Tema 5. Reconocimiento de patrones
|
|
- Mario Espinoza Maldonado
- hace 8 años
- Vistas:
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
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 detallesFundamentos 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 detallesCLASIFICACIÓN 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 detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesCLUSTERING 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 detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesMINERIA 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 detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesSistemas 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 detallesSISTEMAS 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 detalles5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis
5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detallesCAPÍTULO 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 detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detalles1.1. 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 detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesAprendizaje 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 detallesAnálisis 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 detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesEnfoque propuesto para la detección del humo de señales de video.
Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera
Más detallesSEGURIDAD Y PROTECCION DE FICHEROS
SEGURIDAD Y PROTECCION DE FICHEROS INTEGRIDAD DEL SISTEMA DE ARCHIVOS ATAQUES AL SISTEMA PRINCIPIOS DE DISEÑO DE SISTEMAS SEGUROS IDENTIFICACIÓN DE USUARIOS MECANISMOS DE PROTECCIÓN Y CONTROL INTEGRIDAD
Más detallesTABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.
TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.
Más detallesMÁQUINAS 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 detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesSe podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.
Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción
Más detallesPROBLEMA 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 detallesANALISIS 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 detallesMODELOS DE RECUPERACION
RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesCAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)
CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesTema 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 detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesCómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1
. ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio
Más detallesMAPAS 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 detallesEjercicios de Trigonometría
Ejercicios de Trigonometría 1) Indica la medida de estos ángulos en radianes: a) 0º b) 45º c) 60º d) 120º Recuerda que 360º son 2π radianes, con lo que para hacer la conversión realizaremos una simple
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesAnálisis de propuestas de evaluación en las aulas de América Latina
Esta propuesta tiene como objetivo la operatoria con fracciones. Se espera del alumno la aplicación de un algoritmo para resolver las operaciones. Estas actividades comúnmente presentan numerosos ejercicios
Más detallesClasificación de métricas.
Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesTEMA 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 detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
Más detallesVisión 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 detallesNIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING
ETAPA: FORMACIÓN PROFESIONAL DEPARTAMENTO DE COMERCIO NIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING MATERIA: POLITICAS DE MARKETING OBJETIVOS - Analizar los precios y costes de productos, relacionando
Más detallesBase de datos en Excel
Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de
Más detalles6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS
6 ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS Esquema del capítulo Objetivos 6.1. 6.. 6.3. 6.4. ANÁLISIS DE INDEPENDENCIA O ASOCIACIÓN ENTRE DOS ATRIBUTOS COEFICIENTES DE CONTINGENCIA LA
Más detallesMuchas veces hemos visto un juego de billar y no nos percatamos de los movimientos de las bolas (ver gráfico 8). Gráfico 8
Esta semana estudiaremos la definición de vectores y su aplicabilidad a muchas situaciones, particularmente a las relacionadas con el movimiento. Por otro lado, se podrán establecer las características
Más detallesDistribuciones 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 detalles3. 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 detallesVectores 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 detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detalles1. 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 detallesESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA
ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA Autores: Noemí Díaz Matas; Carlos Martín Saborido; Raquel Díaz-Meco Conde; Silvia
Más detallesTitulo del Elemento. Soluciones Innovadoras para el Éxito de su Negocio
Titulo del Elemento Soluciones Innovadoras para el Éxito de su Negocio Soluciones Bien Pensadas Quiénes somos? EDUCACIÓN AGRO- INDUSTRIA ELÉCTRICO COMERCIO INDUSTRIAL GREMIAL Y SOLIDARIO SALUD SERVICIOS
Más detallesBase de datos II Facultad de Ingeniería. Escuela de computación.
Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,
Más detallesCapitulo V Administración de memoria
Capitulo V Administración de memoria Introducción. Una de las tareas más importantes y complejas de un sistema operativo es la gestión de memoria. La gestión de memoria implica tratar la memoria principal
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesQ-flow Patrones básicos de Workflow
How to Q-flow Patrones básicos de Workflow Versión: 2.0 Fecha de publicación 28-03-2011 Aplica a: Q-flow 3.0 y Q-flow 3.1 Índice Introducción... 3 Patrones de control... 4 Patrón: Secuencia... 4 Patrón:
Más detallesEXPRESIONES ALGEBRAICAS. POLINOMIOS
EXPRESIONES ALGEBRAICAS. POLINOMIOS 1. EXPRESIONES ALGEBRAICAS. Estas expresiones del área son expresiones algebraicas, ya que además de números aparecen letras. Son también expresiones algebraicas: bac,
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesTema IV. Unidad aritmético lógica
Tema IV Unidad aritmético lógica 4.1 Sumadores binarios 4.1.1 Semisumador binario (SSB) 4.1.2 Sumador binario completo (SBC) 4.1.3 Sumador binario serie 4.1.4 Sumador binario paralelo con propagación del
Más detallesControl Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
Más detallesAula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Más detallesUnidad 5 Utilización de Excel para la solución de problemas de programación lineal
Unidad 5 Utilización de Excel para la solución de problemas de programación lineal La solución del modelo de programación lineal (pl) es una adaptación de los métodos matriciales ya que el modelo tiene
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesUNIDAD I NÚMEROS REALES
UNIDAD I NÚMEROS REALES Los números que se utilizan en el álgebra son los números reales. Hay un número real en cada punto de la recta numérica. Los números reales se dividen en números racionales y números
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesunderstanding documents Digitalización y Captura Inteligente de Documentos
Digitalización y Captura Inteligente de Documentos Mayo 2013 Poder mantener accesibles los documentos desde cualquier punto del planeta y utilizar la información contenida en ellos se ha vuelto crítico
Más detalles_ Antología de Física I. Unidad II Vectores. Elaboró: Ing. Víctor H. Alcalá-Octaviano
24 Unidad II Vectores 2.1 Magnitudes escalares y vectoriales Unidad II. VECTORES Para muchas magnitudes físicas basta con indicar su valor para que estén perfectamente definidas y estas son las denominadas
Más detallesVersión final 8 de junio de 2009
GRUPO DE EXPERTOS «PLATAFORMA PARA LA CONSERVACIÓN DE DATOS ELECTRÓNICOS PARA CON FINES DE INVESTIGACIÓN, DETECCIÓN Y ENJUICIAMIENTO DE DELITOS GRAVES» ESTABLECIDO POR LA DECISIÓN 2008/324/CE DE LA COMISIÓN
Más detalleswww.gtbi.net soluciones en Fotogrametría Digital El software de análisis más potente basado en objetos de datos geoespaciales. Fotogrametría Digital
soluciones en Fotogrametría Digital El software de análisis más potente basado en objetos de datos geoespaciales. Fotogrametría Digital www.gtbi.net LA MANERA DE ENTENDER EL MUNDO ESTÁ CAMBIANDO El usuario
Más detallesMétodos Iterativos para Resolver Sistemas Lineales
Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas, CCIR/ITESM 17 de julio de 2009 Índice 3.1. Introducción............................................... 1 3.2. Objetivos................................................
Más detallesÍNDICE 1. INTRODUCCIÓN... 4 2. PARTICIPANTES... 5. 2.1. Participantes por sector... 5. 2.2. Participantes por edad... 6
INFORME DE RESULTADOS DEL ESTUDIO DE SATISFACCIÓN DE USUARIOS UNIVERSIDAD DE ALMERÍA 2012 SERVICIO DE PLANIFICACIÓN, EVALUACIÓN Y CALIDAD CALIDAD DE LOS SERVICIOS ENERO 2013 ÍNDICE 1. INTRODUCCIÓN...
Más detallesPrimer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso
Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1
Más detallesFinanzas de Empresas Turísticas
Finanzas de Empresas Turísticas Prof. Francisco Pérez Hernández (f.perez@uam.es) Departamento de Financiación e Investigación de la Universidad Autónoma de Madrid 1 Departamento de Financiación e Investigación
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesDATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT
DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza
Más detallesEL MODELO DE DATOS RASTER
EL MODELO DE DATOS RASTER El modelo de datos raster, como señala Bosque (1992), es el modelo de datos complementario al modelo vectorial presentado anteriormente. Tiene como principal característica el
Más detallesPresentaciones. Con el estudio de esta Unidad pretendemos alcanzar los siguientes objetivos:
UNIDAD 8 Presentaciones Reunión. (ITE. Banco de imágenes) as presentaciones son documentos formados por una sucesión de páginas, llamadas diapositivas, que transmiten información estructurada de manera
Más detallesCAPITULO VI EVALUACION DEL DESEMPEÑO
CAPITULO VI EVALUACION DEL DESEMPEÑO La evaluación del desempeño es el proceso mediante el cual se estima el rendimiento global del empleado. Se pretende conocer las fortalezas y debilidades del personal
Más detallesCentro de Capacitación en Informática
Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.
Más detallesEvaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial
Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de
Más detallesPortafolio de Servicios y Productos
Portafolio de Servicios y Productos Introducción Somos una empresa que se dedica a generar ventajas competitivas para nuestros clientes a través de desarrollos y consultoría en inteligencia de negocios
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesEste documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales.
Este documento ha sido generado para facilitar la impresión de los contenidos. Los enlaces a otras páginas no serán funcionales. Introducción Por qué La Geometría? La Geometría tiene como objetivo fundamental
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesESTRUCTURA DE DATOS: ARREGLOS
ESTRUCTURA DE DATOS: ARREGLOS 1. Introduccion 2. Arreglos - Concepto - Caracteristicas 3. Arreglos Unidimensionales 4. Arreglos Bidimensionales 5. Ventajas del uso de arreglos 6. Ejemplo 1. Introducción
Más detallesINTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA)
INTELIGENCIA DE NEGOCIO (MASTER UNIVERSITARIO EN INGENIERÍA INFORMÁTICA) 1.- Datos de la Asignatura Código 302436 Plan 2014 ECTS 3 Carácter OPCIONAL Curso 1º Periodicidad 2er SEMESTRE Área Departamento
Más detalles