Análisis Inteligente de Datos: Introducción
|
|
- Inés Herrero Moreno
- hace 7 años
- Vistas:
Transcripción
1 Análisis Inteligente de Datos: Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009
2 Temario 1
3 Temario 1
4 Preguntas Relevantes Por qué análisis inteligente datos? Existe alguna estructura en los datos? Existen datos anómalos? (Outliers, Leverage Points) Se pueden fusionar (sintetizar) los datos de otra manera más conveniente? Se pueden desagregar los datos de otra manera más conveniente? Es este grupo diferente al otro? Es este atributo dinámico? (cambia con el tiempo) Se puede predecir el valor de este atributo basado en las mediciones de otros valores?
5 Qué es el análisis inteligente de datos? Área dedicada al estudio sistemático de los datos Transforma datos en información Contribuye al descubrimiento de nuevo conocimiento (KDD) Ayuda al reconocimiento de Patrón (PR) Papel de las máquinas de aprendizaje Métodos para aprender de los datos Desarrollo de métodos de aprendizajes automáticos/semiautomáticos
6 Tiempo de Respuesta una variable crítica
7 Qué es un dato? Dato puede ser: un número un vector un nombre una dirección una cualidad, etc Pero también podría ser una imagen una foto un símbolo un jeroglífico una señal acústica un electrocardiograma un documento un libro una función una matriz, etc.
8 Tipos de Datos Estructurados Cuantitativos Cualitativos Simbólicos Ordenados jerárquicamente Bloques de datos binarios Imágenes Sonido No Estructurados Textos
9 Aplicaciones del análisis de datos Problemas que están relacionados con AIDA Identificar un rostro en una imagen Convertir un texto hablado en uno escrito Establecer un diagnóstico médico a partir de un ECG En cada uno de ellos se tienen propósitos específicos. Estos propósitos determinan la forma en que los datos deben ser procesados. Esto implica que todo proceso de datos está precedido por un proceso de modelado del problema que necesitamos resolver.
10 AIDA: Aplicaciones Pronóstico de magnitudes de terremotos Pronóstico de perspectiva de yacimientos minerales Pronósticos de tormentas ionosféricas Regionalización sísmica Diagnóstico diferencial de enfermedades Evaluación de pacientes Clasificación automática de hongos (bio-lixiviación) Clasificación automática de clientes Identificación de huellas dactilares Identificación de las preferencias de los clientes en sitios web. Identificación de rostros Identificación de objetos mediante sonidos (aviones, vehículos)
11 AIDA: (2) Identificación de objetos mediante rastros (balística, marcas de zapatillas) Reconocimiento de placas de vehículos Caracterización socio-política de colectivos sociales Pronóstico de surgimiento de fenómenos sociales Caracterización del modus operandis de un terrorista / delincuente Análisis de causas de fenómenos sociales (delincuencia juvenil) Evolución de especies a través del estudio de genes.
12 AIDA: Problemática Casi siempre los datos no vienen puros, es decir, vienen de manera difusa. En el caso particular del AIDA, aunque no haya una división exacta en el procesamiento desde los datos difusos por un lado hasta las conclusiones por el otro, un modelo útil de AIDA ser dividido en cuatro etapas.
13 AIDA: Etapas Etapas del procesamiento de Datos: Adquisición Preprocesamiento Representación-descripción de objetos Análisis de datos
14 Adquisición Este proceso se caracteriza por el hecho que la entrada está constituida por los datos originales, tomados de las fuentes originales y la salida son los datos difusos, de los cuales podemos extraer información. Puede ser tan simple como tomar los datos sin ruido y procesarlos directamente. Observemos que en la entrada tenemos una fuente, por ejemplo, un electrocardiógrafo, a partir del cual se obtiene la señal, ECG del paciente. La señal puede venir con ruidos por lo que no siempre es posible la lectura de lo que queremos extraer sin errores
15 Preprocesamiento Esta etapa se caracteriza porque tanto entrada como salida son datos de la misma naturaleza Por ejemplo, ambas son señales, imágenes, matrices, etc. Ejemplos de pre-procesamiento: Filtrado de señales o imágenes, aumentar el contraste de una imagen, restaurarla, eliminarle ruido Validar datos, escalarlos, transformarlos
16 Representación En esta etapa los datos pre-procesados son transformados en una nueva forma que es la adecuada para el procesamiento posterior. La entrada y las salidas son diferentes al menos en su significado. Ejemplos: Segmentación de imágenes Selección de características Representación de una imágen mediante wavelets Representación de una imagen mediante una matriz digital Representación de la voz, mediante una señal de audio
17 Análisis Proceso en el cual encontramos el significado de los datos originales, o al menos una parte de ellos Podemos reconocer la ocurrencia de cierta información previamente almacenada y podemos tomar una conclusión.
