Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés"

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, 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:

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

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

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

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

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

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

Más detalles

Análisis Estadístico de Datos Climáticos

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

Más detalles

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA

FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA Enrique Puertas epuertas@uem.es Francisco Carrero fcarrero@uem.es José María Gómez Hidalgo jmgomez@uem.es Manuel de Buenaga buenga@uem.es

Más detalles

7. Conclusiones. 7.1 Resultados

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 detalles

Cómo se usa Data Mining hoy?

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

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

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

Más detalles

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización

Minería de Datos. Preprocesamiento: Reducción de Datos - Discretización Minería de Datos Preprocesamiento: Reducción de Datos - Discretización Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar.acuna@upr.edu, eacunaf@gmail.com

Más detalles

Support Vector Machine

Support Vector Machine Juan Carlos Caicedo Juan Carlos Mendivelso Maestria en Ingenieria de Sistemas y Computacion Universidad Nacional de Colombia 20 de marzo de 2007 Agenda 1 2 3 4 Outline 1 2 3 4 Clasificador lineal que utiliza

Más detalles

Análisis de Datos. Práctica de métodos predicción de en WEKA

Análisis 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 detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

Impacto de la ironía en la minería de opiniones basada en un léxico afectivo

Impacto de la ironía en la minería de opiniones basada en un léxico afectivo Impacto de la ironía en la minería de opiniones basada en un léxico afectivo Yolanda Raquel Baca-Gómez a, Delia Irazú Hernández Farías b, Paolo Rosso b, Noé Alejandro Castro-Sánchez a, Alicia Martínez

Más detalles

SISTEMAS INTELIGENTES

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

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal

Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal Ordenamiento de imágenes Web de acuerdo a su relevancia utilizando un enfoque de fusión multimodal Reporte final Ricardo Omar Chávez García Instituto Nacional de Astrofísica Óptica y Electrónica, 72840

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

Inteligencia de Negocio

Inteligencia 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 detalles

Escogiendo un sistema host

Escogiendo 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

MINERIA DE DATOS Y Descubrimiento del Conocimiento

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

Más detalles

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Otros aspectos Procesado de la entrada Procesado de la salida Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Procesado de la entrada 1. Motivación y tareas

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

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

Más detalles

Clasificación Automática de Textos de Desastres Naturales en México

Clasificación Automática de Textos de Desastres Naturales en México Clasificación Automática de Textos de Desastres Naturales en México Alberto Téllez-Valero, Manuel Montes-y-Gómez, Olac Fuentes-Chávez, Luis Villaseñor-Pineda Instituto Nacional de Astrofísica, Óptica y

Más detalles

Una investigación australiana reveló que posiblemente la disminución

Una 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 detalles

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base 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 detalles

Random Forests. Felipe Parra

Random Forests. Felipe Parra Applied Mathematics Random Forests Abril 2014 Felipe Parra Por que Arboles para Clasificación PERFIL DE RIESGO: definir con qué nivel de aversión al riesgo se toman decisiones Interpretación intuitiva

Más detalles

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

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

Más detalles

Álgebra 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 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 detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

Ingeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007

Ingeniería 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 detalles

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

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

Más detalles

Métricas de complejidad para la transformación del problema de detección de cáncer basado en

Métricas de complejidad para la transformación del problema de detección de cáncer basado en Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49 Índice 1 Planteamiento

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS 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 detalles

CLASIFICACIÓN NO SUPERVISADA

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

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

CAPÍTULO 6 SIMULACIONES Y RESULTADOS

CAPÍTULO 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 detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

6.4 ESTRATEGIAS DE PRUEBA

6.4 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 detalles

Entrenamiento de una red neuronal, utilizando un corpus de voces infantiles

Entrenamiento de una red neuronal, utilizando un corpus de voces infantiles Entrenamiento de una red neuronal, utilizando un corpus de voces infantiles Autora: Ana María Hernández Zecuatl Asesora Investigación: Mc Nancy Aguas García 6 de enero de 2009 Resumen El presente trabajo

