Tema 5. Reconocimiento de patrones

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

Download "Tema 5. Reconocimiento de patrones"

Transcripción

1 Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores basados en distancias Clasificadores bayesianos Clasificadores (redes) neuronales Support Vector Machines (SVM) Análisis de Componentes Principales (PCA). Algoritmos de agrupamiento (clustering) Otros aspectos sobre reconocimiento de patrones

2 Bibliografía BÁSICA: R.C. González y R.E. Woods, Digital Image Processing, Addison Wesley, 2ª Edición, (cap. 12) Vélez et al., Visión por Computador, Ed. Dyckinson Serv. Publ. URJC, (cap. 5) A. de la Escalera, Visión por computador: Fundamentos y métodos, Pearson- Prentice Hall, (caps. 4 y 5) COMPLEMENTARIA: M. Sonka et al., Image Processing, Analysis, and Machine Vision, PWS Publishing, (cap. 7) L.G. Shapiro y G.C. Stockman, Computer Vision, Prentice Hall, (cap. 4) D.A. Forsyth y J. Ponce. Computer Vision. A Modern Approach, Pearson, (cap. 22)

3 Introducción (I) En muchos problemas prácticos de V.A. existe la necesidad de tomar decisiones sobre el contenido de una imagen o sobre la clasificación de los objetos contenidos en ella. Clasificar (o reconocer) significa asociar a clases (o prototipos) una serie de elementos (u objetos). Esta asociación se realiza en base a las características o propiedades de los objetos. Etapa final del análisis de imágenes (a partir de características extraídas de las regiones resultantes de la segmentación de una imagen se pueden reconocer los objetos presentes en ella).

4 Introducción (II) La características de las regiones u objetos segmentados se representan usando vectores de características normalizados. Las características usadas para el reconocimiento deben ser cuidadosamente seleccionadas (p. ej. elección de características invariantes a transformaciones geométricas). No hay reglas exactas para descubrir el mejor conjunto de características. Reconocer o clasificar no son tareas fáciles: las clases pueden no estar correctamente definidas, la información sobre los objetos a clasificar puede ser incompleta. Métodos de clasificación diferentes clasificaciones diferentes. La interpretación de de imágenes (o escenas) requiere el uso de modelos y técnicas de Inteligencia Artificial

5 Introducción (III) Ejemplo : B A X W Patrones Clases Clase Agujeros Trazos Centro A 1 3 (1/3,1/2) B 2 1 (1/3,1/2) X 0 2 (1/2,1/2) W 0 4 (1/3,1/2) Características (clases) Vectores de características (patrones) Fronteras de clases

6 Un modelo general de clasificador (I) f 1 (x,k) x 1 x 2 f 2 (x,k) Comparar y decidir C(x) x d f m (x,k) Vector de características x=[x 1,x 2,..,x d ] Cálculo de distancias o probabilidades Resultado de la clasificación

7 Un modelo general de clasificador (II) Las funciones discriminantes f i (x,k) realizan alguna operación sobre el vector de características x del objeto usando un cierto conocimiento K conseguido tras el entrenamiento, y pasan los resultados a una etapa final que determina la clase asignada. Existen m clases: C 1, C 2,, C m-1, C m conocidas. Se suele añadir una clase de rechazo C r (C r =C m ) para los objetos que no se pueden colocar en ninguna de las clases conocidas. En los métodos de clasificación supervisados se conocen de antemano las clases, en los no supervisados las clases y su número no se conocen (se van definiendo conforme avanza la clasificación). El error de clasificación es una medida de cómo funciona el clasificador (problemas de falsos positivos y falsos negativos).