18 Etapas
19 Ejemplos Problemas de Asociación, correlación o causalidad Interpretación Caracterización Clasificación Clusterización Reconocimiento Pronóstico
20 Ejemplos (2) En el caso de la señal ECG podemos determinar la normalidad del paciente desde el punto de vista del estado de su sistema cardiovascular, si nosotros tenemos el suficiente conocimiento de Cardiología. En el caso de una fotografía podemos identificar personas examinando sus rostros, incluso si tenemos suficiente conocimiento previo podríamos identificar a cada una de esas personas.
21 Disciplina Aplicada AIDA es una disciplina con un marcado caracter interdisciplinario, que tiene que ver con la Ingeniería, la Estadística y la Ciencia de la Computación para el procesamiento de datos acerca de los objetos físicos o abstractos, con el propósito de mediante algoritmos obtener la información relevante y no evidente que nos permita establecer propiedades de ciertos subconjuntos no vacíos de objetos.
22 Esquema constituyente de AIDA Estadística Ciencias de la Computación Procesamiento de Señales Visión por Computacional Máquinas de Aprendizaje Redes Neuronales artificiales Máquinas de soporte vectorial Morfología Matemática Reconocimiento de patrones, etc
23 Convergencia de múltiples Disciplinas
24 Convergencia de múltiples Disciplinas (2)
25 Como interactúan las disciplinas Estadística Cómo develar y optimizar la información extraída de los datos Cómo recolectar los datos para maximizar la información Cómo hacer inferencias de los datos para obtener nuevo conocimiento. Ciencias de la Computación, Máquinas de Aprendizaje Cómo calcular y procesar de manera óptima los datos Cómo medir el costo asociado al procesamiento de la información Cómo la información y el conocimiento pueden ser útilmente representados Cómo comprender los límites de lo que se puede computar.
26 Máquinas de Aprendizaje Capacidad del computador para aprender de la experiencia (Oxford English Dictionary) Proceso que causa que el sistema mejore con la experiencia (Mitchell 1997) Uso de los algoritmos computacionales para aprender de los datos (Hutchinson 1995) Programa de computación que puede aprender de la experiencia respecto a algún tipo de tarea y medida de desempeño (Mitchell 1997)
27 Aprendizaje Consiste en inducir funciones generales de un conjunto específico de formas denominado patrones de entrenamiento. Tipos de Aprendizaje Aprendizaje Supervisado Aprendizaje Reforzado Aprendizaje No-supervisado Aprendizaje Semi-supervisado.
28 Data Mining Etapa de reconocimiento de patrones mediante algoritmos automáticos o semiautomáticos de grandes bases de datos, con el objetivo de apoyar la toma de decisiones dentro de una organización Es el descubrimiento eficiente de información valiosa (nuevos hechos y relaciones) no evidentes desde una gran base de datos. (Bigus 1996)
29 Machine Learning
30 Estadística v/s Máquinas de aprendizaje Estadística Moderna = Modelo Máquinas de Aprendizaje = Algoritmos Modelo: Estructura propuesta, o una estructura de la cual se obtuvieron los datos Los modelos pueden ser: Modelos Empíricos buscan relaciones sin basarlas en alguna teoría subyacente. Modelos Mecanicistas: Se construyen en base a algún mecanismo supuesto del proceso de generación de los datos.
