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

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

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

Transcripción

1 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 1 Cristian López Del Álamo Universidad La Salle. Arequipa, Perú 2 Juan Lazo Lazo Laboratorio de Inteligencia Computacional Aplicada Río de Janeiro, Brasil Resumen En la actualidad, las entidades nancieras están interesadas en dar créditos nancieros con el objetivo de apoyar a las pequeñas empresas. Y, al mismo tiempo, porque estas operaciones constituyen un mecanismo que les permite obtener ganancias mediante sus tasas de interés. El problema radica en detectar qué clientes constituyen un riesgo crediticio potencial. Es decir, qué clientes posiblemente no paguen sus deudas y quiénes serán buenos clientes. El presente artículo propone un modelo basado en Redes Neuronales que permitiría clasi car a los clientes en buenos y malos pagadores. Para seleccionar el modelo adecuado, se realizaron diferentes con guraciones de la red Neuronal con aprendizaje tipo Back Propagation, las cuales incluyen modi caciones en el número de neuronas de la capa oculta hasta procesos de normalización y reducción de la dimensionalidad utilizando Análisis de Componentes Principales (PCA). Se realizaron comparaciones de los distintos modelos a n de obtener el más e ciente. Palabras clave: modelo, redes neuronales, riesgo crediticio. En la actualidad, las entidades nancieras, como cualquier empresa, buscan identi car mecanismos que les permita incrementar sus ingresos. Uno de esos mecanismos son los créditos nancieros. De esta manera los créditos 1 2 Ingeniero de Sistemas de la Universidad Nacional de San Agustín y Magíster en Ingeniería de Software de la Universidad de Tarapacá (Chile). Es Coordinador de la Carrera de Ingeniería Informática de la Correspondencia a Doctor en Ingeniería Eléctrica de la Ponti cia Universidad de Río de Janeiro. Correspondencia a -55-

2 nancieros permiten a los clientes hacerse de un capital, y a las entidades nancieras prestar ciertos montos de dinero. Esto, para posteriormente obtener ganancias mediante una tasa de interés que depende del monto prestado. Este instrumento nanciero, al igual que otros, incurre en algunos riesgos potenciales para la institución. Por ejemplo, qué sucede si una entidad nanciera X, realiza un crédito de $ a un cliente Y, y este, no llega a pagar ninguna cuota? Son estos riesgos los que estimulan el desarrollo de nuevos modelos para la predicción de clientes que podrían ser un riesgo potencial. Existen distintos tipos de algoritmos de clasi cación utilizados en la evaluación del riesgo crediticio: regresión logística, análisis de discriminación cuadrática y lineal, máquinas de soporte vectorial, clasi cación por medio de redes bayesianas y redes neuronales (Qian, 2007). Algunos trabajos relacionados a este tema, son los de Qian (2007), Dissanayake et al (2006) y Shyu et al (2008). En el trabajo de Shyu, Chang y Chi (2008), se desarrolló una red Back Propagation (RBP) para establecer modelos de predicción del ratio exacto de previsión en las organizaciones de supervisión para llevar a cabo el control acciones (Shyu et al, 2008).Por otro lado, Dissanayake, Hendahewa y Karunananda (2006) publicaron un nuevo enfoque sobre la evaluación del riesgo crediticio que incorpora el impacto de recursos nancieros, la industria y factores económicos especí cos, utilizando tecnología de redes neuronales arti ciales (Dissanayake et al, 2006). Actualmente, algunas de las mayores aplicaciones comerciales en predicción de mora de clientes están basadas en redes neuronales, como el modelo de riesgo de Moody. Estas investigaciones alentaron el estudio del presente artículo, que busca encontrar un modelo basado en redes neuronales con aprendizaje tipo Back Propagation, con el objetivo de minimizar el error de clasi cación y la complejidad de la red neural. Arquitectura de la Red Neuronal Dado que el propósito de esta investigación es utilizar una red neural para clasi car clientes, posiblemente morosos, de aquellos que no son, es que se requiere una red neural de n elementos de entrada, una capa oculta con m neuronas y una capa de salida con una sola neurona. Se utilizará una neurona en la capa de salida, debido a que la red debe retornar como resultado un valor de cero, si el cliente es potencialmente no -56-