8 Características discriminantes (I) Aspectos generales Para poder realizarse la clasificación o reconocimiento automático de objetos es necesario definir una transformación que convierta a un objeto del universo de trabajo en un vector X cuyas N componentes se llaman características discriminantes o rasgos. X = (x 1, x 2,, x N ), siendo: N N, x i R, i 1..N El valor del vector de características para un objeto concreto se conoce como patrón. Objetos Extracción de características Vectores de características (patrones) Normalización de características Patrones normalizados Clasificación

9 Características discriminantes (II) Criterios de selección de caractererísticas Economía: coste razonable (p. ej. sensores de captura) Velocidad: tiempo de cálculo viable (menor que un umbral) Independencia: no correlación entre las características (uso de matriz de covarianzas) Homogeneidad intraclase: poca dispersión (de los vectores de características) dentro de una misma clase Capacidad discriminante interclases: mucha dispersión (de los vectores de características) entre clases distintas

10 Tipos de clasificadores Clasificadores a priori y a posteriori. Los clasificadores apriorísticos construyen el clasificador en un solo paso, utilizando la muestra de aprendizaje para el cálculo de las funciones discriminantes. Los clasificadores a posteriori se construyen siguiendo un procedimiento iterativo, en el cual el clasificador aprende a reconocer de una manera progresiva los patrones de la muestra de aprendizaje. Clasificadores deterministas y no deterministas (probabilistas). Atendiendo a la forma en que se distribuyen los patrones de la muestra se puede hablar de que se cumple o no una hipótesis determinista (ej. distancia) Clasificadores supervisados y no supervisados. Según la información que se proporciona en el proceso de construcción del clasificador se puede hablar de dos tipos de clasificadores: con maestro o supervisados, sin maestros o no supervisados.

11 Clasificadores basados en distancias (I) Cada una de las N clases C k (k 1..N) se representa mediante un prototipo o centroide Z k, que es un vector d-dimensional: siendo: x kj el j-ésimo vector de características (patrón) de la clase k. La distancia euclídea d E de un nuevo patrón X a la clase C k es: La fórmula anterior es equivalente a evaluar la expresión de la función discriminante de cada clase fd k (X), siendo: k 1..N, para el patrón X y asignarlo a la clase C k para la que fd k (X) sea máximo: = = n k j kj k k x n Z 1 1 k T k k T k Z Z Z X X fd = 2 1 ) ( = = = d i ki i k k E Z X Z X Z X d 1 2 ) ( ), (

12 Clasificadores basados en distancias (II) d E (x,z 1 ) fd 1 (x) X? d E (x,z 2 )... fd 2 (x) Mínimo X i Esquema del clasificador euclídeo d E (x,z N ) fd N (x) Ejemplo: Separación lineal entre clases α 1 α 2 α 3

13 Clasificadores basados en distancias (III) A partir de las funciones discriminantes de clases se pueden construir las fronteras de decisión entre clases (hiperplanos): fd ij (X) = fd i (X) -fd j (X) A veces no se puede conseguir una separación lineal entre clases: Esto se produce debido a que: 1) las características son inadecuadas para distinguir entre clases, 2) las características tienen una alta correlación, 3) las fronteras de decisión no son lineales, 4) hay subclases (dentro de las clases), o 5) el espacio de características es muy complejo.

14 Clasificadores bayesianos (I) A veces, no es posible encontrar características que permitan separar linealmente a clases de objetos. α 1 α 2 Se puede usar el conocimiento de las distribuciones de probabilidad de los valores de las características para clasificar objetos: α 1 α 2 P(x α 1 ) P(x α 2 ) m 1 fd m 2

15 Clasificadores bayesianos (II) Teorema de Bayes : donde: P( α i X ) = P( X αi) P( αi) P( X ) P(α i ) es la probabilidad de que un patrón al azar sea de la clase α i. P(X α i ) es la probabilidad de que sabiendo de que el patrón a clasificar pertenece a la clase α i sea precisamente el que tiene el vector de características X. En otras palabras es la función densidad de probabilidad de los patrones de la clase α i (probabilidad a priori). P(X) es la probabilidad de que se presente exactamente un patrón con el vector de características X. Cumpliéndose que: K P( X ) = P( X α ) P( α ) k= 1 P(α i X) es la probabilidad de que un X conocido pertenezca a la clase α i (probabilidad a posteriori). k k

16 Clasificadores bayesianos (III) Para clasificar un patrón X en su clase correspondiente α i : X α i P(α i X) > P(α j X) i j, j = 1,2... N Como P(X) es un término constante para calcular P(α i X), la función discriminante fd i (X), correspondiente a la clase α i es: fd i (X) =P(X α i ) P(α i ) i = 1,2... N y un patrón X se asignará a la clase α i, si: fd i (X) > fd j (X), j i. Generalización del clasificador de Bayes para distribuciones gausianas n-dimensionales: T 1 1 T 1 fdi ( X ) = X Ci Zi Zi Ci Zi 2 siendo C i y Z i la matriz de covarianzas y la media de la clase α i, respectivamente.

