introducción a PROLOG Representación del conocimiento Lo que nos interesa es la representación, es decir, la modelización del conocimiento Orientaciones:

Más detalles

ESCUELA POLITÉCNICA SUPERIOR

ESCUELA POLITÉCNICA SUPERIOR UNIVERSIDAD DE CÓRDOBA ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA EN INFORMÁTICA DE GESTIÓN PETICIÓN DE TEMA PARA PROYECTO FIN DE CARRERA: TÍTULO Herramienta para la preparación de conjuntos de aprendizaje

Más detalles

Escuela Técnica Superior de Ingeniería Informática

Escuela Técnica Superior de Ingeniería Informática Escuela Técnica Superior de Ingeniería Informática Máster en Ingeniería Informática aplicada a la Industria, a la Ingeniería del Software y a los Sistemas y Tecnologías de la Información GUÍA DOCENTE DE

Más detalles

TEMA 1: INTRODUCCIÓN

TEMA 1: INTRODUCCIÓN 1 DISEÑO Y DESARROLLO DE COMPILADORES TEMA 1: INTRODUCCIÓN Qué es un Compilador? Un compilador no es más que un traductor, es decir, un programa que nos permite pasar información de un lenguaje a otro.

Más detalles

Introducción. Lógica de proposiciones: introducción. Lógica de proposiciones. P (a) x. Conceptos

Introducción. Lógica de proposiciones: introducción. Lógica de proposiciones. P (a) x. Conceptos Introducción César Ignacio García Osorio Lógica y sistemas axiomáticos 1 La lógica ha sido históricamente uno de los primeros lenguajes utilizados para representar el conocimiento. Además es frecuente

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

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

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

Tipos Abstractos de Datos

Tipos Abstractos de Datos Objetivos Repasar los conceptos de abstracción de datos y (TAD) Diferenciar adecuadamente los conceptos de especificación e implementación de TAD Presentar la especificación algebraica como método formal

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Terminological support for exchange students. Creation of a German English Spanish online dictionary

Terminological support for exchange students. Creation of a German English Spanish online dictionary Terminological support for exchange students. Creation of a German English Spanish online dictionary word to tranlate:

Más detalles

LÓGICA COMPUTACIONAL

LÓGICA COMPUTACIONAL LÓGICA COMPUTACIONAL LA MATERIA DE LÓGICA EN LAS INGENIERÍAS INFORMÁTICAS curso 2006-2007 1 Por qué aparece la materia de lógica en informática? 2 Descriptores de lógica en los planes de estudios de informática.

Más detalles

INDICE. XVII Prólogo a la edición en español. XXI 1. Calculo proporcional 1.1. Argumentos y proporciones lógicas

INDICE. XVII Prólogo a la edición en español. XXI 1. Calculo proporcional 1.1. Argumentos y proporciones lógicas INDICE Prologo XVII Prólogo a la edición en español XXI 1. Calculo proporcional 1.1. Argumentos y proporciones lógicas 1 1.1.1. Introducción 1.1.2. Algunos argumentos lógicos importantes 2 1.1.3. Proposiciones

Más detalles

Ingeniería en Informática

Ingeniería en Informática Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se

Más detalles

Arquitectura de Aplicaciones

Arquitectura de Aplicaciones 1 Capítulo 13: Arquitectura de aplicaciones. - Sommerville Contenidos del capítulo 13.1 Sistemas de procesamiento de datos 13.2 Sistemas de procesamiento de transacciones 13.3 Sistemas de procesamiento

Más detalles

Las reglas se parecen un poco a las vistas relacionales. Especifican relaciones virtuales que no están

Las reglas se parecen un poco a las vistas relacionales. Especifican relaciones virtuales que no están BASES DE DATOS DEDUCTIVAS Introducción: El interés de los Sistemas de Gestión de Bases de Datos Deductivas tiende a incrementarse conforme se amplía su campo de aplicación (Gestión, Sistemas Expertos).