3 pagador, y un valor de 1, si el cliente tiene el per l de una persona pagadora. Como se verá en la sección III, la información correspondiente a cada cliente cuenta con 11 campos, motivo por el cual, el número de elementos de entrada es 11. De esta manera, que se cuenta con un conjunto de patrones de entrenamiento 11-dimensional. En la gura Nº 1 se muestra la arquitectura de una red neuronal con un vector característica de 4 elementos, una capa oculta con 3 neuronas y una capa de salida con una neurona. Para encontrar el mejor modelo de la red neuronal, de manera e ciente y e caz, es necesario minimizar los elementos mal clasi cados por la red y simpli car su estructura. Esto se puede lograr, disminuyendo el número de neuronas en la capa oculta o utilizando técnicas de reducción de la dimensionalidad para minimizar el tiempo de entrenamiento. Figura N 1 Red Neuronal con una capa oculta y una neurona de salida. Descripción de los datos Los datos utilizados han sido divididos de manera aleatoria en tres grupos. En cada grupo, se tienen dos archivos, uno para proceso de entrenamiento y otro para las pruebas. -57-

4 En el cuadro Nº 1 se muestran las características de los datos y su respectiva descripción. La característica CLASE en la última la del cuadro representa, mediante el valor 1, si el cliente es pagador, y mediante el valor 0 si no lo es. Este dato indica el valor que la red debe inferir a partir de las 11 características anteriores. Cuadro N 1 Características de datos históricos. Variable Descripción Tipo Valores ESCT Estado civil Categ 0,1,2,3. NDEP Nro. de dependientes Categ 0,1,2,3,4,5,6,7. RENDA Renta Numer TIPOR Tipo de Residencia Categ 0,1 VBEM Valor de bien a ser adquirido Numer NPARC Número de parcelas o cuotas Numer jan/24 VPARC Valor de la parcela o cuota Numer TEL Si el cliente posee teléfono Categ 0,1. IDADE Edad del Cliente Numer RESMS Tiempo de mora Numer ENTRAD Valor de entrada Numer CLASE 1 si es cliente pagador, 0 en caso contrario Categ 0,1. Como se mencionó en la sección anterior, la entrada a la red podría ser un vector 11-dimensional en el caso de tomar todos los datos, mientras que la salida consistirá de una neurona. En la siguiente sección se describe la metodología para el preprocesamiento de los datos, la cual utiliza procedimientos para normalizar, como para reducir el número de variables mediante (PCA). -58-

5 Metodología para hallar el modelo de Red Neuronal Para encontrar el mejor modelo, es decir, aquel que realice el mejor proceso de clasi cación (maximice la cantidad de aciertos y minimice el error en el proceso de entrenamiento de la red neuronal), se realizaron dos experimentos: Experimento 1: Se crean 19 modelos de redes neuronales, los cuales van de 2 a 20 neuronas en la capa oculta, cuyos datos de entrada fueron preprocesados mediante técnicas de normalización y PCA. Normalización de los Datos Para los datos del experimento 1, se realizó un proceso de normalización de los datos de entrada a la red, en base a la media y la desviación estándar, como se muestra en la fórmula 1. Donde es el dato normalizado, x es el dato original, μ es la media de todos los valores de la variable x, y θ es la desviación estándar de la variable x. Esta técnica de normalización es aplicada a los patrones de entrada. La salida no requiere ser desnormalizada ya que toma valores entre 0 y 1. Con este proceso se busca que los elementos de entrada tengan una media de cero y una desviación estándar igual a uno. Análisis de Componentes Principales El análisis de componentes principales (PCA) busca explicar la estructura de la correlación de un conjunto de variables predictoras usando un pequeño conjunto de combinaciones lineales de esas variables. Esas combinaciones lineales son llamadas componentes. La variabilidad total de un conjunto de datos, producida por todos los datos de m variables, pueden ser, a menudo, representadas principalmente por un pequeño conjunto de k combinaciones lineales de esas variables. Lo cual podría signi car que hay tanta información en las k componentes como en el conjunto original de m variables (Dan, 2006). Experimento 2: Se crean 19 modelos de redes neuronales, los cuales van de 2 a 20 neuronas en la capa oculta, cuyos datos de entrada no han sido preprocesados. -59-