17 Redes neuronales (I) Por su capacidad de aprendizaje las neuronas de los organismos biológicos se han estudiado para su aplicación en sistemas de aprendizaje automático. Al igual que las neuronas biológicas están conectadas, las redes de neuronas artificiales están formadas por elementos sencillos de cómputo interconectados según diferentes modelos. pesos pesos axón soma sinapsis Σ Función salida dendritas núcleo Neurona biológica Entradas desde otras neuronas Función activación Neurona artificial Salidas hacia otras neuronas

18 Redes neuronales (II) Las redes neuronales (NN) fueron introducidas por McCulloch y Pitts (1943). El desarrollo de métodos de aprendizaje (Hebb, 1949) y el modelo del perceptrón (Rosenblatt, 1957) motivaron el interés de este modelo. Aplicaciones a problemas de clasificación y de regresión. Tipos de redes: perceptrones, perceptrones multicapa (MLP), redes autoorganizadas, otros modelos (modelos recurrentes, neuronas estocásticas, funciones de base radial,...). Métodos de aprendizaje: algoritmo de retropropagación (backpropagation), propagación rápida (quick propagation),... Erro r w 1 w 2

19 Redes neuronales (III) Perceptrón: En su forma más básica, un perceptrón consiste en una neurona que es capaz de aprender una función discriminante lineal fd(x), que permite dividir a dos conjuntos de entrenamiento linealmente separables. Su respuesta consiste una suma ponderada de sus entradas: fd( X ) = n i= 1 w x i que representa la ecuación de un hiperplano en el espacio patrón n- dimensional. La salida depende del signo de fd(x). A la salida se aplica una función de activación (escalón, sigmoide, etc) que indica si se activa o no la neurona. i + w n+ 1

20 Redes neuronales (IV) Separación de dos clases (regiones) con un perceptrón: Perceptrón de dos capas y ejemplo de frontera de decisión realizable con esta red: entradas salida - + hiperplano1 + - hiperplano2

21 Redes neuronales (V) Perceptrón multicapa (redes feedforward): Una vez una vez entrenada la red, usando un algoritmo de aprendizaje (p.ej. quickprop) y un conjunto de patrones de entrenamiento, ésta es capaz de resolver el problema para patrones desconocidos.

22 Redes neuronales (VI) Regiones de decisión reconocidas por distintos tipos de perceptrones:

23 Support Vector Machines (SVM) (I) Las Support Vector Machines (SVM) son un tipo de clasificadores de patrones basados en técnicas estadísticas de aprendizaje propuestas por Vapnik y sus colaboradores en Las SVM están a la cabeza de los métodos de clasificación: por permitir construir fronteras de decisión flexibles, y por su buena capacidad de generalización. El método de las SVM permite abordar de manera general la resolución de problemas de clasificación y de regresión. La idea consiste en transformar el conjunto de vectores de entrada X ={x i x i =(x i1, x i2,, x in )} (patrones n-dimensionales) en otro conjunto de vectores Y de una dimensión más alta (incluso de dimensión infinita) en los que el problema pueda solucionarse linealmente.

24 Support Vector Machines (SVM) (I) Características: - Clasificador entrenable con gran velocidad de entrenamiento. - Permite construir hiperplanos óptimos de separación en problemas de clasificación - Método basado en funciones de kernel la similitud entre los datos se expresa a través de la noción de kernel, definido según el problema a resolver. - Capacidad para trabajar con datos de dimensión muy alta. - Aproxima la probabilidad de que un patrón de entrada pertenezca o no a una clase, mediante funciones (relaciones) entre los datos de entrada. - Cuando las clases no son linealmente separables transforma los vectores de entrada en vectores de mayor dimensión para conseguir que las clases sean linealmente separables.

