Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés
|
|
- Dolores Hernández Ojeda
- hace 8 años
- Vistas:
Transcripción
1 Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica y Electrónica Coordinación de Ciencias Computacionales Luis Enrique Erro No Tonantzintla, Puebla, México {amaro, kargaxxi}@inaoep.mx Resumen. En este documento se presentan los experimentos y resultados obtenidos en la clasificación del llanto de bebés usando diversos clasificadores, entre ellos, los ensambles. Se clasificaron tres tipos de llanto: normales (sin patología detectada), hipoacúsicos, i.e, sordos y asfixia. Los vectores característicos se formaron mediante la extracción de coeficientes cepstrales de frecuencia de Mel (MFCC), éstos fueron procesados y reducidos mediante la aplicación de cinco operaciones estadísticas: mínimo, máximo, promedio, desviación estándar y varianza. Para la clasificación se utilizaron métodos supervisados como Maquinas de Soporte Vectorial, Redes Neuronales, J48, Forest y Naive Bayes. Los ensambles utilizados fueron combinaciones de estos bajo diferentes enfoques como Voto Mayoritario,, Bagging y Boosting. En todos los clasificadores se utilizó la técnica 10-fold cross validation para evaluar la precisión. Palabras Clave: Llanto de bebé, Clasificación, Ensambles, Reducción de datos, Operaciones Estadísticas. 1 Introducción El llanto es el medio de comunicación que tienen los bebés para expresar sus necesidades y sentimientos. Desde hace varios años se han realizado estudios que demuestran que el análisis del llanto es una herramienta útil para determinar el estado anímico y fisiológico del bebé, y aún más, el llanto es portador de información para poder detectar patologías relacionadas con el sistema nervioso central [1]. El detectar patologías que no son perceptibles a simple vista desde edades tempranas es de vital importancia para diagnosticar y dar un tratamiento adecuado como lo es el caso de bebés hipoacúsicos, i.e, bebés sordos. La asfixia es otro tipo de problema que se presenta en bebés recién nacidos y es de mucha importancia detectar este tipo de patología, ya que la falta de una oxigenación adecuada del cerebro puede tener consecuencias permanentes a nivel neuro-fisiológico.
2 Actualmente existe una gran cantidad de clasificadores, y día a día surgen nuevas propuestas. Una de las alternativas que en los últimos años ha despertado mucho interés es el uso de los ensambles de clasificadores, los cuales, en ciertos dominios han demostrado obtener resultados superiores al uso de un solo clasificador. En este trabajo, se realiza una comparación de resultados utilizando ambos enfoques para clasificar tres tipos de llanto: normal, sordos y asfixia. La reducción de datos sin perdida de información relevante es otro de los aspectos importantes que se abordan en este trabajo. La reducción se lleva a cabo mediante cinco operaciones estadísticas, reduciendo significativamente el tamaño de los vectores de 304 atributos a sólo 5 características estadísticas. Las pruebas se llevaron a cabo utilizando WEKA 3-4 para los clasificadores y para la reducción de los datos por operaciones estadísticas se usó MatLab Proceso de Reconocimiento Automático del Llanto de Bebés El reconocimiento automático del llanto de bebés, ha sido tratado de manera similar al proceso de reconocimiento del habla [2,3]. Este proceso, de manera general, puede ser visto en tres fases, la primera, donde se realiza el procesamiento de la señal y se obtienen los vectores característicos, en la segunda fase (opcional) se realiza una reducción de los vectores para eliminar datos redundantes y que no aportan información importante, y finalmente, la tercera fase donde se identifica el tipo de llanto mediante un clasificador, la Figura 1 muestra este proceso. Señal de Llanto Procesamiento de la señal Obtención de vectores característico Reducción de datos Clasificación Tipo de Llanto Figura 1. Proceso de Reconocimiento Automático de Llanto de Bebé. 2.1 Fase de Procesamiento de la Señal Para los experimentos, en la fase de procesamiento, cada señal fue dividida en segmentos de 1seg. De cada segmento se hizo a la vez una subdivisión en ventanas de 50ms generando 20 ventanas por cada segundo. Posteriormente, por cada ventana se extrajeron 16 coeficientes MFCC s, dando un total de 16x20=320 coeficientes por cada vector, de los cuales se decidió no tomar en cuenta los obtenidos por la última ventana, por lo que los vectores finales tuvieron 16x19=304 coeficientes por cada segundo de grabación, el proceso se ilustra en la Figura 2. Los tamaños de las matrices para cada tipo de llanto que se generaron fueron: llanto tipo normal 507x305, llanto tipo sordos 879x305 y llanto tipo asfixia 340x305. Donde al agregar la etiqueta de la clase, finalmente cada vector quedó con 305 atributos.