6 Este hecho, sugiere que en lugar de trabajar con n registros de m variables, ahora es posible trabajar con n registros de k componentes, donde k<m. Por lo tanto, el uso de esta técnica nos permitirá disminuir la dimensionalidad de los patrones de entrada, haciendo que el proceso de entrenamiento sea más e ciente. De esta manera, lo que se pretende determinar es, si este proceso de reducción de dimensionalidad, sumando a la normalización de los datos, mejora los resultados de la red. Así, para los datos del experimento 1, se realizó el proceso de normalización. Posteriormente, se aplicó PCA y se tomó un número de componentes principales con el n de que expliquen el total de la información en no menos de un 99.9%. En la gura Nº 2 se puede apreciar que solo son necesarios siete componentes principales para representar la información con un error de 0.001, de modo que, estos siete componentes representan un total del 99.9% de la información. Esto indica que la dimensionalidad de los patrones de entrada puede ser reducida de once dimensiones a solo siete, logrando una reducción de la dimensionalidad del 36.36%. Cuadro N 2 Análisis de componentes principales Entrenamiento En fase de entrenamiento se utilizaron tres archivos, cada uno de los cuales cuenta con 1500 registros. Las redes fueron con guradas para ser entrenadas con el 60% de los datos de cada archivo de entrenamiento. -60-

7 Asimismo, el 20% fue utilizado para validación y el 20% restante para pruebas. Posteriormente, el proceso fue dividido en los dos experimentos: Experimento 1: Las entradas a la red fueron normalizadas utilizando como base, la media y desviación estándar; luego se aplicó PCA a los datos, reduciendo la dimensionalidad a 7 características en lugar de 11, como se demuestra en la subsección B. Experimento 2: Las entradas a la red no fueron normalizadas ni se redujo la dimensionalidad. Para cada experimento, se crearon 19 redes neuronales tipo feedforward con entrenamiento Back Propagation, las redes variaron en el número de neuronas en la capa oculta de 2 a 20. En la siguiente subsección se explicará el proceso de pruebas y determinación del mejor modelo. Determinación del mejor modelo En esta fase se entrenaron a las redes con los datos de los experimentos 1 y 2 con el objetivo de analizar cuál de las con guraciones de red retorna el menor número de falsos positivos y falsos negativos, así como el error de la clasi cación. Para este propósito se utilizó una matriz de confusión desarrolladas por (Kohavi y Provost, 1998). Esta matriz contiene información sobre la clasi cación real y predicha por un sistema de clasi cación y permite evaluar la efectividad del sistema. Con esta información, la función de confusión puede determinar el número de falsos positivos, de falsos negativos y estimar la abilidad del modelo. Esta función fue aplicada a los datos de salida de las 19 redes neuronales y en cada experimento. Los resultados fueron evaluados a n de determinar cuál es la mejor con guración de red en cada experimento y veri car si el preprocesamiento de los datos signi ca alguna ventaja en relación a los experimentos sin preprocesamiento. -61-

8 Experimentos Se realizaron dos experimentos, el experimento 1, el cual aplica un proceso de normalización y PCA a los datos. Y el experimento 2, que no usa normalización ni PCA. Cuadro N 3 Falsos positivos en clase pagadores En el cuadro Nº 3, se observan los elementos mal clasi cados para el grupo de pagadores. Es decir, elementos que debieron ser clasi cados como 1, pero fueron clasi cados como cero, mientras que en la gura 4, se da el caso opuesto. Al lado izquierdo de ambas imágenes se aprecia la relación entre falsos positivos y el número de neuronas en cada modelo con datos normalizados y con disminución de la dimensionalidad por medio de PCA. Al lado derecho, se muestra la misma relación, pero para los datos no normalizados y sin reducción de la dimensionalidad. -62-