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

Optimización de consultas Resumen del capítulo 14

Optimización de consultas Resumen del capítulo 14 Optimización de consultas Resumen del capítulo 14 Libro: Fundamentos de Bases de Datos Silberschatz et al. 5ed. Dr. Víctor J. Sosa Agenda 1. Visión general 2. Estimación de las estadísticas de los resultados

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

activuspaper Text Mining and BI Abstract

activuspaper Text Mining and BI Abstract Text Mining and BI Abstract Los recientes avances en lingüística computacional, así como la tecnología de la información en general, permiten que la inserción de datos no estructurados en una infraestructura

Más detalles

Sistema de Consultas en Lenguaje Natural para Bases de Datos

Sistema de Consultas en Lenguaje Natural para Bases de Datos Sistema de Consultas en Lenguaje Natural para Bases de Datos José Manuel Soto Corzo, David Díaz Portillo, José Antonio Cruz Zamora Instituto Tecnológico de Apizaco Av. Instituto Tecnológico de Apizaco

Más detalles

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS Autores: Introducción Diego R. López RedIRIS diego.lopez@rediris.es El trabajo necesario para mantener un servidor de información

Más detalles

EL SUBJUNTIVO EN TRES FUNCIONES: TIEMPO, ESPACIO Y MODO

EL SUBJUNTIVO EN TRES FUNCIONES: TIEMPO, ESPACIO Y MODO EL SUBJUNTIVO EN TRES FUNCIONES: TIEMPO, ESPACIO Y MODO Luis Luque Toro 0. Introducción. En primer lugar quiero hacer constar que el desarrollo de este tema está orientado hacia alumnos de un nivel superior

Más detalles

{} representa al conjunto vacío, es decir, aquel que no contiene elementos. También se representa por.

{} representa al conjunto vacío, es decir, aquel que no contiene elementos. También se representa por. 2. Nociones sobre Teoría de Conjuntos y Lógica Para llevar a cabo nuestro propósito de especificar formalmente los problemas y demostrar rigurosamente la correctitud de nuestro programas, introduciremos

Más detalles

Límites. Definición de derivada.

Límites. Definición de derivada. Capítulo 4 Límites. Definición de derivada. 4.1. Límites e indeterminaciones Hemos visto en el capítulo anterior que para resolver el problema de la recta tangente tenemos que enfrentarnos a expresiones

Más detalles

Text mining versus redes neuronales. Dos métodos de análisis aplicados al caso de las políticas de las revistas sobre datos

Text mining versus redes neuronales. Dos métodos de análisis aplicados al caso de las políticas de las revistas sobre datos Text mining versus redes neuronales. Dos métodos de análisis aplicados al caso de las políticas de las revistas sobre datos Alicia García-García, Xavier García-Massó, Antonia Ferrer, Luis-Millán González,

Más detalles

INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA. Dr. Ramón GARCIA MARTINEZ

INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA. Dr. Ramón GARCIA MARTINEZ INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA Dr. Ramón GARCIA MARTINEZ INTELIGENCIA ARTIFICIAL Es la disciplina que estudia la forma de diseñar procesos que exhiban características que comunmente se

Más detalles

Proyecto de Normalización Automática de Base de Datos

Proyecto de Normalización Automática de Base de Datos Proyecto de Normalización Automática de Base de Datos Lic. Beatriz Steimberg * Resumen En el primer cuatrimestre del año 2003 se encaró el proyecto de Normalización Automática de Base de Datos. El objetivo

Más detalles

GUÍA DOCENTE TITULACIONES DE GRADO

GUÍA DOCENTE TITULACIONES DE GRADO GUÍA DOCENTE TITULACIONES DE GRADO TITULACIÓN: GRADO EN INGENIERIA INFORMATICA DE SISTEMAS DE INFORMACIÓN CURSO 2015/2016 ASIGNATURA: MINERÏA DE DATOS Nombre del Módulo o Materia al que pertenece la asignatura.