3 2.1.1 Obtención de Vectores Característicos MFCC Los coeficientes cepstrales Mel, tienen relación con las características de la excitación y del tracto vocal. La excitación es conocida como la parte de la información del locutor que está en las cuerdas vocales y las características del tracto vocal se refieren al filtro que lo modela. Los coeficientes cepstrales de frecuencia Mel son comúnmente usados en muchos sistemas de reconocimiento del habla. Adicionalmente, el espectro representado por los coeficientes, tiene una frecuencia similar a la del oído humano, la cual es más sensible a ciertas frecuencias que a otras. De esta manera, lo que se obtiene es una aproximación a la forma en que el oído percibe los sonidos. Al final del procesamiento se generan vectores numéricos que describen la señal del llanto y forman el conjunto de muestras necesarias en la siguiente fase. Llantos Grabados. Extracción de Características Vectores de Coeficientes Extraídos Segmentos de 1seg. Ventanas de 50ms Figura 2. Proceso de Extracción de Características. 2.2 Fase de Reducción de los Datos Aplicando Operaciones Estadísticas La técnica de reducción de datos que se utilizó es relativamente simple en comparación con otras técnicas y, probablemente no sea una técnica que funcione para cualquier tipo de datos. Lo que se busca principalmente al realizar una reducción es preservar la información más relevante, de tal manera que los datos resultantes sean lo más representativos de los originales. En este sentido, las operaciones estadísticas como mínimo, máximo, promedio, desviación estándar y varianza, son operaciones que al aplicarlas sobre un conjunto de datos se obtiene como resultado un único valor global representativo por cada operación. Estas operaciones por si solas no serían capaces de representar a todo el conjunto de datos. Sin embargo, su combinación sí permite obtener una representación global de ellos. Cada operación estadística fue aplicada a cada uno de los vectores tomando 304 atributos numéricos, obteniendo como resultado un único valor global representativo de esos datos. El tamaño final del vector reducido, es entonces, igual al número de operaciones aplicadas, en este caso 5 atributos que representan a cada una de las operaciones.
4 2.3 Fase de Clasificación El conjunto de vectores característicos fue dividido en dos subconjuntos, entrenamiento y prueba. Primero, el subconjunto de entrenamiento se emplea para que el clasificador aprenda a distinguir entre los diferentes tipos de llanto. Una vez que el clasificador concluyó el aprendizaje, el conjunto de prueba es usado para determinar que tan bien asigna la clase correspondiente a cada uno de los elementos del subconjunto de prueba por medio de una regla de predicción generada durante el entrenamiento. La Figura 3 muestra el proceso general de esta fase. Conjunto de Vectores Característicos Entrenamiento Clasificación Predicción del Tipo de llanto Prueba Figura 3. Fase de Clasificación Clasificadores A continuación, se describen brevemente algunas características de los métodos que obtuvieron mejores resultados en la clasificación. Red Neuronal (Backpropagation) La arquitectura de la red más comúnmente utilizada conjuntamente con el algoritmo backpropagation es la red feedforward multicapa, la cual, emplea el descenso del gradiente para intentar minimizar el error cuadrado entre los valores de salida de la red y los valores meta. El proceso de entrenamiento de una red backpropagation involucra tres fases: la feedforward de los patrones de entrenamiento de entrada, el cálculo y la propagación inversa del error asociado, y el ajuste de los pesos [2]. SMO Sequential Minimal Optimization (SMO) es un método rápido para entrenamiento de máquinas de soporte vectorial (SVMs). El entrenamiento de una SVM requiere la solución a un gran problema de programación cuadrática (QP). SMO particiona este gran problema en una serie de problemas más pequeños QP. Estos problemas más pequeños son resueltos de forma analítica, lo cual reduce significativamente el tiempo del ciclo interno de procesamiento. La cantidad de memoria requerida para SMO es lineal en el tamaño del conjunto de entrenamiento, lo cual permite entrenar con grandes conjuntos de datos [4].