9 En el cuadro Nº 3, se muestran los elementos mal clasi cados en la clase 1, es decir, elementos que debieron estar en la clase 1 (buenos pagadores) pero que fueron clasi cados en la clase 2 (malos pagados). Aquí podemos notar, que utilizando PCA y normalización en los tres casos, son necesarias más de 8 neuronas para obtener falsos positivos de alrededor del 10%. Frente al caso, de los datos no normalizados (imágenes a la derecha y de color rojo), cuyos modelos requiere redes neuronales de 12 neuronas para obtener un 16% de falsos positivos. Cuadro N 4 Falsos positivos en clase no pagadores En el cuadro Nº 4, el caso es similar al anterior, solo que esta vez se trata de elementos que debieron ser clasi cados en el grupo 2, pero aparecen en el grupo 1. Aquí se puede notar que el grupo sin PCA requeriría solo de cuatro neuronas para clasi car con una cantidad de falsos positivos de alrededor del 15%, frente a las ocho neuronas que se necesitarían utilizando PCA y normalización (alcanzando aproximadamente un 16% de falsos positivos). Podemos notar que, aproximadamente con 12 neuronas, el modelo con datos normalizados y PCA tiene el menor número de falsos positivos en -63-

10 promedio, tanto en clase 1 como en la clase 2. Por otro lado, y para el modelo basado en datos normalizados y con PCA, esto ocurre solo con 8 neuronas. Conclusiones El comportamiento del modelo basado en redes neuronales con datos de entrenamiento normalizados y con dimensionalidad disminuida aplicando PCA es superior a los modelos sin realizar un tratamiento previo de los datos de entrenamiento. PCA permitió disminuir la dimensionalidad de los datos en un 36.36%. Esto, sumado a que el modelo solo requiere 8 neuronas frente a las 12 necesarias para el experimento que utiliza datos sin normalización ni PCA, permite realizar un proceso de entrenamiento mucho más rápido. Con los dos puntos anteriores podemos concluir que el modelo, entrenado con datos normalizados y a los cuales se les aplicó PCA, es e caz y e ciente frente al modelo sin normalización ni PCA. Referencias Dissanayake, B., Hendahewa, C., & Karunananda, A. (2007). Arti cial neural network approach to credit risk assessment. Second international conference on industrial and information systems, Larose, D. (2006). Mining methods and models. USA: Wiley-IEEE Press. Qian, Y. (2007). Financial modeling and credit scoring with neural network. Wireless communications, networking and mobile computing, Qian, Y. & Benquan, L. (2007). Classi cation algorithms based on neural network and it's application in the credit market. Service systems and service management, 1-6. Shyu, D., Chang, C., & Chi, T. (2008). Establish credit rating system and apply back-propagation network for forecasting insurance companies. In ICICIC '08: Proceedings of the rd International Conference on Innovative Computing Information and Control. Washington, D.C.: IEEE Computer Society. -64-

Técnica para reusar artefactos de análisis y diseño en el modelamiento de software

Técnica para reusar artefactos de análisis y diseño en el modelamiento de software Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (67-78) Universidad La Salle Arequipa, Perú Técnica para reusar artefactos de análisis y diseño en el modelamiento de software 1 Percy

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

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito

RW.02 RW.01. Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad comercial de las empresas

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

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

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

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

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

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

Minería de datos para la determinación del grado de exclusión social

Minería de datos para la determinación del grado de exclusión social Minería de datos para la determinación del grado de exclusión social Data mining to determine the degree of social exclusion * Jorge Enrique Rodríguez Rodríguez Fecha de recepción: 23 de agosto de 2008

Más detalles

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES

CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14

Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14 Detección de Intrusiones mediante el uso de Redes Neuronales Britos J. Daniel 12, Arias. Silvia 13, Vargas Laura 14 1. Facultad de Ciencias Exactas, Físicas y Naturales. Universidad Nacional de Córdoba.

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

Curso Data Mining y Aplicaciones en Riesgo de Crédito

Curso Data Mining y Aplicaciones en Riesgo de Crédito RW.02 RW.01 Transferencia Internacional de Curso Data Mining y Aplicaciones en Riesgo de Crédito RICHARD WEBER PhD. En Investigación de Operaciones del Instituto de Tecnología de Aachen, Alemania La actividad

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

Grado en Ingeniería Informática

Grado en Ingeniería Informática Primer Curso Primer semestre ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS Cálculo

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

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Tema 5. Reconocimiento de patrones

Tema 5. Reconocimiento de patrones Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores

Más detalles

MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA

MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA MODELO HÍBRIDO DE CLASIFICACIÓN BASADO EN ALGORITMOS GENÉTICOS Y MÁQUINAS DE VECTORES DE SOPORTE APLICADO A LA EVALUACIÓN CREDITICIA ANDRÉS YESID RAMÍREZ AYA UNIVERSIDAD NACIONAL DE COLOMBIA FACULTAD DE