31 Modelos y Patrones Modelo: Consiste en una estructura en gran escala que resume las relaciones sobre muchos casos Patrón:Consiste en una estructura local satisfecha por algunos pocos casos o una pequeña región del espacio de los datos.
32 Análisis de Datos Es el proceso de calcular varios resúmenes y valores derivados a partir de una colección de datos La falsedad de la receta de cocina (cookbook) Las herramientas del análisis de datos poseen relaciones complejas. Rara vez unas pregunta de investigación es estipulada de manera precisa, de manera tal que una aplicación simple y única de algún método será suficiente. El análisis de datos es un proceso iterativo Los datos se estudian, se analizan utilizando alguna herramienta analítica, se decide observarla de otra manera, quizás modificándola, se repite el proceso.
33 Por qué inteligente? Para extraer la estructura subyacente a los datos hay que entender lo que está sucediendo, Aplicar en forma reiterada diversos métodos, refinar las preguntas que el investigador trata de responder requiere de mucho cuidado e inteligencia. El análisis inteligente de datos no es un método poco sistemático de aplicación de las herramientas Estadísticas y de Data Mining, no es un paseo aleatorio a través del espacio de las técnicas analíticas, sino que un proceso cuidadosamente planeado para decidir lo que será más útil y revelador.
34 Herramientas Modernas de Análisis de Datos Durante el curso se analizarán una serie de técnicas modernas Modelos Bayesianos Métodos de Kernel y máquinas de vectores de soporte Series Temporales Reglas de Inducción Redes Neuronales Artificiales Ensamblado de máquinas
35 Herramientas Modernas de Análisis de Datos Durante el curso se analizarán una serie de técnicas modernas Modelos Bayesianos Métodos de Kernel y máquinas de vectores de soporte Series Temporales Reglas de Inducción Redes Neuronales Artificiales Ensamblado de máquinas
36 Consultas y Comentarios
Introducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detalles11. FUENTES DE INFORMACIÓN
multidimensionales Unidad 3: Tratamiento del color Identificar las características del histograma y su uso para el tratamiento del color Obtener el histograma de diferentes imágenes para indicar las características
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detalles5. PLANIFICACIÓN DE LAS ENSEÑANZAS
5. PLANIFICACIÓN DE LAS ENSEÑANZAS 5.1. Descripción del Plan de Estudios I. Estructura del Plan de Estudios Módulo Materia Asignatura ECTS Carácter MÉTODOS NUMÉRICOS 6 OBLIGATORIA ECUACIONES FUNDAMENTOS
Más detallesSolución al parcial 14
Solución al parcial 14 Marque V(erdadero) o F(also) según considere la proposición. 1. La lógica difusa es la emulación del razonamiento aproximado que realizan las máquinas. F: Las máquinas no realizan
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesProcesamiento del Audio. Eduardo Morales Vargas
Procesamiento del Audio Eduardo Morales Vargas 1 Contenido Calidad de sonido contra razón de muestreo Síntesis y reconocimiento de voz 22/11/2015 2 Calidad de sonido contra razón de muestreo 22/11/2015
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesUNIDAD NO. 01 CONCEPTOS INFORMÁTICOS BÁSICOS
UNIDAD NO. 01 CONCEPTOS INFORMÁTICOS BÁSICOS Objetivo general de la unidad: Explicar conceptos básicos computacionales partiendo del concepto general de sistema. 1.1 CONCEPTO DE DATO E INFORMACIÓN Dato:
Más detallesIntroducción a las Ciencias de la Computación
Introducción a las Ciencias de la Computación Colaboratorio de Computación Avanzada (CNCA) 2015 1 / 22 Contenidos 1 Computación e Informática Caracterización Áreas relacionadas 2 Antecedentes Orígenes
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesDATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesMetodología de la Investigación. Dr. Cristian Rusu
Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 1. El proceso de investigación y sus enfoques 1.1. Enfoque cuantitativo 1.2. Enfoque cualitativo 1.3. El modelo integral 1. El proceso
Más detallesDESCRIPCIÓN DEL RESULTADO DE INVESTIGACIÓN
REF.: TRANSP_UAH_02 SECTOR INDUSTRIAL INVESTIGADOR DEPARTAMENTO DATOS DE CONTACTO PÁGINA WEB Industria y Transporte Enrique Alexandre Cortizo Teoría de la Señal y Comunicaciones + 34 91 885 67 27 + 34
Más detalles1. ANÁLISIS EXPLORATORIO DE DATOS
1. ANÁLISIS EXPLORATORIO DE DATOS El Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis) es un conjunto de técnicas estadísticas cuya finalidad es conseguir un entendimiento básico de los
Más detallesConceptos básicos de Estadística J U A N C A R L O S C O L O N I A P.