5 2.3.1 Ensambles La idea básica es correr un clasificador(es) varias veces y combinar los resultados para obtener un mejor resultado final. Bagging El algoritmo de Bagging genera clasificadores de varias muestras de los ejemplos. Esto funciona especialmente para algoritmos de aprendizaje inestables (cambian mucho sus estructuras al cambiar un poco los ejemplos), por ejemplo, los árboles de decisión. Una muestra de ejemplos se genera al muestrear uniformemente m instancias del conjunto de entrenamiento con reemplazo. Se generan T muestras, B 1, B T y se construye un clasificador C i para cada muestra. Con estos, se construye un clasificador final C* de todos los C 1 a C T cuya salida es la salida mayoritaria de los clasificadores [5]. Boosting Boosting genera un conjunto de clasificadores secuencialmente (Bagging los puede generar en paralelo). A todos los ejemplos les asigna inicialmente un peso igual a 1. Cada vez que se genera un clasificador se cambian los pesos de los nuevos ejemplos usados para el siguiente clasificador. La idea es forzar al nuevo clasificador a minimizar el error esperado. Para esto, se les asigna más peso a los ejemplos mal clasificados y menos a los bien clasificados. El clasificador final se forma usando un esquema de votación pesado que depende del desempeño de cada clasificador en su conjunto de entrenamiento [5]. Voto Mayoritario Cada clasificador genera un voto para una predicción de la clase; la predicción que tenga más votos será el resultado final. Construye un conjunto de modelos usando diferentes algoritmos de aprendizaje. Para producir una clasificación utiliza un meta-algoritmo (meta learner) que aprende de acuerdo a las salidas de los clasificadores base. En resumen, se construyen N clasificadores a partir de los datos usando algoritmos diferentes. Las salidas de los clasificadores se usan como atributos de un nuevo clasificador. Para estimar el desempeño de cada clasificador se puede usar validación cruzada [6]. 3 Implementación Para realizar la reducción de vectores con 304 atributos a 5 atributos, se aplicaron cinco operaciones estadísticas sobre cada vector. Una vez generadas las matrices reducidas, se formaron 3 grupos de datos de la siguiente manera: se seleccionaron 200 y 340 vectores estadísticos de cada tipo de llanto de manera aleatoria, formando los grupos A y B respectivamente. Se formó un grupo C mediante la selección aleatoria de 200 vectores de cada tipo de llanto sin reducción, ver detalles en Tabla 1.
6 Datos No. Muestras No. Muestras No. Muestras Tamaño de la reducidos llanto normal llanto sordos llanto asfixia matriz generada A Sí x6 B Sí x6 C No x305 Tabla 1. Conjuntos de datos generados. 4 Pruebas y Resultados Experimentales Las pruebas se llevaron a cabo con WEKA 3-4, el cual implementa cada uno de los clasificadores y ensambles empleados. Los resultados se presentan de la siguiente forma: usando sólo un clasificador en Tabla 2 y con ensambles en las Tablas 3 y 4. Por espacio, sólo se muestran algunos resultados de todas las combinaciones con ensambles que se probaron. Clasifica dor A B C Num, Clase normal Num. Clase sordos Num. Clase asfixia A B C A B C A B C Naive % 85.83% Bayes SMO 89.67% 90.78% 91.67% Neural 91.67% 91.86% 90.83% Network 90.3% 91.37% 89% Forest J48 89% 90.88% 83.5% Tabla 2. Resultados utilizando un solo clasificador. Ensamble A B Clase normal Clase sordos Clase asfixia A B A B A B : Neural 91.66% 92.94% N, SMO, Forest : Naive 91.83% 90.39% Bayes, Forest, SMO. AdaBoost: SMO 89.83% 74.01% AdaBoost: 90.5% 92.54% Forest AdaBoost: 91.66% 91.27% Neural N. Bagging: J % 92.45% Vote: Neural N, Forest 91.66% 93.23% Tabla 3. Resultados utilizando ensambles en los conjuntos de datos A y B.