Más detalles

CURRICULUM. : Javier Enrique Vidal Valenzuela. Fecha de nacimiento : 3 de Octubre de 1965

CURRICULUM. : Javier Enrique Vidal Valenzuela. Fecha de nacimiento : 3 de Octubre de 1965 CURRICULUM I. ANTECEDENTES PERSONALES Nombre Nacionalidad Carnet de identidad Estado Civil : Javier Enrique Vidal Valenzuela : Chilena : 9.413.058-1, Concepción : Casado, dos hijos Fecha de nacimiento

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

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática ESCUELA SUPERIOR DE INGENIERÍA Chile, 1 11002-CÁDIZ Teléfono: 95 015100 Fax: 95 015101 Más información: www.uca.es/ingenieria Itinerario curricular recomendado ENSEÑANZAS

Más detalles

Unidad 2 Modelos de optimización

Unidad 2 Modelos de optimización Unidad 2 Modelos de optimización Objetivos Al nalizar la unidad, el alumno: Construirá modelos matemáticos de optimización. Resolverá problemas prácticos con el método gráfico. Matemáticas para negocios

Más detalles

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico

Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Pronóstico de Ventas: Comparación de Predicción basada en Redes Neuronales versus Método Estadístico Nojek, S. 1, Britos, P. 1,2, Rossi, B. 1,2 y García Martínez, R. 2 1 Departamento de Ingeniería Industrial.

Más detalles

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT

DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza

Más detalles

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales.

Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales. 6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Predicción del índice IBEX-35 aplicando Máquinas de

Más detalles

Redes Neuronales Artificiales y sus Aplicaciones

Redes Neuronales Artificiales y sus Aplicaciones Redes Neuronales Artificiales y sus Aplicaciones Profesorado Departamento Programa de Doctorado Créditos 3 Nº de Plazas 2. La asignatura 2. Objetivos de la asignatura 3. Contenidos 4. Metodología de trabajo

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

CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD NACIONAL DE SAN AGUSTIN MAGISTER EN INGENIERÍA DE SOFTWARE

CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD NACIONAL DE SAN AGUSTIN MAGISTER EN INGENIERÍA DE SOFTWARE CURRÍCULUM VITAE CRISTIAN JOSE LOPEZ DEL ALAMO Actualmente director del area de informática y docente, investigador de la carrera de la Universidad La Salle de Arequipa. También es docente en ciencias

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos Guía docente Impartido por: Juan Alfonso Lara Torralbo 1. Datos del docente NOMBRE Juan Alfonso Lara Torralbo FORMACIÓN

Más detalles

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales

MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 5: Redes Neuronales 1 Objetivos del tema Conocer las limitaciones de los modelos lineales en problemas de modelización/ clasificación.

Más detalles

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

Neural Tools y Credit Scoring

Neural Tools y Credit Scoring Bienvenidos Neural Tools y Credit Scoring Foro de Análisis de Riesgos y Decisiones para Latinoamérica 2011 2 / Junio / 2011 - México Presentado por Gustavo Vinueza, Msc.Finanzas gvinueza@palisade.com Consultor

Más detalles

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales

Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales César E. Martínez Reinoso, Mario Alvarez Sifontes, Francisco J. Arteaga Bravo Unidad de Investigación

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

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

Más detalles

Clasificación 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

Redes neuronales y predicción de tráfico

Redes neuronales y predicción de tráfico Redes neuronales y predicción de tráfico Neural networks and prediction of traffic NELSON STIVET TORRES ÁLVAREZ Ingeniero electrónico. Estudiante de la Maestría en Ciencias de la Información y las Comunicaciones

Más detalles

Doctorado en Ingeniería Informática Doctorado en Ingeniería Informática grado de Doctor en Ingeniería Informática

Doctorado en Ingeniería Informática Doctorado en Ingeniería Informática grado de Doctor en Ingeniería Informática La Escuela de Ingeniería Informática de la Pontificia Universidad Católica de Valparaíso abre las postulaciones al programa de Doctorado en Ingeniería Informática, versión Agosto de 2014. Doctorado en