Conceptos básicos de Estadística J U A N C A R L O S C O L O N I A P. Estadística Es la ciencia que proporciona un conjunto de métodos, técnicas y procedimientos para clasificar, organizar, resumir y analizar
Más detallesInteligencia Artificial
Inteligencia Artificial Inteligencia, concepto Es la capacidad para aprender o comprender. Suele ser sinónimo de intelecto (entendimiento), pero se diferencia de éste por hacer hincapié en las habilidades
Más detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesAprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo
2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INGENIERÍA EN COMPUTACIÓN (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN OTROS REQUERIMIENTOS Álgebra (1100) 1 Geometría Analítica (1102) 1 Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de las Matemáticas sea similar
Más detallesInteligencia de Negoción con GlobalDataMED
Inteligencia de Negoción con GlobalDataMED Inteligencia de Negocios Soluciones de software que ayudan a las personas de todos los niveles de su organización de salud a tomar decisiones financieras, operativas
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Más detallesM.C. Mariano Larios G. 3 de diciembre de 2009
3 de diciembre de 2009 Tabla de criterios Criterios Porcentajes Exámenes 30 % Participación en clase Tareas 20 % Exposiciones 10 % Simulaciones Trabajos de investigación y/o de intervención Prácticas
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 3 : RECONOCIMIENTO
Más detallesInteligencia Artificial
Inteligencia Artificial Conocimiento y razonamiento 4. Otras representaciones de conocimiento Dr. Edgard Iván Benítez Guerrero 1 Representación del conocimiento La inteligencia de un agente radica principalmente
Más detallesPROCESAMIENTO DE IMÁGENES DIGITALES
PROCESAMIENTO DE IMÁGENES DIGITALES 1 4 º C U R S O D E G R A D O I N G E N I E R Í A I N F O R M Á T I C A - T E C N O L O G Í A S I N F O R M Á T I C A S O P T A T I V A ( C U A T R I M E S T R E 1 )
Más detallesMención en Computación
Mención en Computación Competencias Idea general sobre lo que es computación Aprender SOBRE lenguajes de programación, diseño y procesamiento Aprender SOBRE la eficiencia y complejidad de algoritmos (
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesSegmentación de una cartera de clientes usando aprendizaje de máquina
Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014 Inicio Inicio
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detalles"Investigación Diagnostica, Descriptiva y Explicativa
"Investigación Diagnostica, Descriptiva y Explicativa NOMBRE DE LA MATERIA: Taller de Investigación I NOMBRE (S) DEL ALUMNO: NOMBRE DEL DOCENTE: María Baudelia Nava Romo FECHA: 18 Agosto2016 CIUDAD: Purísima
Más detallesCOMPUTACIÓN. Ing. Angela Galea
COMPUTACIÓN Ing. Angela Galea INTRODUCCIÓN Sistema de Computación Origen, generaciones y tipos de computadores. Términos básicos Unidades de Información Sistema de Computación Computadora: Es un sistema
Más detallesPlan 95 Adecuado. DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS.