25 Support Vector Machines (SVM) (II) Aplicación al problema de clasificación: Separación lineal Separación no lineal

26 Support Vector Machines (SVM) (III) Clasificación lineal. Las SVM generan un hiperplano que separa el espacio en dos o más regiones, una para cada clase. Clase C1 Clase C2 o w o o o o o o w x + b Vectores soporte

27 Support Vector Machines (SVM) (IV) Clasificación no lineal. Se realiza una transformación del espacio de entrada a otro de dimensión más alta, en el que los datos son separables linealmente. Espacio de entrada Espacio de salida (mayor dimensión) Φ El producto escalar en el espacio de salida se puede escribir a través de un cierto núcleo o kernel K (x,y) : K( xi, x j ) = Φ( xi ) Φ( x j )

28 Support Vector Machines (SVM) (V) Clasificación no lineal. Las SVM se puede escribir como: f α Φ Φ + = i yi ( ( x) ( xi )) b αi yik( x, i ) + ( x) = x vectores soporte vectores soporte b Existen multitud de funciones de kernel. Las más habituales son: Lineal: Polinómico: Gausiano: K ( x ) i, x j = xi x j ( x, x ) = ( x x + ) d K 1 K i j ( x, x ) i j i exp j x i j = 2 2σ x 2

29 Support Vector Machines (SVM) (VI) Aplicaciones de los SVM: Se han utilizado en diversos problemas de reconocimiento de patrones. Cabe destacar las aplicaciones bioinformáticas, el análisis de texto y el tratamiento de imágenes. Entre las aplicaciones de análisis de imágenes: Reconocimiento de escritura manual on-line. Reconocimiento de objetos 3-D. Reconocimiento de caras en imágenes. Recuperación de información por contenido. Más información sobre SVM:

30 Análisis de componentes principales (PCA) (I) - Permite transformar un espacio original en otro de menor dimensión. Espacio de imágenes V mxm Subespacio de imágenes de cierto objeto V h p vectores correlacionados {x i } V n, n=mxm PCA h vectores ortonormales no correlacionado s (h<<n) Base del subespacio

31 Análisis de componentes principales (PCA) (II) * Direcciones principales: Maximizan las variaciones entre las muestras de entrenamiento. En ellas se encuentran los vectores de la nueva base (componentes principales). u 2 u 1

32 Análisis de componentes principales (PCA) (III) * Vectores de la nueva base: Representan la mayor parte de la información contenida en el conjunto original. Están ordenados según su varianza: los h primeros aportan un gran porcentaje de la varianza total. Puede haber como máximo el número de muestras iniciales (generalmente menos).

33 Análisis de componentes principales (PCA) (IV) * Vectores de la nueva base: Conjunto de entrenamiento p imágenes {x i } V n, n=mxm φ = y i Σ = 1 p p i= 1 = x i p 1 p x i φ, donde 1 i p i=1 y i y T i = YY T h autovectores de Σ asociados a los autovalores mayores (h<<n).

34 Análisis de componentes principales (PCA) (V) Representación: x objeto a identificar proyección ω = ( x φ) k u T k para k=1,...,h Subespacio de imágenes de caras V h Coeficientes de la proyección: T ω = [ ω ω ω ] h ' Representación Reconocimiento: Usar la representación resultado del PCA en combinación con alguna del las técnicas de reconocimiento estudiadas (classif. basados en distancias, clasif. Bayesianos, NN, )

35 Algoritmos de agrupamiento (clustering) (I) Técnicas de clasificación no supervisada. Estos algoritmos se usan cuando no existe conocimiento a priori de las clases en que se pueden distribuir los objetos, cuando las clases no son interpretables por un humano, o cuando el número de clases es muy elevado para un procesado no automático. Algunos algoritmos de clustering: distancias encadenadas Min-Max k-medias Existen otras técnicas como los algoritmos de clustering jerárquico o los dendogramas que pueden resultar ineficientes para tamaños grandes de muestra.