Más detalles

Ontologías ECSDI. Curso 2014/2015. LSI-FIB-UPC cbea. ECSDI (LSI-FIB-UPC cbea) Ontologías Curso 2014/2015 1 / 36

Ontologías ECSDI. Curso 2014/2015. LSI-FIB-UPC cbea. ECSDI (LSI-FIB-UPC cbea) Ontologías Curso 2014/2015 1 / 36 Ontologías ECSDI LSI-FIB-UPC cbea Curso 2014/2015 ECSDI (LSI-FIB-UPC cbea) Ontologías Curso 2014/2015 1 / 36 Índice 1 Introducción 2 Ontologias 3 Proyectos de Ontologías 4 Elementos de un ontología ECSDI

Más detalles

Tecnologías de Información y Comunicación II

Tecnologías de Información y Comunicación II Tecnologías de Información y Comunicación II WEB MINING WEB MINING Como Concepto Webmining es una metodología de recuperación de la información que usa herramientas de la minería de datos para extraer

Más detalles

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS 1 INTRODUCCIÓN 1.1 Justificación Esta investigación está motivada por el interés en lograr una mejor comprensión del papel que desempeña la creatividad dentro

Más detalles

forma de entrenar a la nuerona en su aprendizaje.

forma de entrenar a la nuerona en su aprendizaje. Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo

Más detalles

LENGUAJES DE PROGRAMACIÓN POR QUÉ HAY TANTOS Y APARECEN NUEVOS? Por: Hanna Oktaba

LENGUAJES DE PROGRAMACIÓN POR QUÉ HAY TANTOS Y APARECEN NUEVOS? Por: Hanna Oktaba LENGUAJES DE PROGRAMACIÓN POR QUÉ HAY TANTOS Y APARECEN NUEVOS? Por: Hanna Oktaba La computadora, a diferencia de otras herramientas que en general apoyan el esfuerzo físico de los humanos, fue inventada

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

I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez*

I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez* I.3 APLICACIÓN DE UN RECONOCEDOR DE LENGUAJE NATURAL RESTRINGIDO A LA RECUPERACIÓN DE DATOS Gabriel Cordero Sánchez* Resumen En este documento se muestra la estructura funcional de un reconocedor de lenguaje

Más detalles

Tablas. Estas serán las tablas que usaremos en la mayoría de ejemplos. Empleado

Tablas. Estas serán las tablas que usaremos en la mayoría de ejemplos. Empleado Álgebra Relacional Un álgebra es un sistema matemático constituido por Operandos: objetos (valores o variables) desde los cuales nuevos objetos pueden ser construidos. Operadores: símbolos que denotan

Más detalles

PROYECTO DOCENTE ASIGNATURA: "Lógica Informática"

PROYECTO DOCENTE ASIGNATURA: Lógica Informática PROYECTO DOCENTE ASIGNATURA: "Lógica Informática" Grupo: Clases Teóricas de Lógica Informática (DOCENCIA EN INGLÉS)(948465) Titulacion: Grado en Ingeniería Informática-Ingeniería del Software Curso: 2015-2016

Más detalles

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1 Sistemas de producción y búsqueda de soluciones Area de Computación e Inteligencia Artificial 1 Técnicas de búsqueda Resolución de problemas en Inteligencia Artificial. En general, podemos afirmar que

Más detalles

Tema 12: Teorema de Herbrand

Tema 12: Teorema de Herbrand Facultad de Informática Grado en Ingeniería Informática Lógica 1/12 PARTE 3: DEMOSTRACIÓN AUTOMÁTICA Tema 12: Teorema de Herbrand Profesor: Javier Bajo jbajo@fi.upm.es Madrid, España 26/11/2012 Introducción.