Plan 95 Adecuado ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0488 DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO:
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesII TALLER DE PROCESAMIENTO DE IMÁGENES Y RECONOCIMIENTO DE PATRONES. Lugar y Fecha. Antecedentes y objetivos
II TALLER DE PROCESAMIENTO DE IMÁGENES Y RECONOCIMIENTO DE PATRONES El Centro de Investigación en Matemáticas, CIMAT, Guanajuato, el Cuerpo Académico de Computación y Electrónica y el Centro de Investigación
Más detallesModelos de Scoring para Riesgo de Crédito
Modelos de Scoring para Riesgo de Crédito Los modelos de scoring de riesgo, dentro del proceso de otorgamiento de crédito, están orientados a anticipar comportamiento futuro. Podemos dividirlos en tres
Más detalles240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Más detallesII TALLER DE PROCESAMIENTO DE IMÁGENES Y RECONOCIMIENTO DE PATRONES. Lugar y Fecha. Antecedentes y objetivos
II TALLER DE PROCESAMIENTO DE IMÁGENES Y RECONOCIMIENTO DE PATRONES El Centro de Investigación en Matemáticas, CIMAT, Guanajuato, el Cuerpo Académico de Computación y Electrónica y el Centro de Investigación
Más detallesPROGRAMA DE ESTUDIO. Horas de Práctica
PROGRAMA DE ESTUDIO Nombre de la asignatura: DISEÑO DE EXPERIMENTOS Clave:MAT10 Ciclo Formativo: Básico ( ) Profesional (X) Especializado ( ) Fecha de elaboración: MARZO DE 2015 Horas Semestre Horas semana
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO Instituto de Ciencias Básicas e Ingeniería SISTEMAS BASADOS EN CONOCIMIENTO Ing. Henry Patricio Paz Arias Maestría en Ciencias Computacionales Sistemas Basados
Más detallesTecnologías de Inteligencia Artificial
Tecnologías de Inteligencia Artificial En la actualidad se han desarrollado importantes tecnologías de inteligencia artificial basadas en conjuntos borrosos y redes neuronales artificiales, cuyas potencialidades
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesIdentificación de sistemas de eventos discretos
Identificación de sistemas de eventos discretos Una aproximación de modelado Para ver esta película, debe disponer de QuickTime y de un descompresor. Universidad de Guadalajara Departamento de Sistemas
Más detallesLICENCIATURA EN CIENCIAS COMPUTACIONALES. Este programa educativo se ofrece en las siguientes sedes académicas de la UABC:
LICENCIATURA EN CIENCIAS COMPUTACIONALES Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Campus Campus Ensenada, Unidad Ensenada Unidad académica donde se imparte Facultad
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesCURSO CORTO DE MONITOREO ESTRUCTURAL DICTADO POR CHARLES FARRAR Y MICHAEL TODD. EXPERTOS DE LOS ALAMOS DYNAMICS.
Chacabuco 1085, of. 502. Concepción, Chile. +56 41 269 7213, +56 9 9833 0367 contacto@lind.cl CURSO CORTO DE MONITOREO ESTRUCTURAL DICTADO POR CHARLES FARRAR Y MICHAEL TODD. EXPERTOS DE LOS ALAMOS DYNAMICS.
Más detallesI.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
I.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Roberto Mendoza Padilla* En este trabajo se da una descripción introductoria de un área que ha provocado un gran numero de controversias, debido a que combina
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesCONCEPTOS Y ECOSISTEMA BIG DATA
CONCEPTOS Y ECOSISTEMA BIG DATA El presente documento ha sido elaborado de forma conjunta por las empresas Sunqu y Ticxar para dar a conocer el ecosistema Big Data, su tipología, la analítica y la visualización
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas de Control Digital Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0187 Asignaturas antecedentes y
Más detallesUNIVERSIDAD DE GUANAJUATO
NOMBRE DE LA ENTIDAD: NOMBRE DEL PROGRAMA EDUCATIVO: UNIVERSIDAD DE GUANAJUATO CAMPUS LEÓN; DIVISIÓN DE CIENCIAS E INGENIERÍAS Licenciatura en Física NOMBRE DE LA MATERIA: Cálculo Diferencial CLAVE: BMCCD-02
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesTema 2.- Caracterización de la informática La informática como disciplina científica Sub-áreas de la disciplina.
Tema 2.- Caracterización de la informática 2.1. La informática como disciplina científica. 2.2. Sub-áreas de la disciplina. 2.1. La informática como disciplina científica. 2.1.1 Una definición de Informática.