Más detalles

EL PROCESO DE DESARROLLO DE SOFTWARE: UNA TAREA SOCIAL DE MEJORA CONTINUA

EL PROCESO DE DESARROLLO DE SOFTWARE: UNA TAREA SOCIAL DE MEJORA CONTINUA EL PROCESO DE DESARROLLO DE SOFTWARE: UNA TAREA SOCIAL DE MEJORA CONTINUA Dra. Pilar Gómez Gil Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE). Coordinación de Ciencias Computacionales

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

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

Más detalles

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

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

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

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

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

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

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

Más detalles

Deep Learning y Big Data

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

Más detalles

ITI - CAS. Clasificación de Señales EEG en un Sistema BCI. Informe Técnico ITI-SAC-016. Autor: Francesc Benimeli Fecha: 30 de junio de 2006.

ITI - CAS. Clasificación de Señales EEG en un Sistema BCI. Informe Técnico ITI-SAC-016. Autor: Francesc Benimeli Fecha: 30 de junio de 2006. ITI - CAS Informe Técnico ITI-SAC-016 Clasificación de Señales EEG en un Sistema BCI Autor: Francesc Benimeli Fecha: 30 de junio de 2006 c ITI ÍNDICE ÍNDICE Índice 1. Introducción 2 2. Descripción del

Más detalles

Extracción de Información con Algoritmos de Clasificación

Extracción de Información con Algoritmos de Clasificación Extracción de Información con Algoritmos de Clasificación Por ALBERTO TÉLLEZ VALERO Tesis sometida como requisito parcial para obtener el grado de Maestro en Ciencias en la especialidad de Ciencias Computacionales

Más detalles

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

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

Más detalles

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

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

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE 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 detalles

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

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

Más detalles

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI

Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad

Más detalles

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio

Más detalles

Instituto Tecnológico de Apizaco

Instituto Tecnológico de Apizaco SEP DGIT Instituto Tecnológico de Apizaco Clasificación de Llanto de Bebés para Identificación de Hipoacúsia y Asfixia por medio de un Sistema Híbrido (Genético Neuronal) TESIS DE GRADO POR PROYECTO DE

Más detalles

4. MÉTODOS DE CLASIFICACIÓN

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

Más detalles

CAPITULO 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 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 detalles

Las 7 Herramientas Fundamentales de la Calidad

Las 7 Herramientas Fundamentales de la Calidad Las 7 Herramientas Fundamentales de la Calidad Se utilizarán los métodos estadísticos elementales, dado que está dirigido a todos los funcionarios, desde la alta dirección hasta los operarios de base (Ej:

Más detalles

Métodos de agregación de modelos y aplicaciones

Métodos de agregación de modelos y aplicaciones Métodos de agregación de modelos y aplicaciones Model aggregation methods and applications Mathias Bourel 1 Recibido: Mayo 2012 Aprobado: Agosto 2012 Resumen.- Los métodos de agregación de modelos en aprendizaje

Más detalles

PLM Software. La última tecnología en automatización de programación de control numérico para aumentar la eficiencia de la manufactura de partes

PLM Software. La última tecnología en automatización de programación de control numérico para aumentar la eficiencia de la manufactura de partes Siemens PLM Software La última tecnología en automatización de programación de control numérico para aumentar la eficiencia de la manufactura de partes www.siemens.com/nx I n f o r m e t é c n i c o La

Más detalles

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD.

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Recomendaciones de la ITU-T ITU- International Telecommunications Union Las recomendaciones de la ITU-T

Más detalles

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

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

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

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

Más detalles

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

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

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, 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 detalles

Trabajo final de Ingeniería

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

Más detalles

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA

CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA CLASIFICADOR LINGÜÍSTICO DE TEXTOS EN JAVA Óscar Alberto García Pérez Universidad Carlos III de Madrid 100039016@alumnos.uc3m.es Ignacio Martínez Fernández Universidad Carlos III de Madrid 100039048@alumnos.uc3m.es