7 Ensamble de Datos C Clase normal Clase sordos Clase asfixia Vote: Naive Bayes, J % : SMO, J % Vote: SMO, Forest 91.66% Tabla 4. Ensambles utilizando el conjunto de datos C. Las configuraciones empleadas para los clasificadores se aplicaron con los valores por defecto que maneja WEKA, excepto en la Red Neuronal (Backpropagation) la cual cambiaron los siguientes parámetros: tasa de aprendizaje de 0.3 a 0.05 para tener un buen aprendizaje de la red, aunque más lento, sin embargo fue compensado al disminuir el número de épocas de entrenamiento de 500 a Análisis de Resultados Al utilizar un solo clasificador, los mejores resultados se obtuvieron al utilizar la Red Neuronal con un 91.67% de clasificación correcta para el conjunto A, y un 91.86% para el conjunto B, ambos conjuntos de datos formados por características estadísticas. Para el conjunto C el mejor resultado fue 91.67% y se obtuvo al utilizar SMO, el cual logro clasificar el 100% de la clase sordos. Se observó que, al utilizar toda la información (vectores sin reducción) no se obtuvo mayor precisión, en el mejor de los casos se logro igualar el resultado, y en ningún caso se superaron los resultados globales obtenidos usando los grupos de datos A ó B. Con ensambles, se observa que, para el conjunto A se obtuvo un 91.83% como valor más alto, superando por muy poco al resultado con un solo clasificador. La mayor diferencia estuvo con el ensamble Red Neuronal y Forest usando el enfoque Voto Mayoritario (Vote), donde se obtuvo un 93.23% de clasificación correcta superando al 91.83% que se había logrado con un solo clasificador. A pesar de que el tiempo de entrenamiento y pruebas no fue cronometrado, se hace mención que los ensambles requirieron mucho mayor tiempo de cómputo. Para el conjunto C, no fue posible efectuar pruebas con Bagging y Boosting, ya que ambos saturaron la memoria asignada para sus procesos. Vote y también requirieron un mayor tiempo con el conjunto C. Sin embargo, fue posible obtener algunos resultados, ver Tabla 4, los cuales en ningún caso lograron superar el resultado de SMO con 91.67%. Clase Normal Sordos Asfixia A B C A B C A B C Clasific ador Forest 170 Forest 295 SMO 169 Neural N. 197 Neural N. 337 SMO 200 Neural N. 193 Neural N. 319 Naive Bayes. 184 Ensam ble Adaboost ( Forest) 170 Adaboost (SMO) 312 (SMO, J48) 169 (Neural, SMO, F) 198 (Neural, SMO, F) 339 (SMO, J48) 200 Adaboost (Neural N) 194 Vote(Ne ural N, F) 322 Tabla 5. Mejores clasificadores y ensambles por número de aciertos para cada clase. Vote( SMO, F) 183
8 La Tabla 5 nos permite hacer una comparación de los clasificadores y ensambles que obtuvieron menos errores en la clasificación por cada una de las clases y grupos de datos. Se puede observar en la tabla que, en casi todos los ensambles se incluye el clasificador que obtuvo el mejor resultado de manera individual y además, el número de aciertos por clase en los ensambles es mayor, en la mayoría de los casos. 5 Conclusiones y Trabajo Futuro Cuando el tiempo no es algo primordial, los ensambles de clasificadores algunas veces ayudan a mejorar los resultados. La selección de clasificadores para formar ensambles, se basó en la observación de los resultados previos con un solo clasificador, es decir, se eligieron los clasificadores que obtuvieron mejores resultados individualmente, por ejemplo, Red Neuronal y Forest, y se comprobó que al usarlos conjuntamente en un ensamble, se mejoró el resultado obtenido de manera individual. Se exploró la reducción de datos mediante operaciones estadísticas obteniendo resultados favorables, lo cual, permite considerar este método como una alternativa de reducción de datos sencillo y rápido, dentro del proceso de reconocimiento del llanto de bebés, comparándolo contra otros métodos como análisis de componentes principales, empleado en otros trabajos [1,3] donde se requiere un mayor tiempo de análisis y pruebas para determinar el número de componentes necesarios para mantener la información relevante, y en consecuencia buenos resultados en la clasificación del llanto. Los algoritmos que tuvieron mejores resultados en la clasificación individual fueron: Red Neuronal, Forest y SMO. Sin embargo, Naive Bayes y J48 fueron muy rápidos y los resultados obtenidos también fueron buenos. En general, el mejor conjunto de datos fue el conjunto B, lo cual muestra que el tener más ejemplos para entrenar también ayuda a mejorar los resultados. Como trabajo futuro, se planea aplicar otras técnicas de reducción de atributos y comparar los resultados con los obtenidos en este trabajo. Además, probar otros clasificadores, generar otros