Más detalles

JOSÉ OCTAVIO GUTIÉRREZ GARCÍA

JOSÉ OCTAVIO GUTIÉRREZ GARCÍA JOSÉ OCTAVIO GUTIÉRREZ GARCÍA Profesor de Tiempo Completo del Departamento Académico de Computación DOMICILIO Río Hondo No. 1 Progreso Tizapán México 01080, D.F. Tel: +52 (55) 5628-4000 Ext. 3645 Fax:

Más detalles

José Ignacio Latorre Universidad de Barcelona

José Ignacio Latorre Universidad de Barcelona INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a

Más detalles

51 Int. CI.: G06F 11/34 (2006.01) 71 Solicitantes: 72 Inventor/es: 74 Agente/Representante:

51 Int. CI.: G06F 11/34 (2006.01) 71 Solicitantes: 72 Inventor/es: 74 Agente/Representante: 19 OFICINA ESPAÑOLA DE PATENTES Y MARCAS ESPAÑA 11 21 Número de publicación: 2 427 645 Número de solicitud: 201131833 51 Int. CI.: G06F 11/34 (2006.01) 12 INFORME SOBRE EL ESTADO DE LA TÉCNICA R1 22 Fecha

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

Programa de Conferencias Orientación Vocacional Profesional

Programa de Conferencias Orientación Vocacional Profesional Informes Campus Universidad La Salle Av. Alfonso Ugarte 517, Cercado. Arequipa Telf: (51 54) 607554 / 607555 Anexo (403) www.ulasalle.edu.pe ovpulasalle@ulasalle.edu.pe Programa de Conferencias Orientación

Más detalles

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS.

MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. MATERIAL DE APOYO CASO PRÁCTICO SISTEMA INTEGRAL PARA LA PROYECCION Y DETECCION DE LA PREVENCION DEL DELITO, MEDIANTE MINERIA DE DATOS. PRESENTA MTIE. Erik Guerrero Bravo. Tula de Allende Hidalgo Septiembre

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

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

REDES AUTOORGANIZATIVAS II

REDES AUTOORGANIZATIVAS II Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría

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

Agentes neuronales para invertir en bolsa en el simulador MAStock

Agentes neuronales para invertir en bolsa en el simulador MAStock Agentes neuronales para invertir en bolsa en el simulador MAStock Rafael Castillo, Gabriel Prat Departament de Llenguatges i Sistemes Informàtics (LSI) Universitat Politècnica de Catalunya (UPC) rafael@lsiupces;

Más detalles

Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida.

Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida. Módulo de Inteligencia de Negocio en un sistema de control de la producción en plantas de generación de energía distribuida. Autores: Carlos Javier Quintero Blanco, Universidad de las Ciencias Informáticas,

Más detalles

CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS

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

Más detalles

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías.

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías. PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías José M. Gutiérrez Rafael Cano Antonio S. Cofiño Miguel A. Rodríguez Instituto Nacional

Más detalles

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

Reconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental

Reconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental Reconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental Diego Auquilla 1, Kenneth Palacio-Baus 1, Víctor Saquicela 2 1 Departamento de Ingeniería

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA

2. CLASIFICACIÓN DE LA ACTIVIDAD CURRICULAR, FORMACIÓN PRÁCTICA Y CARGA HORARIA CÓDIGO ASIGNATURA 1131-3 DEPARTAMENTO: Ingeniería e Investigaciones Tecnológicas ASIGNATURA: DATA MINING y DATA WAREHOUSE Plan 2009 Ingeniería en Informática Año: 5 (Electiva - Ingeniería de Software)

Más detalles

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2

Palabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2 Clasificación de consumidores eléctricos mediante el uso de varias técnicas de redes neuronales artificiales, e identificación de nuevos clientes con las redes entrenadas S. Valero, M. Ortiz, C. Senabre,

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

Aplicación de la categoría Administración de Operaciones de Calidad del estándar ISA-95 a un Caso de Estudio

Aplicación de la categoría Administración de Operaciones de Calidad del estándar ISA-95 a un Caso de Estudio Aplicación de la categoría Administración de Operaciones de Calidad del estándar ISA-95 a un Caso de Estudio Andrés Alejandro Sánchez* Diego Leonardo Zuñiga* Oscar A. Rojas A* * Grupo de I+D en Automática