Más detallesNaturaleza.- Asignatura teórico práctica, perteneciente al área de estudios específicos.
III CICLO MATEMÁTICA III Propósito : Lograr que el estudiante aplique la teoría de ecuaciones diferenciales a problemas concretos, los resuelva e interprete los resultados. Contenido.- Espacios vectoriales,
Más detallesInteligencia Artificial
Inteligencia Artificial Conjunto de técnicas que se aplican en el diseño de programas de computador para la resolución de problemas que por su dificultad requieren el uso de un cierto grado de inteligencia.
Más detallesNombre de la asignatura: Algoritmos y Lenguajes de programación.
Nombre de la asignatura: Algoritmos y Lenguajes de programación. Créditos: 2-4- 6 Aportación al perfil Dominar la lógica necesaria para aprender lenguajes de programación de alto nivel para poder resolver
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesUNIDAD I.- INTRODUCCIÓN
UNIDAD I.- INTRODUCCIÓN LECCIÓN 1.1.- El propósito de la Inteligencia Artificial y su evolución histórica 1.1.1.- Inteligencia ÁREAS QUE ESTUDIAN LA INTELIGENCIA: Psicología y la filosofía. para qué la
Más detallesAprendizaje no supervisado
Aprendizaje no supervisado Algoritmo de K medias Julio Waissman Vilanova Licenciatura en Ciencias de la Computación Universidad de Sonora Curso Inteligencia Artificial Plan del curso Aprendizaje no supervisado
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCoeficientes Cepstrales en Frecuencia Mel y Dynamic Time Warping para Reconocimiento Automatico del Habla
Coeficientes Cepstrales en Frecuencia Mel y Dynamic Time Warping para Reconocimiento Automatico del Habla Jorge Luis Guevara Diaz Semana ciencia de la Computación Escuela de Informática Universidad Nacional
Más detallesIntroducción a Minería de Texto. Fabián Latorre
Introducción a Minería de Texto Fabián Latorre fabian.latorre@quantil.com.co Contenido Qué es la minería de texto? Por qué es relevante? Por qué la estudiamos? Aplicaciones La complejidad del texto no
Más detallesSistemas biométricos Huellas dactilares
Sistemas biométricos Huellas dactilares Introducción La Identificación biométrica es la verificación de la identidad de una persona basado en características de su cuerpo o de su comportamiento, utilizando
Más detallesBases estadísticas del reconocimiento de patrones
Bases estadísticas del reconocimiento de patrones César Martínez cmartinez _AT_ fich.unl.edu.ar Inteligencia Computacional FICH-UNL Percepción humana Tarea muuuuy simple: Cuántas llaves hay? Inteligencia
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesSistemas Biométricos para el aula nuestro de informática.
Sistemas Biométricos para el aula nuestro de informática. La "biometría informática" es la aplicación de técnicas matemáticas y estadísticas sobre los rasgos físicos o de conducta de un individuo, para
Más detallesDIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS. Coordinador: M.F. Esperanza Sainz López
INSTITUTO TECNOLÓGICO AUTONOMO DE MÉXICO DIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS Coordinador: M.F. Esperanza Sainz López Objetivo general: Presentar al alumno algunos modelos cuya estructura dinámica
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesR for Data Mining Análisis de datos, segmentación y técnicas de predicción con R. web
R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R web Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
Más detallesTecnologías de Información y Comunicación
Tecnologías de Información y Comunicación 1 Sesión No. 2 Introducción a las tecnologías de información y comunicación parte 2: Componentes de un sistema de cómputo. Objetivo Al término de la sesión, el
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesINGENIERÍA EN DESARROLLO E INNOVACIÓN EMPRESARIAL
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Estadística para negocios 2. Competencias Apoyar el desarrollo empresarial mediante la optimización del capital financiero
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesÁrboles de Decisión Árboles de Sintaxis
Árboles de Decisión Árboles de Sintaxis Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Árboles de Decisión Árbol de Decisión Forma gráfica de
Más detallesNeurophysiology of Natural Human Behavior
Neurophysiology of Natural Human Behavior Juan E. Kamienkowski Laboratorio de Inteligencia Artificial Aplicada (LIAA), Instituto de Ciencias de la Computación (CONICET-UBA) https://liaa.dc.uba.ar/ fb/liaa.uba/
Más detallesLos PARADIGMAS son: un conjunto de prácticas que definen una disciplina científica (la ontología, la epistemología y la metodología)
Clase 3 Parte I El diseño de la investigación Bloque de contenido 1. Introducción: opciones metodológicas, fases del proceso y construcción de la PDI Tema 1. El método cualitativo. Las fases del proceso
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesINGENIERIA. Reyes Marzano, Alejandro FISI-UNMSM
INGENIERIA La ingeniería es la disciplina que aplica conocimientos y experiencias para que mediante diseños, modelos y técnicas se resuelvan problemas que afectan a la humanidad. En ella, el conocimiento
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesAPLICACIONES DE NEGOCIO PARA INTELIGENCIA ARTIFICIAL. Copyright 2017 Accenture All rights reserved.