36 Algoritmos de agrupamiento (clustering) (II) Algoritmo de distancias encadenadas No precisa de información sobre el número de clases existente. Se realiza en un solo paso, por lo puede ser muy rápido. El inconveniente es que necesita fijar umbrales de clasificación y la solución final dependerá del punto de inicio del algoritmo. Algoritmo: - Este algoritmo parte de los vectores de características de la muestra de aprendizaje X 1, X 2,... X P y toma uno de ellos X i al azar. - Seguidamente ordena los vectores según la sucesión: X i (0), X i (1),,X i (P-1), donde esta sucesión es tal que el siguiente vector de la cadena es el más próximo al anterior (siendo X i (0) = X i ). - A continuación, se establecen las clases. Para ello, se analizan las distancias euclídeas entre cada elemento y el siguiente. Si la distancia entre dos elementos consecutivos de la sucesión es superior al umbral, en ese punto de la sucesión, comienza una nueva clase, en otro caso, el elemento analizado pertenece a la misma clase que el elemento anterior.

37 Algoritmos de agrupamiento (clustering) (III) Algoritmo Min-Max El algoritmo Min-Max introduce paulatinamente centroides de clases, determinando la distancia a la que se encuentran los patrones de los mismos. Si en algún caso esta distancia supera un umbral se crea un nuevo centroide (clase). El proceso se repite hasta no producir cambios. Es un algoritmo que sólo precisa la determinación de un valor de umbral para la autoorganización de las clases. Algoritmo: 1. Tomar al azar un elemento de los P disponibles e insertarlo en la clase α. 2. Calcular las distancias de α 1 a los P-1 vectores no agrupados y tomar la máxima distancia, formando una nueva clase con aquél que la maximiza. 3. Agrupar los restantes vectores que quedan en alguna de las clases existentes. 4. Si la distancia de alguno de los vectores tiene está a una distancia superior a un valor umbral: crear una nueva clase con ese vector y se vuelve al paso 3; en otro caso, terminar.

38 Algoritmos de agrupamiento (clustering) (IV) Algoritmo de las k-medias Permite determinar la posición de k centroides que distribuyen de manera equitativa un conjunto de patrones. A diferencia de los algoritmos anteriores, es necesario conocer a priori el número k de clases existentes. Algoritmo: 1. Poner n = 1. Tomar al azar k vectores de los P existentes y se convierten en centroides de cada una de las k clases (Z 1 (1) de α 1,, Z k (1) de α k ). 2. Distribuir las P-k muestras restantes entre las k clases. Asignar cada vector a la clase que esté más próxima (x α j d(x-z j (n))<d(x-z i (n)), i=1,2,...k i j) 3. Calcular los centroides de las clases como la media ponderada de los vectores de cada clase. 4. Si alguno de los k centroides Z k (n) es distinto de los nuevos centroides Z k (n+1): hacer n = n+1 e ir al paso 2; en otro caso, finalizar el algoritmo.

39 Otros aspectos sobre reconocimiento de patrones Conceptos: Precisión frente a eficiencia. Matriz de confusión. Árbol de decisión. Otras técnicas de reconocimiento: Reconocimiento estructural (o sintáctico) de patrones Técnicas basadas en grafos Algunas aplicaciones de reconocimiento: biométricas (imágenes faciales, huellas dactilares, firmas,...) análisis de calidad de piezas, imágenes aéreas,... Interpretación de imágenes

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 7. Introducción al reconocimiento de objetos

Tema 7. Introducción al reconocimiento de objetos Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción

Más 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 NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

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

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más 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

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

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos Análisis de agrupamiento (o clusters) (Wilks, Cap. 14) Facultad de Ciencias Facultad de Ingeniería 2013 Objetivo Idear una clasificación o esquema de agrupación

Más detalles

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

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

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

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

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

Más detalles

Curso de Inteligencia Artificial

Curso de Inteligencia Artificial Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

CLASIFICACIÓN DE SEÑALES ELECTROMIOGRÁFICAS (EMG) PARA UNA PRÓTESIS DE MANO CARLOS MARIO BELALCÁZAR SANDOVAL ZULLY VIVIANA RENGIFO VARILA

CLASIFICACIÓN DE SEÑALES ELECTROMIOGRÁFICAS (EMG) PARA UNA PRÓTESIS DE MANO CARLOS MARIO BELALCÁZAR SANDOVAL ZULLY VIVIANA RENGIFO VARILA CLASIFICACIÓN DE SEÑALES ELECTROMIOGRÁFICAS (EMG) PARA UNA PRÓTESIS DE MANO CARLOS MARIO BELALCÁZAR SANDOVAL ZULLY VIVIANA RENGIFO VARILA UNIVERSIDAD DEL CAUCA FACULTAD DE INGENIERÍA ELECTRÓNICA Y TELECOMUNICACIONES