Más detalles

VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS

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

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

Control interno de los métodos de análisis

Control interno de los métodos de análisis Aseguramiento de la Calidad Control interno de los métodos de análisis Universidad Nacional Sede Medellín Facultad de Ciencias Escuela de Geociencias Orlando Ruiz Villadiego, Químico MSc. Coordinador Laboratorio

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

Sistemas de Recuperación de Información

Sistemas de Recuperación de Información Sistemas de Recuperación de Información Los SRI permiten el almacenamiento óptimo de grandes volúmenes de información y la recuperación eficiente de la información ante las consultas de los usuarios. La

Más detalles

2.1 Soluciones Comerciales Existentes

2.1 Soluciones Comerciales Existentes 21 Capítulo 2 Estado del arte Existen métodos de reconocimiento de gestos tanto comerciales con sensores especializados como métodos aún en desarrollo e investigación académica. En este análisis me enfocaré

Más detalles

5 Conclusiones. Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son:

5 Conclusiones. Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son: 157 5 Los principales objetivos de este trabajo de tesis, ya expuestos en la Introducción, son: 1) Diseñar un método de clasificación visual por resistencia para la madera aserrada de Eucalyptus grandis

Más detalles

Matriz de Riesgo, Evaluación y Gestión de Riesgos

Matriz 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 detalles

Introducción general a la compresión de datos multimedia

Introducción general a la compresión de datos multimedia Introducción general a la compresión de datos multimedia Necesidad de la compresión La mayoría de las aplicaciones multimedia requieren volúmenes importantes de almacenamiento y transmisión. CD-ROM 640

Más detalles

Control Estadístico de Procesos

Control Estadístico de Procesos Control Estadístico de Procesos Lic. Elda Monterroso UNLu Características de calidad Variables Características que se pueden medir (peso, longitud, temperatura, etc.) Pueden ser números enteros o fracciones

Más detalles

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

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

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

Six Sigma Control de la Variabilidad

Six Sigma Control de la Variabilidad Agosto 2015 Santiago, Chile Escuela de Negocios Six Sigma Control de la Variabilidad Material de Asexma A.G. Defectos Defectos Un DEFECTO es.una desviación respecto de los requisitos de un proceso específico,

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

Parte I: Introducción

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

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

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

Más detalles

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

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

Más detalles

Modelo de estimación de speedup factor mediante umbralización en multicores asimétricos

Modelo 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 detalles

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos).

Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Título: Árboles de Decisión automáticos para el Pronóstico del Rendimiento Docente (aplicable al Control de Procesos). Autores: - MsC. Ing. Mario L. Basulto Núñez (ETECSA) mario.basulto@etecsa.cu - Lic.

Más detalles

Seis Sigma. Nueva filosofía Administrativa.

Seis Sigma. Nueva filosofía Administrativa. Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo

Más detalles

Interoperabilidad de Fieldbus

Interoperabilidad 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 detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 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 detalles

Cálculo de la PPA de Referencia Usando el Método Factor de Precio

Cálculo de la PPA de Referencia Usando el Método Factor de Precio Programa de Comparación Internacional Cálculo de la PPA de Referencia Usando el Método Factor de Precio Oficina Global Material Operacional Índice 1. Pros y contras del Método Factor de Precio (MFP)...

Más detalles

capitulo3 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 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 detalles

Biologí a y Geologí a 3 ESO

Biologí a y Geologí a 3 ESO Biologí a y Geologí a 3 ESO 1. El método científico: proyecto de investigación Actividades de ampliación 1. Las medidas que se obtienen siempre son más o menos aproximadas y, por ello, uno de los objetivos

Más detalles

Arquitectura de Aplicaciones

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

Más detalles

4. Programación Paralela

4. 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 detalles

Visión global del KDD

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

Más detalles

MEDICION DEL TRABAJO

MEDICION 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 detalles

NOVEDADES TÉCNICAS DE NIIF

NOVEDADES TÉCNICAS DE NIIF NOVEDADES TÉCNICAS DE NIIF El presente documento ha sido preparado por la Comisión de Principios y Normas de Contabilidad del Colegio de Contadores de Chile A.G., cuyo objetivo es la colaboración permanente

Más detalles