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012

Recuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012 Bases de Datos Documentales Curso 2011/2012 Miguel Ángel Rodríguez Luaces Laboratorio de Bases de Datos Universidade da Coruña Introducción Hemos dedicado la primera mitad del curso a diseñar e implementar

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

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

Informática Jurídica y Derecho Informático

Informática Jurídica y Derecho Informático EL DERECHO Y LAS TECNOLOGÍAS DE LA INFORMACIÓN Informática Jurídica y Derecho Informático Informática Jurídica y Derecho Informático Carlos A. Peña * En los últimos treinta años se han planteado diversos

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata

v.1.0 Clase 5 Docente: Gustavo Valencia Zapata v.1.0 Clase 5 Docente: Gustavo Valencia Zapata Temas Clase 5: Conceptos de Minería de Datos Herramientas de DM Referencias Minería de datos Proceso de DM www.gustavovalencia.com Minería de datos La minería

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

Notas. Modelo conceptual para el diseño e implementación del sitio web de un museo regional * Resumen. 1. Introducción y formulación del problema

Notas. Modelo conceptual para el diseño e implementación del sitio web de un museo regional * Resumen. 1. Introducción y formulación del problema Notas Modelo conceptual para el diseño e implementación del sitio web de un museo regional * Resumen El presente artículo propone el modelo conceptual para la creación de un sitio Web de un museo regional

Más detalles

TEMA 3 (parte 2). Representación del Conocimiento

TEMA 3 (parte 2). Representación del Conocimiento TEMA 3 (parte 2). Representación del Conocimiento Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 13 de noviembre de 2009 FJRP ccia [Inteligencia Artificial] 3.2.2 Lógica

Más detalles

ÍNDICE PRESENTACIÓN... 9. INTRODUCCIÓN... 11 Lógica y Filosofía de la Lógica... 11 Más allá de este libro... 16

ÍNDICE PRESENTACIÓN... 9. INTRODUCCIÓN... 11 Lógica y Filosofía de la Lógica... 11 Más allá de este libro... 16 ÍNDICE PRESENTACIÓN... 9 INTRODUCCIÓN... 11 Lógica y Filosofía de la Lógica... 11 Más allá de este libro... 16 I. VERDAD Y PORTADORES DE VERDAD... 19 1. De qué tipo de entidades predicamos la verdad?...

Más detalles

Parte I: Introducción

Parte I: Introducción Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one

Más detalles

Migración de datos automática a partir de la información de los esquemas conceptuales 1

Migración de datos automática a partir de la información de los esquemas conceptuales 1 Migración de datos automática a partir de la información de los esquemas conceptuales 1 J.Pérez 1, J.A.Carsí 1, I.Ramos 1, V.Anaya 1, J.Silva 1, Departamento de Sistemas Informáticos y Computación Universidad

Más detalles

Resumen. 1. Introducción. 2. Objetivos

Resumen. 1. Introducción. 2. Objetivos Propuesta para la Asignatura Sistemas Industriales en las Titulaciones de Informática F.A. Pujol, F.J. Ferrández, J.L. Sánchez, J. M. García Chamizo Dept. de Tecnología Informática y Computación Universidad

Más detalles

PROLOG Inteligencia Artificial Universidad de Talca, II Semestre 2005. Jorge Pérez R.

PROLOG Inteligencia Artificial Universidad de Talca, II Semestre 2005. Jorge Pérez R. PROLOG Inteligencia Artificial Universidad de Talca, II Semestre 2005 Jorge Pérez R. 1 Introducción a PROLOG PROLOG es un lenguaje interpretado basado en la lógica de predicados de primer orden. Puede

Más detalles

Trabajo final de Ingeniería

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

Más detalles

Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix

Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix Curso de Minería de Datos Instructor: Dr. Luis Carlos Molina Félix Presentación Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y éxito de

Más detalles

CONSTRUCCION DE SISTEMAS EXPERTOS

CONSTRUCCION DE SISTEMAS EXPERTOS CONSTRUCCION DE SISTEMAS EXPERTOS TECNICAS DE EDUCCION DEL CONOCIMIENTO Dr. Ramón GARCIA MARTINEZ GRAFOS ARQUETÍPICOS En muchos dominios de conocimiento, puede reconocerse una estructura de representación

Más detalles

Instituto Tecnológico de Celaya

Instituto Tecnológico de Celaya LENGUAJES Lenguaje es el empleo de notaciones, señales y vocales (voz, palabras) para expresar ideas, comunicarse, y establecer relaciones entre los seres humanos. Un lenguaje no sólo consta de palabras,