ensambles, ajustar parámetros y tratar de mejorar los resultados obtenidos. Referencias [1] Wasz-Hockert O., Lind J., Vuorenkoski V., Partanen T., Valanne E., El Llanto en el Lactante y su Significación Diagnóstica, Editorial Científico Médica, España, [2] Orozco J., Extracción y Análisis de Características Acústicas del Llanto de Bebés para su Reconocimiento Automático Basado en Redes Neuronales, Tesis de Maestría, Instituto Nacional de Astrofísica Óptica y Electrónica, [3] Barajas S. E., Clasificación de Llanto Infantil, Tesis de Maestría, Instituto Nacional de Astrofísica Óptica y Electrónica, [4] Platt J.C., Fast Training of Support Vector Machines using Sequential Minimal Optimization, Microsoft Research, EUA, [5] Eric Bauer, Ron Kohavi, An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants, Machine Learning, 36, , Kluwer Academic Publishers, Boston, [6] Morales, E., Notas para el curso Aprendizaje Automático II, Instituto Nacional de Astrofísica Óptica y Electrónica, Sitio Web:
7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más 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 6 SIMULACIONES Y RESULTADOS
CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco
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 detallesGestión de Oportunidades
Gestión de Oportunidades Bizagi Suite Gestión de Oportunidades 1 Tabla de Contenido CRM Gestión de Oportunidades de Negocio... 4 Elementos del Proceso... 5 Registrar Oportunidad... 5 Habilitar Alarma y
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 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 detallesCAPÍTULO 2 DEFINICIÓN DEL PROBLEMA
CAPÍTULO 2 DEFINICIÓN DEL PROBLEMA En el capítulo anterior se describió la situación inicial en la que se encontraba la Coordinación de Cómputo Académico (CCA) del Departamento de Ingenierías (DI) de la
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesCRM Gestión de Oportunidades Documento de Construcción Bizagi Process Modeler
Bizagi Process Modeler Copyright 2011 - Bizagi Tabla de Contenido CRM- Gestión de Oportunidades de Venta... 4 Descripción... 4 Principales Factores en la Construcción del Proceso... 5 Modelo de Datos...
Más detallesInteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesEscogiendo un sistema host
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 402 Escogiendo un sistema host Generalidades Experiencia del proveedor
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
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 detallesModelo de estimación de speedup factor mediante umbralización en multicores asimétricos
Modelo de estimación de speedup factor mediante umbralización en multicores asimétricos Reporte Técnico Adrian Pousa 1 Juan Carlos Saez 1 Instituto de Investigación en Informática LIDI Argentina. Facultad
Más detallesINFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010
INFORME DE ANÁLISIS DE ENCUESTAS DE SATISFACCIÓN DE USUARIOS PERÍODO 2009-2010 UNIDAD FUNCIONAL DE TÉCNICOS DE LABORATORIOS DOCENTES UNIVERSIDAD PABLO DE OLAVIDE. SEVILLA Sevilla, Diciembre de 2010 1 1.
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
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 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 detallesGUIA SOBRE LOS REQUISITOS DE LA DOCUMENTACION DE ISO 9000:2000
1 INTRODUCCIÓN Dos de los objetivos más importantes en la revisión de la serie de normas ISO 9000 han sido: desarrollar un grupo simple de normas que sean igualmente aplicables a las pequeñas, a las medianas
Más detalles4 Teoría de diseño de Experimentos
4 Teoría de diseño de Experimentos 4.1 Introducción En los capítulos anteriores se habló de PLC y de ruido, debido a la inquietud por saber si en una instalación eléctrica casera que cuente con el servicio
Más detallesUna investigación australiana reveló que posiblemente la disminución
CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación
Más detallesANALIZANDO GRAFICADORES
ANALIZANDO GRAFICADORES María del Carmen Pérez E.N.S.P.A, Avellaneda. Prov. de Buenos Aires Instituto Superior del Profesorado "Dr. Joaquín V. González" Buenos Aires (Argentina) INTRODUCCIÓN En muchos
Más detallesRESULTADOS CONSULTA CIUDADANA VIRTUAL. Consulta Laboral en Línea
RESULTADOS CONSULTA CIUDADANA VIRTUAL Consulta Laboral en Línea Septiembre, 2015 1 Agradecimientos Ponemos a disposición de ustedes los resultados de la Consulta Ciudadana Virtual, efectuada en julio de
Más detallesTÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA
TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detalles2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com.