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

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

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

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

Algoritmos. Jordi Gironés Roig PID_00197284

Algoritmos. Jordi Gironés Roig PID_00197284 Algoritmos Jordi Gironés Roig PID_00197284 CC-BY-NC-ND PID_00197284 Algoritmos Los textos e imágenes publicados en esta obra están sujetos excepto que se indique lo contrario a una licencia de Reconocimiento-NoComercial-SinObraDerivada

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

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

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más 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

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

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 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

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

Tema 8 Sistemas de Análisis

Tema 8 Sistemas de Análisis Tema 8 Sistemas de Análisis 8.1. Introducción Los sistemas de análisis automático basados en técnicas modernas de análisis de patrones comienzan a desarrollarse a mediados de la década de 1960. El objetivo

Más detalles

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado

Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Facultad de Ciencias Económicas Universidad Nacional de Córdoba Carrera de Doctorado Materia: Estadística Aplicada a la Investigación Profesora: Dra. Hebe Goldenhersh Octubre del 2002 1 Determinación de

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

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

Más detalles

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera

Más detalles

Aportaciones al Diagnóstico de Cáncer Asistido por Ordenador

Aportaciones al Diagnóstico de Cáncer Asistido por Ordenador UNIVERSIDAD POLITÉCNICA DE VALENCIA Departamento de Sistemas Informáticos y Computación Borrador de Tesis Mayo de 2006 Aportaciones al Diagnóstico de Cáncer Asistido por Ordenador Presentado por: Rafael

Más detalles

3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF

3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF 3. Selección y Extracción de características Selección: - óptimos y subóptimos Extracción: -PCA - LDA - ICA -NMF 1 Selección de Características Objetivo: Seleccionar un conjunto de p variables a partir

Más detalles

MAPAS AUTOORGANIZATIVOS Y MODELOS SIMILARES

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

Más detalles

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

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

Clasificación y reconocimiento de patrones. Estado del arte en remote sensing

Clasificación y reconocimiento de patrones. Estado del arte en remote sensing CAPITULO 4 Clasificación y reconocimiento de patrones. Estado del arte en remote sensing 4.1. Definiciones y conceptos Como ya se ha mencionado, con el incremento de la capacidad, la velocidad y las ventajas

Más detalles

SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL

SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL SISTEMAS DE SEGURIDAD DE RECONOCIMIENTO FACIAL INTRODUCCIÓN Los sistemas de reconocimiento facial son sistemas de seguridad basados en aplicaciones que detectan e identifican automáticamente rostros humanos.

Más detalles

Minería de Datos en Observatorios Virtuales

Minería de Datos en Observatorios Virtuales Aprendizaje Estadístico L.M. Sarro 1 Universidad Nacional de Educación a Distancia Departmento de Inteligencia Artificial Abril de 2006 / 1 a Reunión de la Red Temática SVO Outline 1 Clasificación Supervisada

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

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Análisis de componentes principales

Análisis de componentes principales Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los

Más 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

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

4. MÉTODOS DE CLASIFICACIÓN

4. MÉTODOS DE CLASIFICACIÓN 4. MÉTODOS DE CLASIFICACIÓN Una forma de sintetizar la información contenida en una tabla multidimensional (por ejemplo una tabla léxica agregada), es mediante la conformación y caracterización de grupos.

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

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/ Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy

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

Términos Generales Algorithms, Documentation, Human Factors, Languages.