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 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

República Bolivariana de Venezuela Ministerio Popular de Educación y Deportes UNEFA Cátedra: Base de Datos Unidad I. Introducción

República Bolivariana de Venezuela Ministerio Popular de Educación y Deportes UNEFA Cátedra: Base de Datos Unidad I. Introducción República Bolivariana de Venezuela Ministerio Popular de Educación y Deportes UNEFA Cátedra: Base de Datos Unidad I. Introducción Dato: Hecho o valor a partir del cual se puede inferir una conclusión.

Más detalles

Inicio de MO Inicio de MD Inicio de MF. Documento de Análisis. Base de datos de las especificaciones OMT. MO, MD, MF Detallados. Librería de Clases

Inicio de MO Inicio de MD Inicio de MF. Documento de Análisis. Base de datos de las especificaciones OMT. MO, MD, MF Detallados. Librería de Clases 3.2 TÉCNICA DE MODELADO DE OBJETOS (OMT) (JAMES RUMBAUGH). 3.2.1 Introducción. En este documento se trata tanto el OMT-1 como el OMT-2, el primero contenido en el Libro Modelado y Diseño Orientado (Metodología

Más detalles

Introducción. Metadatos

Introducción. Metadatos Introducción La red crece por momentos las necesidades que parecían cubiertas hace relativamente poco tiempo empiezan a quedarse obsoletas. Deben buscarse nuevas soluciones que dinamicen los sistemas de

Más detalles

Introducción a la Minería de Datos

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

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

Estructuras de Control - Diagrama de Flujo

Estructuras de Control - Diagrama de Flujo RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.

Más detalles

Buscadores basados en agentes inteligentes

Buscadores basados en agentes inteligentes Buscadores basados en agentes inteligentes Los buscadores de contenido Estos han sido esenciales a lo largo de todo el desarrollo de la web. Basados en coincidencias de palabras o frases. Desventajas Escasa

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

Criterios de las asignaturas Y Bandas de calificación PROGRAMA DE AÑOS INTERMEDIOS (PAI)

Criterios de las asignaturas Y Bandas de calificación PROGRAMA DE AÑOS INTERMEDIOS (PAI) Criterios de las asignaturas Y Bandas de calificación PROGRAMA DE AÑOS INTERMEDIOS (PAI) Artes Educación Plástica / Music (página 1) Ciencias Natural Science / Física y Química / Biología y Geología (página

Más detalles

DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA

DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA Resumen AUTORIA CARLOS CABALLERO GONZÁLEZ TEMATICA INFORMÁTICA ETAPA ESO-BACHILLERATO-CFGM(ESI,ASI,DSI) Se describe la revolución que supuso la incursión

Más detalles

Significado de las f.b.f (fórmulas bien formadas) en términos de objetos, propiedades y relaciones en el mundo

Significado de las f.b.f (fórmulas bien formadas) en términos de objetos, propiedades y relaciones en el mundo Significado de las f.b.f (fórmulas bien formadas) en términos de objetos, propiedades y relaciones en el mundo Semánticas del cálculo de predicados proporcionan las bases formales para determinar el valor

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

TEMA 2: EL CONOCIMIENTO CIENTÍFICO 1.1 CIENCIAS EMPÍRICAS Y CIENCIAS FORMALES.

TEMA 2: EL CONOCIMIENTO CIENTÍFICO 1.1 CIENCIAS EMPÍRICAS Y CIENCIAS FORMALES. TEMA 2: EL CONOCIMIENTO CIENTÍFICO Desde sus orígenes, la ciencia se ha convertido en la forma de conocimiento más eficaz que ha desarrollado el ser humano. Su eficacia se debe a la invención y aplicación

Más detalles

Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team

Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team Modelado de relaciones existentes en un equipo de proyecto de software Modeling relationships in a software project team Rafael Rodríguez-Puente 1, Eliana B. Ril-Valentin 2 1 Departamento de Técnicas de

Más detalles