Más detalles

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la

Más detalles

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7

ASIGNATURA FECHA HORA AULA. Matemática Discreta 25-ene 16,00-19,00 LAB. 7. Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES FEBRERO - CURSO 2015-2016 PRIMER CURSO - GRUPO B Matemática Discreta 25-ene 16,00-19,00 LAB. 7 Álgebra Lineal 06-feb 09,00-12,00 LAB. 7 EXÁMENES JUNIO - CURSO 2015-2016 PRIMER CURSO - GRUPO B

Más detalles

Análisis y diseño de redes neuronales CMAC para la identificación y control de sistemas no lineales

Análisis y diseño de redes neuronales CMAC para la identificación y control de sistemas no lineales CENTRO DE INVESTIGACIÓN Y DE ESTUDIOS AVANZADOS DEL INSTITUTO POLITÉCNICO NACIONAL Departamento de Control Automático Título de la Tesis: Análisis y diseño de redes neuronales CMAC para la identificación

Más detalles

Diseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA

Diseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA Diseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA Mg. Marcelo A. Tosini Grupo Inca/Intia Facultad de Ciencias Exactas Universidad Nacional del Centro de la Provincia

Más detalles

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)

La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de

Más detalles

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

Máster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo

Máster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo Máster de Visión Artificial Asignatura: Aplicaciones Industriales Práctica puntuable Reconocimiento Manuscrito Orión García Gallardo INTRODUCCIÓN La escritura a mano ha persistido como medio de comunicación

Más detalles

Organización del Computador. Prof. Angela Di Serio

Organización del Computador. Prof. Angela Di Serio Punto Flotante Muchas aplicaciones requieren trabajar con números que no son enteros. Existen varias formas de representar números no enteros. Una de ellas es usando un punto o coma fijo. Este tipo de

Más detalles

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS 1 INTRODUCCIÓN 1.1 Justificación Esta investigación está motivada por el interés en lograr una mejor comprensión del papel que desempeña la creatividad dentro

Más detalles

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales

Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano

Área Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre

Más detalles

Technology. Journal of object Oriented Programming. Journal of Information Systems Management. Revista Colombiana de Computación

Technology. Journal of object Oriented Programming. Journal of Information Systems Management. Revista Colombiana de Computación MINI CURRICULUM VITAE Nombres: Maria Angélica Apellidos: Pérez de Ovalles C Identidad: V-3821365 Fecha de Ingreso a la USB: 15-04-92 e-mail: movalles@usb.ve Ext-USB: 4017 Lugar de Trabajo: MYS 309 A Dpto:

Más detalles

Reconocimiento de patrones mediante redes neuronales artificiales

Reconocimiento de patrones mediante redes neuronales artificiales Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas

Más detalles

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval. Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País

Más detalles

Tablas de convalidación de Titulaciones Antiguas a Grados ETSII, URJC

Tablas de convalidación de Titulaciones Antiguas a Grados ETSII, URJC INGENIERO EN (PLAN ANTIGUO) FUNDAMENTOS DE LOS MATEMÁTICA DISCRETA Y ÁLGEBRA INTRODUCCIÓN A LA LÓGICA MATEMÁTICA LÓGICA CÁLCULO LENGUAJES INFORMATICOS ESTRUCTURAS DE DATOS FUNDAMENTOS DE REDES DE ORDENADORES

Más detalles

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO INTRODUCCIÓN David A. Mermelstein Los modelos de Credit Scoring son parte de una metodología para el manejo del riesgo de crédito ya

Más detalles

Predicción de índices de futuros financieros mediante redes neuronales

Predicción de índices de futuros financieros mediante redes neuronales Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de

Más detalles

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

Inteligencia artificial en redes de comunicaciones

Inteligencia artificial en redes de comunicaciones Inteligencia artificial en redes de comunicaciones APLICACIONES Autor: Pablo Borches Juzgado ARQUITECTURA DE RED INTELIGENTE INAP: Intelligent Network Application Protocol Objetivo: implantación de nuevos

Más detalles

Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile

Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile Credit Scoring Hecho en Chile Un caso de Éxito Dr. Richard Weber, Departamento de Ingeniería Industrial, Universidad de Chile Modelos Analíticos de Scoring Motivación original: Predecir qué clientes fallarán