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 404 Diseño de segmento Generalidades Diseño para criticidad de lazo
Más detallesMEDICION DEL TRABAJO
MEDICION DEL TRABAJO Habíamos dicho al comenzar el curso que habían 4 técnicas que permiten realizar una medición del trabajo 1 Técnicas Directas: - Estudio de tiempos con cronómetro - Muestreo del trabajo
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detalles4. Programación Paralela
4. Programación Paralela La necesidad que surge para resolver problemas que requieren tiempo elevado de cómputo origina lo que hoy se conoce como computación paralela. Mediante el uso concurrente de varios
Más detallesGestión de la Configuración
Gestión de la ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ESTUDIO DE VIABILIDAD DEL SISTEMA... 2 ACTIVIDAD EVS-GC 1: DEFINICIÓN DE LOS REQUISITOS DE GESTIÓN DE CONFIGURACIÓN... 2 Tarea EVS-GC 1.1: Definición de
Más detallesNORMA INTERNACIONAL DE AUDITORÍA 520 PROCEDIMIENTOS ANALÍTICOS
NORMA INTERNACIONAL DE AUDITORÍA 520 PROCEDIMIENTOS ANALÍTICOS (NIA-ES 520) (adaptada para su aplicación en España mediante Resolución del Instituto de Contabilidad y Auditoría de Cuentas, de 15 de octubre
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
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 detalles4. METODOLOGÍA. 4.1 Materiales. 4.1.1 Equipo
4. METODOLOGÍA 4.1 Materiales 4.1.1 Equipo Equipo de cómputo. Para el empleo del la metodología HAZOP se requiere de un equipo de cómputo con interfase Windows 98 o más reciente con procesador Pentium
Más detallesInteroperabilidad de Fieldbus
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 201 Interoperabilidad de Fieldbus Generalidades Qué es interoperabilidad?
Más detallesUnidad 8. Estado de Perdidas y Ganancias o Estados de Resultados
Unidad 8 Estado de Perdidas y Ganancias o Estados de Resultados Al termino de cada ejercicio fiscal, a todo comerciante no solo le interesa conocer la situación financiera de su negocio, sino también el
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesFigura 4.1 Clasificación de los lenguajes de bases de datos
1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto Este capítulo describen los distintos lenguajes para bases de datos, la forma en que se puede escribir un lenguaje
Más detallesNaive 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 detalles6.4 ESTRATEGIAS DE PRUEBA
Prueba del sistema Prueba de validación Prueba de integración Prueba de Unidad Código Diseño Requisitos Ingeniería del Sistema Las pruebas del software aplican similar estrategia moviéndonos de adentro
Más detallesComo se mencionó en la parte de la teoría, no existe consenso en cuanto a la
4. Metodología Definición de empleo informal Como se mencionó en la parte de la teoría, no existe consenso en cuanto a la definición de empleo informal y diferentes estudios han utilizado matices distintas
Más detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
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 detallesSEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática
SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en
Más detallesDocumento del Banco Interamericano de Desarrollo. El Salvador. Iniciativa Salud Mesoamérica 2015 (ES-G1001) Análisis Costo Efectividad
Documento del Banco Interamericano de Desarrollo El Salvador Iniciativa Salud Mesoamérica 2015 (ES-G1001) Análisis Costo Efectividad Este documento fue preparado por: Rafael Villar Espinosa, rafavillar@me.com
Más detalles5.4. Manual de usuario
5.4. Manual de usuario En esta sección se procederá a explicar cada una de las posibles acciones que puede realizar un usuario, de forma que pueda utilizar todas las funcionalidades del simulador, sin
Más detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detallesNORMA INTERNACIONAL DE AUDITORÍA 520
NORMA INTERNACIONAL DE AUDITORÍA 520 PROCEDIMIENTOS ANALíTICOS (En vigor para auditorías de estados financieros por periodos que comiencen en, o después del, 15 de diciembre de 2004)* CONTENIDO Párrafo