APLICACIONES DE NEGOCIO PARA INTELIGENCIA ARTIFICIAL AGENDA 01 QUÉ ES? 05 LECCIONES DE NEGOCIO 02 ÁREAS DE INVESTIGACIÓN 03 APLICACIONES 04 EJEMPLOS DE NEGOCIO 01. QUÉ ES?. TIPOS DE INTELIGENCIA Lingüística
Más detallesAnalítica de texto. Área Infraestructura, tecnología, productividad y ambiente. Curso presencial Departamento de Sistemas Facultad de Ingeniería
Curso presencial Departamento de Sistemas Facultad de Ingeniería Intensidad horaria 42 horas Horarios Lunes, martes, miércoles y jueves de 6:00 p.m. a 9:00. Algunas semanas tendrán una intensidad menor.
Más detallesPROCESAMIENTO DE SEÑALES. Procesamiento de señales e imágenes biomédicas
PROCESAMIENTO DE SEÑALES Procesamiento de señales e imágenes biomédicas Ingeniería Biomédica ECG (electrocardiograma) EMG abdominal ( electromiografía abdominal) EEG (electroencefalograma) EGG (electrogastrografía)
Más detallesTema 1. Introducción a la Teoría de la Medición
Página 1 IMADIL TEMA 1. Notas Tema 1. Introducción a la Teoría de la Medición 1. El proceso de investigación científica Entender la lógica que sustenta la Teoría de la Medición requiere situar la actividad
Más detallesTÍTULO QUE OTORGA Especialista en Optimización y Mejoramiento de Procesos Productivos. DURACIÓN Dos semestres académicos
TÍTULO QUE OTORGA Especialista en Optimización y Mejoramiento de Procesos Productivos DURACIÓN Dos semestres académicos DIRIGIDO A Profesionales en Ingeniería, Administración, Economía, Matemáticas, Estadística
Más detallesInterfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial
UNIVERSIDAD DE ALCALÁ Escuela Politécnica Superior INGENIERÍA DE TELECOMUNICACIÓN Interfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial Proyecto Fin de Carrera
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesPara Trabajo Individual del estudiante. Quince (15) Horas para trabajo en grupo CIPAS.
CUN DISTANCIA ADMINISTRACION PÚBLICA ESTADÍSTICA INFERENCIAL TECNOLOGO 03001232 2 Encuentro 10 Horas 86 Horas Para Trabajo Individual del estudiante. Quince (15) Horas para trabajo en grupo CIPAS. 310
Más detallesProbabilidad y muestreo
Walpole, Myers, Myers, Ye Facultad de Estudios Superiores Acatlán Licenciatura en Economía 07 de febrero 2017 José A. Huitrón Mendoza Espacio muestral En el estudio de la estadística tratamos básicamente
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesLICENCIATURA EN FÍSICA. Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Unidad académica donde se imparte
LICENCIATURA EN FÍSICA Este programa educativo se ofrece en las siguientes sedes académicas de la UABC: Campus Campus Ensenada, Unidad Ensenada Unidad académica donde se imparte Facultad de Ciencias Situación
Más detalles