Más detalles

EPB 603 Sistemas del Conocimiento

EPB 603 Sistemas del Conocimiento EPB 603 Sistemas del Conocimiento Dr. Oldemar Rodríguez R. Maestría en Administración de la Tecnología de la Información Escuela de Informática EIA411 EPB 603 - Minería Sistemas de del Datos Conocimiento

Más detalles

Calidad y Auditor Interno ISO TS 16949:2009. Diplomado Profesional en

Calidad y Auditor Interno ISO TS 16949:2009. Diplomado Profesional en Diplomado Profesional en Calidad y Auditor Interno ISO TS 16949:2009 Diplomado con asesoría para realización de proyectos con aplicación practica en empresas del sector manufacturero, comercial y de servicios;

Más detalles

Ciencia de Servicios como herramienta de innovación y creación de valor en tiempos de crisis

Ciencia de Servicios como herramienta de innovación y creación de valor en tiempos de crisis 3 rd International Conference on Industrial Engineering and Industrial Management XIII Congreso de Ingeniería de Organización Barcelona-Terrassa, September 2nd-4th 2009 Ciencia de Servicios como herramienta

Más detalles

Graduado/a en Ingeniería de Computadores. (306) Electrónica Digital

Graduado/a en Ingeniería de Computadores. (306) Electrónica Digital (6) Electrónica Digital 1 17649S 1416 6.22 66 2 5741197H 14 5.58 Página 1 de 12 (1) Ingeniería de Protocolos 1 74918566E 1479 6.84 12 2 Y89569K 145 5. 6 Página 2 de 12 /9/215 Nº Plazas: * Graduado en Ingeniería

Más detalles

INFERENCIA DE CONTEXTO EN APLICACIONES MOVILES INTELIGENTES

INFERENCIA DE CONTEXTO EN APLICACIONES MOVILES INTELIGENTES INFERENCIA DE CONTEXTO EN APLICACIONES MOVILES INTELIGENTES Reiner Solís rsolis@ulima.edu.pe Instituto de Investigación Científica de la Universidad de Lima Resumo: El presente artículo propone el modelo

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

Aplicación de las Técnicas de Modelado y Simulación en la Gestión de Servicios TI

Aplicación de las Técnicas de Modelado y Simulación en la Gestión de Servicios TI Aplicación de las Técnicas de Modelado y Simulación en la Gestión de Servicios TI Elena Orta 1, Mercedes Ruiz 1 y Miguel Toro 2 1 Departamento de Lenguajes y Sistemas Informáticos Escuela Superior de Ingeniería

Más detalles

Aplicación de redes expertas para la predicción de tendencias del mercado financiero

Aplicación de redes expertas para la predicción de tendencias del mercado financiero Aplicación de redes expertas para la predicción de tendencias del mercado financiero Aplicación de redes expertas para la predicción de tendencias del mercado financiero Ing. Mario M. Figueroa de la Cruz,

Más detalles

http://portal.acm.org

http://portal.acm.org Association for Computing Machinery (ACM) Mark Mandelbaum, Director of Publications ACM Digital Library and its contributions to the technological development SYSTEMS link International Mauricio Caceres

Más detalles

HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN

HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS INFORMACIÓN REQUERIDA POR ASIGNATURA. NOMBRE DE LA ASIGNATURA: ADMINISTRACIÓN Y AUDITORIA DE LA FUNCIÓN 2. NIVEL DEL : ESPECIFICO DEL ÁREA SIS INFORMÁTICOS

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

FINANZAS > ANÁLISIS DE RIESGOS

FINANZAS > ANÁLISIS DE RIESGOS FINANZAS > ANÁLISIS DE RIESGOS Modelos analíticos para el el para analíticos Modelos www.trendmanagement.cl 44 manejo del riesgo de crédito crédito de riesgo del manejo Pablo Coloma Ingeniero Civil Industrial

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

Motivación: Control Distribuido:

Motivación: Control Distribuido: Motivación: La clase pasada examinamos brevemente los conceptos de Diseño de sistemas de instrumentación inteligente e Instrumentación Virtual. Durante la discusión del diseño de sistemas de instrumentación,

Más detalles