Más detallesAdelacu Ltda. www.adelacu.com Fono +562-218-4749. Graballo+ Agosto de 2007. Graballo+ - Descripción funcional - 1 -
Graballo+ Agosto de 2007-1 - Índice Índice...2 Introducción...3 Características...4 DESCRIPCIÓN GENERAL...4 COMPONENTES Y CARACTERÍSTICAS DE LA SOLUCIÓN...5 Recepción de requerimientos...5 Atención de
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
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 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 detallesMODELOS DE INVENTARIO
MODELOS DE INVENTARIO Los modelos de inventarios son métodos que ayudan a reducir o minimizar los niveles de inventario requeridos en la producción. Existen varios métodos que nos ayudan a conseguir dicho
Más detallesFigure 7-1: Phase A: Architecture Vision
Fase A Figure 7-1: Phase A: Architecture Vision Objetivos: Los objetivos de la fase A son: Enfoque: Desarrollar una visión de alto nivel de las capacidades y el valor del negocio para ser entregado como
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 detallesCAPÍTULO 5 CONCLUSIONES Y RECOMENDACIONES
CAPÍTULO 5 CONCLUSIONES Y RECOMENDACIONES 5.1 Conclusiones Por medio de este análisis comparativo de estrategias de marketing se pudo observar que la rentabilidad de una compañía es, en parte, el reflejo
Más detallesÁlgebra lineal. Stanley I. Grossman. Esta sexta edición de Álgebra lineal ofrece nuevas características, y conserva la
Álgebra lineal Stanley I. Grossman Esta sexta edición de Álgebra lineal ofrece nuevas características, y conserva la estructura ya probada y clásica que tenía la quinta edición. Los estudiantes aprenden
Más detallesCadena de Valor y Estrategias Genéricas 1. Prof. Marcelo Barrios
Cadena de Valor y Estrategias Genéricas 1 1 Nota Técnica Preparada por el del Área de Política de Empresa de EDDE.. Primera versión: Noviembre 2001. Noviembre de 2003. 1 Cadena de Valor y Estrategias Genéricas
Más detallesCAPÍTULO 7 7. CONCLUSIONES
CAPÍTULO 7 7. CONCLUSIONES 7.1. INTRODUCCIÓN 7.2. CONCLUSIONES PARTICULARES 7.3. CONCLUSIONES GENERALES 7.4. APORTACIONES DEL TRABAJO DE TESIS 7.5. PROPUESTA DE TRABAJOS FUTUROS 197 CAPÍTULO 7 7. Conclusiones
Más detallesCapítulo VI. Conclusiones. En este capítulo abordaremos la comparación de las características principales y
Capítulo VI Conclusiones En este capítulo abordaremos la comparación de las características principales y de las ventajas cada tecnología Web nos ofrece para el desarrollo de ciertas aplicaciones. También
Más detallesGESTIÓN DE CLÍNICAS COLEGIO OFICIAL DE VETERINARIOS DE BIZKAIA
GESTIÓN DE CLÍNICAS COLEGIO OFICIAL DE VETERINARIOS DE BIZKAIA Memoria del proyecto ÍNDICE 1 - INTRODUCCIÓN... 3 2 - OBJETIVO Y ALCANCE... 4 3 - SOLUCIÓN FUNCIONAL IMPLANTADA... 5 3.1 SENCILLEZ DE USO...
Más detalles<Generador de exámenes> Visión preliminar
1. Introducción Proyecto Final del curso Técnicas de Producción de Sistemas Visión preliminar Para la evaluación de algunos temas de las materias que se imparten en diferentes niveles,
Más detalles5. Experimentos y Resultados
Experimentos y Resultados 52 5. Experimentos y Resultados Después de haber entrenado los modelos acústicos y los modelos del lenguaje para el reconocimiento de voz de niños, estas fuentes de conocimiento
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 detallesOperaciones Morfológicas en Imágenes Binarias
Operaciones Morfológicas en Imágenes Binarias Introducción La morfología matemática es una herramienta muy utilizada en el procesamiento de i- mágenes. Las operaciones morfológicas pueden simplificar los
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesIntroducción a la Firma Electrónica en MIDAS
Introducción a la Firma Electrónica en MIDAS Firma Digital Introducción. El Módulo para la Integración de Documentos y Acceso a los Sistemas(MIDAS) emplea la firma digital como método de aseguramiento
Más detallesDisposición complementaria modificada en Sesión de Directorio N 967.14 del 15 de diciembre de 2014.
Normas Complementarias Artículo 21 Disposición complementaria modificada en Sesión de Directorio N 967.14 del 15 de diciembre de 2014. VENTAS DESCUBIERTAS AL CONTADO CON ACCIONES Y VALORES REPRESENTATIVOS
Más detallesIV. Indicadores Económicos y Financieros
IV. Indicadores Económicos y Financieros IV. Indicadores Económicos y Financieros Los indicadores económicos - financieros expresan la relación entre dos o más elementos de los estados financieros. Son
Más detallesCapítulo 3. Estimación de elasticidades
1 Capítulo 3. Estimación de elasticidades Lo que se busca comprobar en esta investigación a través la estimación econométrica es que, conforme a lo que predice la teoría y lo que ha sido observado en gran
Más detallesPresentación de Pyramid Data Warehouse
Presentación de Pyramid Data Warehouse Pyramid Data Warehouse tiene hoy una larga historia, desde 1994 tiempo en el que su primera versión fue liberada, hasta la actual versión 8.00. El incontable tiempo
Más detallesMINISTERIO DEL INTERIOR Y DE JUSTICIA, MINISTERIO DE LA PROTECCIÓN SOCIAL Y DIRECCIÓN NACIONAL DE ESTUPEFACIENTES
1 MINISTERIO DEL INTERIOR Y DE JUSTICIA, MINISTERIO DE LA PROTECCIÓN SOCIAL Y DIRECCIÓN NACIONAL DE ESTUPEFACIENTES ESTUDIO NACIONAL DE CONSUMO DE DROGAS EN COLOMBIA RESUMEN EJECUTIVO Febrero 2009 2 En
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesRECOMENDACIONES DE INVESTIGACIÓN FUTURA.
Capítulo 6 CONCLUSIONES Y RECOMENDACIONES DE INVESTIGACIÓN FUTURA. 212 METODOLOGÍA PARA LA DETECCIÓN DE REQUERIMIENTOS SUBJETIVOS EN EL DISEÑO DE PRODUCTO. CAPÍTULO 6. CONCLUSIONES, APORTACIONES Y RECOMENDACIONES.
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 detallesISO 9001:2015 Comprender los cambios clave. Lorri Hunt
ISO 9001:2015 Comprender los cambios clave Lorri Hunt Exención de responsabilidad Si bien la información suministrada en esta presentación pretende explicar con precisión la actualización de la ISO 9001,
Más detallesCapítulo V APLICACIONES DE LAS FUNCIONES A LA ADMINISTRACIÓN
Capítulo V APLICACIOES DE LAS FUCIOES A LA ADMIISTRACIÓ 5.1 ITRODUCCIÓ: Muchos problemas relacionados con la administración, la economía y las ciencias afines, además de la vida real, requieren la utilización
Más detallesUnidad 1. Fundamentos en Gestión de Riesgos
1.1 Gestión de Proyectos Unidad 1. Fundamentos en Gestión de Riesgos La gestión de proyectos es una disciplina con la cual se integran los procesos propios de la gerencia o administración de proyectos.
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesSubespacios vectoriales en R n
Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo
Más detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesMatriz de Riesgo, Evaluación y Gestión de Riesgos
Matriz de Riesgo, Evaluación y Gestión de Riesgos Cualquier actividad que el ser humano realice está expuesta a riesgos de diversa índole los cuales influyen de distinta forma en los resultados esperados.
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 detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesCOMUNICADO Nro. 49763 08/11/2010. Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49763 08/11/2010 Ref.: Tarjetas de crédito. Tasas y costos promedio de las tarjetas de crédito a agosto de 2010. Tarjetas de Crédito
Más detallesPráctica 11 SVM. Máquinas de Vectores Soporte
Práctica 11 SVM Máquinas de Vectores Soporte Dedicaremos esta práctica a estudiar el funcionamiento de las, tan de moda, máquinas de vectores soporte (SVM). 1 Las máquinas de vectores soporte Las SVM han
Más detallesCAPÍTULO 2. MODELOS Y ESTÁNDARES DE CALIDAD DE SOFTWARE
CAPÍTULO 2. MODELOS Y ESTÁNDARES DE CALIDAD DE SOFTWARE 2.1 Ingeniería de Software Los modelos y estándares de calidad de software forman parte de la ingeniería de software. Es por eso que comenzaremos
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 detallesTrabajo final de Ingeniería
UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción
Más detallesPARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS
OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)
Más detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detalles1. Generalidades. Nombre de la asignatura o unidad de aprendizaje. Apertura de negocios. Clave asignatura. Ciclo LA945. Modulo tercero (integración)
Nombre de la asignatura o unidad de aprendizaje Apertura de negocios Ciclo Modulo tercero (integración) Clave asignatura LA945 Objetivo general de la asignatura: El alumno analizará las bases para la apertura
Más detallesESTUDIO DE SEGURIDAD DEL SECTOR COMERCIAL
C CÁMARA DE COMERCIO DE COSTA RICA ESTUDIO DE SEGURIDAD DEL SECTOR COMERCIAL MEDICIÓN ANUAL 2012 ESTUDIO DE SEGURIDAD DEL SECTOR COMERCIAL MEDICION ANUAL DEL 2012 LOS COSTOS DE LA INSEGURIDAD DEL SECTOR
Más detalles