Términos Generales Algorithms, Documentation, Human Factors, Languages. Reconocimiento Óptico de Caracteres (OCR) Carlos Javier Sánchez Fernández Ingeniería de telecomunicaciones Universidad Carlos III Av. De la Universidad, 30 28911 Leganés (Madrid) cjsanchez@tsc.uc3m.es

Más detalles

Vectores en el espacio

Vectores en el espacio Vectores en el espacio Un sistema de coordenadas tridimensional se construye trazando un eje Z, perpendicular en el origen de coordenadas a los ejes X e Y. Cada punto viene determinado por tres coordenadas

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

El Detector de Caras del Portero Automático

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

Más detalles

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

2 Resolución de algunos ejemplos y ejercicios del tema 2.

2 Resolución de algunos ejemplos y ejercicios del tema 2. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES Y. Sossa, G. Osorio, F. Prieto, F. Angulo Grupo de Percepción

Más detalles

Minera de datos aplicada a la detección de Cáncer de Mama

Minera de datos aplicada a la detección de Cáncer de Mama Minera de datos aplicada a la detección de Cáncer de Mama Eugenio Hernández Martínez Universidad Carlos III de Madrid 100039081@alumnos.uc3m.es Rodrigo Lorente Sanjurjo Universidad Carlos III de Madrid

Más detalles

Deep Learning y Big Data

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

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Emmanuel Anguiano-Hernández Abril 29, 2009 Abstract Tratando de mejorar el desempeño de un clasificador Naive

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA Dentro del campo general de la teoría de la optimización, también conocida como programación matemática conviene distinguir diferentes modelos de optimización.

Más detalles

Clasificación Bayesiana de textos y páginas web

Clasificación Bayesiana de textos y páginas web Clasificación Bayesiana de textos y páginas web Curso de doctorado: Ingeniería Lingüística aplicada al Procesamiento de Documentos Víctor Fresno Fernández Introducción Enorme cantidad de información en

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

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

MÁQUINAS DE VECTORES DE SOPORTE

MÁQUINAS DE VECTORES DE SOPORTE MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

Más detalles

Secretaría de Docencia Dirección de Estudios Profesionales

Secretaría de Docencia Dirección de Estudios Profesionales PROGRAMA DE ESTUDIO POR COMPETENCIAS VISIÓN ARTIFICIAL I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Área de docencia: Interacción Hombre-Máquina Año de aprobación

Más detalles

PROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.

PROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2. PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.

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

Inteligencia Artificial para desarrolladores Conceptos e implementación en C#

Inteligencia Artificial para desarrolladores Conceptos e implementación en C# Introducción 1. Estructura del capítulo 19 2. Definir la inteligencia 19 3. La inteligencia de los seres vivos 22 4. La inteligencia artificial 24 5. Dominios de aplicación 26 6. Resumen 28 Sistemas expertos

Más detalles

Una validación de la interpretación no causal del análisis factorial

Una validación de la interpretación no causal del análisis factorial Una validación de la interpretación no causal del análisis factorial José Antonio Pérez-Gil y Rafael Moreno Rodríguez Es muy frecuente asumir que los factores comunes obtenidos en el Análisis Factorial

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

ANÁLISIS DE ENCUESTAS

ANÁLISIS DE ENCUESTAS ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

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

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)

Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le

Más detalles

15 ESTADÍSTICA BIDIMENSIONAL

15 ESTADÍSTICA BIDIMENSIONAL ESTADÍSTICA BIDIMENSINAL EJERCICIS PRPUESTS. Copia y completa la siguiente tabla. A B C Total A B C Total a 4 b c 0 7 Total 7 6 a 4 b c 4 3 0 7 Total 7 6 3 6 a) Qué porcentaje de datos presentan la característica

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1

ÍNDICE. Introducción... Capítulo 1. El concepto de Data Mining... 1 ÍNDICE Introducción... XV Capítulo 1. El concepto de Data Mining... 1 Introducción... 1 Una definición de Data Mining... 3 El proceso de Data Mining... 6 Selección de objetivos... 8 La preparación de los

Más detalles

ANALISIS MULTIVARIANTE

ANALISIS MULTIVARIANTE ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:

Distribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema: Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz

Más detalles

Construcción de un árbol balanceado de subclasificadores para SVM multi-clase

Construcción de un árbol balanceado de subclasificadores para SVM multi-clase Construcción de un árbol balanceado de subclasificadores para SVM multi-clase Waldo Hasperué 1,2, Laura Lanzarini 1, 1 III-LIDI, Facultad de Informática, UNLP 2 Becario CONICET {whasperue, laural}@lidi.info.unlp.edu.ar

Más detalles

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani

Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles