Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
|
|
- Josefina Cárdenas Guzmán
- hace 7 años
- Vistas:
Transcripción
1 Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani
2 Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción al aprendizaje automático 3.2 Árboles de decisión 3.3 Redes neuronales 3.4 Algoritmos genéticos 3.5 Aprendizaje por refuerzo
3 Célula nerviosa o neurona: Cerebro humano cada célula contiene un cuerpo (soma), varias fibras (dentridas) y una fibra larga (axón) cada neurona se conecta con otras (entre 0 y ) (conexión: sinapsis) neuronas propagan señales mediante reacciones electroquímicas las señales: controlan la actividad del cerebro (pensamiento) permiten establecer cambios de posición y conectividad de las neuronas (aprendizaje) Sinapsis Axon Sinapsis Dendritas Axon Dendritas Soma Soma Sinapsis
4 Funcionamiento de una neurona: Cerebro humano las dentridas reciben las señales de (muchas) otras neuronas (entradas) la influencia colectiva de todas sus entradas pueden activar una neurona una neurona activada transporta una señal a las neuronas con las que está conectada (salida) En este procedimiento: la neurona sólo se activa si la influencia colectiva de todas sus entradas supera un nivel mínimo de potencial eléctrico las sinapsis influyen de forma distinta en la activación de la neurona algunas refuerzan la activación (con diferentes grados) otras inhiben la activación (con diferentes grados) la salida de una neurona es, a su vez, la entrada para muchas otras neuronas Variabilidad de las sinapsis el grado de influencia de una sinapsis puede cambiar con el tiempo incluso, se crean nuevas sinapsis Se cree que esta variabilidad es la base del aprendizaje humano.
5 Neuronas artificiales Señales Entrada Pesos Señales de salida x w x 2 w 2 Neurona g w n x n x,,x n entradas w,,w n pesos salida g función de activación: g(x,,x n )=
6 Funciones más comunes de activación x x 2 w w 2 en = n i= w i x i g x n w n Función Umbral Función Signo Función Sigmoide Función Lineal 0 U - en 0 U en 0 - en 0 en - -, si en > U = 0, en caso contrario, si en > U =, en caso contrario en = + e = en
7 Red neuronal biológico y artificial Red Biológica Soma Dendrita Axon Sinapsis Reacción electroquímica en la célula Red Artificial Neurona Entrada Salida Peso Función de activación Sinapsis Dendrites Axon Soma Sinapsis Soma Dendrites Axon I n p u t S i g n a l s O u t p u t S i g n a l s Sinapsis Middle Layer Input Layer Output Layer
8 Neurona más simple: el perceptrón Neurona artificial con una función de activación umbral n, si wi xi > U = i= 0, en caso contrario x w U x 2 w 2 Entradas y salidas binarias El perceptrón para clasificación: puede representar una función booleana de sus entradas Ejemplos: x,5 x 0,5 x 2 x 2 AND OR
9 Red Perceptrón Varias perceptrones componen una red neuronal simple (de una capa) x x 2 x 3 Salida: - codificación de las clases x 4 Entradas: - codificación binaria de los casos Pesos Ejemplo: reconocimiento de números: Perceptrones: - determinan las salidad 2 cada pixel representa una entrada x i o bien 4 neuronas (salidas: 0000, 000, 000, 00, ) o 9 neuronas (salidas: , , , )
10 Aprendizaje de perceptrónes Suponemos un perceptrón de n entradas (x,x 2,,x n ) y una salida y x i e y son binarios Suponiendo un conjunto de ejemplos de entrenamiento: { (X,y), (X2,y2), } con Xi=(x i,x i2,,x in ) Objetivo: aprender un perceptrón que concuerde con los ejemplos, es decir, que implementa la función booleana: f (x,x 2,,x n )= x w U x n w n Para ello hay que aprender los pesos w,,w n y el umbral U En el caso de una red, se considera cada perceptrón por separado
11 Aprendizaje de perceptrónes Idea: Se presenta los ejemplos de entrenamiento de forma iterativa al perceptrón Para cada ejemplo, se compara el resultado de la clasificación del perceptron con el resultado deseado Si hay diferencias, se realizan pequeños ajustes en los pesos de las entradas para reducir estas diferencia Se repite este procedimiento hasta que los resultados convergen (el perceptrón haya aprendido) x w U x n w n
12 Aprendizaje de perceptrónes Pasos en la iteración i con ejemplo de entrenamiento ((x i,x i2,,x in ),yi). Clasificar el ejemplo (x i,x i2,,x in ) con el perceptrón: se obtiene el valor de clasificación actual yi actual 2. Compara el valor actual con el valor deseado: Calcular el Error: e(i)= yi- yi actual 3. Calcular la corrección de pesos con la regla delta: w j =α x ij e(i), para j=, n (α es una constante de aprendizaje) 4. Actualizar los pesos (w,,w n ): w j (i+) = w j (i) + w j, para j=, n Ejemplo i ((x i,,x in ),yi) : x i x x n w U yi actual e(i)= yi- yi actual x in w n w (i+)=w (i)+ w w n (i+)=w n (i)+ w n w =α x i e(i) w n =α x in e(i)
13 Análisis de situaciones: Aprendizaje de perceptrónes Caso : yi = yi actual (ambos tienen o valor 0 o valor ) e(i)= yi- yi actual =0 w j =α x ij e(i)=α x ij 0 = 0 no se modifican los pesos w j (i+) = w j (i) Ejemplo: (X i,yi)= ((0,,),0) x =0 x 2 = 0,2 0,5 n, si wi xi > U = i= 0, en caso contrario = 0 x 3 = 0,2
14 Aprendizaje de perceptrónes Análisis de situaciones: Caso 2: yi = e yi actual =0 (clasificado como negativo cuando debe ser positivo) e(i)= yi- yi actual = w j =α x ij e(i)=α x ij se aumentan los pesos de entradas activas: si x ij = entonces w j (i+) = w j (i)+ α aumentando los pesos de las entradas positivas se aumenta la posibilidad de que la salida sea positiva no se modifican los pesos de entradas negativas (si x ij =0 entonces w j (i+) = w j (i)) Ejemplo: (X i,yi)= ((0,,),) con α=0, x =0 x 2 = 0,2 0,5 y=0 x =0 x 2 = 0,3 0,5 y= x 3 = 0,2 x 3 = 0,3
15 Aprendizaje de perceptrónes Análisis de situaciones: Caso 3: yi = 0 e yi actual = (clasificado como positivo cuando debe ser negativo) e(i)= yi- yi actual =- w j =α x ij e(i)=-α x ij se disminuyen los pesos de entradas activas: si x ij = entonces w j (i+) = w j (i)- α no se modifican los pesos de entradas negativas (si x ij =0 entonces w j (i+) = w j (i)) disminuyendo los pesos de las entradas positivas se aumenta la posibilidad de que la salida sea negativa Ejemplo: (X i,yi)= ((0,,),0) con α=0, x =0 x 2 = 0,4 0,5 y= x =0 x 2 = 0,3 0,5 y= x 3 = 0,4 x 3 = 0,3
16 Algoritmo de aprendizaje: Aprendizaje de perceptrónes. Inizializacion: Fijar los pesos iniciales w,, w n y el umbral U aleatoriamente en el rango [ 0.5, 0.5]. 2. Dado el ejemplo de entrenamiento ((x i,x i2,,x in ),yi) realiza los pasos:. Clasificar el ejemplo (x i,x i2,,x in ) 2. Calcular el error e(i)= yi-yi actual 3. Calcular la corrección de pesos con la regla delta w j=α x ij e(i) 4. Actualizar los pesos w j (i+) = w j (i) + w j 3. Repite el paso 2 con el siguiente ejemplo hasta que el algoritmo converge Un criterio de convergencia habitual: el número de errores entre los últimos n ejemplos es menor que un determinado umbral
17 Aprendizaje de un perceptrón: Ejercicio Realiza el aprendizaje de un perceptrón con tres entradas y una salida (vea el dibujo) y con los siguientes ejemplos de entrenamiento: {((0,,0),),((,0,0),0), ((,,0),),((0,0,),0)} Supón que los pesos y el umbral están inicializados a 0,2 y que el parámetro α tiene el valor 0,3. x 0,2 0,2 y x 2 x 3 0,2 0,2
18 Análisis perceptrón El objetivo del perceptron es clasificar entradas, (x,..., x n ), en dos clases, por ejemplo A y A 2. La clasificación se realiza según la siguiente regla de decisión: n Si xiwi U > 0 entonces devuelve A. i= En realidad, el perceptrón divide el espacio n-dimensional de entradas en dos regiones. La división viene dada por el hiperplano definido por: n j= w j x j U = 0
19 Análisis perceptrón En dos dimensiones: En tres dimensiones: x Región A Región A 2 x x 3 Región A Región A 2 0 x 2 hiperplano 0 x 2 hiperplano El hiperplano es un separador lineal Hay clases que no se pueden separar con separadores lineales Ejemplo: XOR (inténtelo en un ejercicio) x?? 0 x 2
20 Redes perceptones de una capa: comentarios Buenos para problemas sencillos Como red neuronal, bueno cuando las entradas y salidas son subsimbolicas entradas y salidas binarias no existen atributos claramente diferenciados y identificados Ejemplos: reconocimiento de patrones Es capaz de tratar ruido Apto para aprender funciones aparentemente independientes de los valores concretos de los atributos (p.e.: función mayoría) Problemas: No puede representar cualquier función lógica (XOR) No funciona con atributos de alto nivel (requiere la traducción de los casos a valores binarios)
21 Redes neuronales para clases no linealmente separables Redes multicapa: x x 2 x 3 x 4 Entradas una o varias capas ocultas Pesos Capa de salida el funcionamiento de cada neurona es igual que en el caso de la red de una capa
22 Representabilidad de funciones con redes multicapa Ejemplo: XOR Teorema: x - - x 2-0,5-0,5 a a x x 2 a a 2 y ,5 Con una única capa oculta (suficientemente grande) es posible representar cualquier función continua de las entradas con una precisión arbitraria. y
23 Idea: Pero: Aprendizaje en redes multicapa Igual que en el caso del perceptrón simple: ajustar pesos para minimizar el error (diferencias entre salidas actuales y deseadas) Hay varias salidas posibles Se saben los errores de la capa de salida, pero no los errores de las capas ocultas (no sabemos que valor han de tomar los nodos ocultos) x w,,k w,, O w 2,, S y w,n, x w n,n,k w 2,k, w 2,,j O k S w j 2,k,j y j Solución: propagación hacia atrás del error
24 Pasos (con una capa oculta): Aprendizaje en redes multicapa Para la capa de salida (w 2,r,s ): Calcular el error para cada salida: e 2,s =y s y s_actual Actualizar los pesos: w 2,r,s w 2,r,s + α O r e 2,s (O r es la salida de la neurona oculta O r ) Para la capa oculta (w,r,s ): Propagar el error hacia atrás: e n = = Actualizar los pesos: w,r,s w,r,s + α x r e,s x w,,, s j= w 2, s, j w 2,, y S O e 2, j Cada nodo oculto es responsable de una fracción de los errores cometidos por los nodos de salida. w,,k w,n, x w n,n,k w 2,k, w 2,,j O k S w j 2,k,j y j
25 Redes multi-capa: resumen Teorema: Con una única capa oculta (suficientemente grande) es posible representar cualquier función continua de las entradas con una precisión arbitraria. Problema: no se sabe la estructura (de la red) óptima para cada problema Idea: aprender la estructura y los pesos Sólo hemos visto redes muy simples. Existen otros enfoques para: la propagación de los errores el ajuste de los pesos En general son útiles para tareas donde no se dispone de atributos claramente identificados (p.e. reconocimiento escritura)
MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
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 detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesSistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno
Memorias del II Congreso Binacional de Investigación, Ciencia y Tecnología de las Universidades Sistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno Heber Iván Mejía Cabrera,
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detalles2. PRINCIPALES TIPOS DE REDES NEURONALES
33 2. PRINCIPALES TIPOS DE REDES NEURONALES 2.1 PERCEPTRÓN 2.1.1 Antecedentes. La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; ésta consistía en una suma
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesTema 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 detallesen el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA
COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información
Más detallesTEMA 6 Redes de Neuronas Artificiales
TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Más detallesADALINE Y PERCEPTRON
Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesIntroducción a las redes neuronales aplicadas
Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos
Más detallesCátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.
Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería
Más detallesPrimer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso
Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1
Más detallesREDES 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 detallesESTIMACION DE LA PRESION DE CONVERGENCIA, CONSTANTE DE EQUILIBRIO Y FASES DEL GAS NATURAL
República Bolivariana de Venezuela Ministerio del Poder Popular para la Educación Superior Universidad Nacional Experimental Rafael María Baralt Programa: Ingeniería y Tecnología Proyecto: Ingeniería en
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesI SEMANA ELECTRONICA REDES NEURONALES
UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación
Más detallesOliverio J. Santana Jaria. Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso Los objetivos de este tema son:
3. Circuitos aritméticos ticos Oliverio J. Santana Jaria Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Introducción La realización de operaciones aritméticas y lógicas
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesTema 3. Electrónica Digital
Tema 3. Electrónica Digital 1.1. Definiciones Electrónica Digital La Electrónica Digital es la parte de la Electrónica que estudia los sistemas en los que en cada parte del circuito sólo puede haber dos
Más detallesI.E.S. Miguel de Cervantes (Granada) Departamento de Matemáticas GBG 1
PRODUCTO ESCALAR INTRODUCCIÓN El espacio vectorial de los vectores libres del plano se caracteriza por tener definidas dos operaciones: una interna, suma de vectores, y otra externa, producto de un número
Más detallesCircuitos con fuentes independientes de corriente y resistencias, circuitos R, I
MÉTODO DE LOS NUDOS Es un método general de análisis de circuitos que se basa en determinar los voltajes de todos los nodos del circuito respecto a un nodo de referencia. Conocidos estos voltajes se pueden
Más detallesIntroducción a las Redes Neuronales Aplicadas
Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía
Más detallesMétodo de diferencias finitas para ecuaciones diferenciales parciales elípticas. (Parte II)
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas (Parte II) Métodos numéricos para sistemas lineales Solución numérica de EDPs requiere resolver sistemas de ecuaciones lineales
Más detallesENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA
ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesDesarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional
Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional Titulación: Ingeniero Técnico Industrial Intensificación: Electrónica industrial
Más detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesNo se permiten libros ni apuntes ni calculadora
Ejercicio : [ puntos: respuesta acertada = +, respuesta incorrecta = ] Complete las frases que se muestran a continuación con las alternativas especificadas. En la siguiente tabla, indique "V" o "F" para
Más detallesEs un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre
Es un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre elementos de un conjunto. Típicamente, un grafo se representa
Más detallesComunicación de Datos I Profesora: Anaylen López Sección IC631 MODELO OSI
Comunicación de Datos I Profesora: Anaylen López Sección IC631 MODELO OSI Arquitectura de Redes Definición Formal: Se define una arquitectura de red como un conjunto de niveles y protocolos que dan una
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesActividad: Cómo ocurren las reacciones químicas?
Cinética química Cómo ocurren las reacciones químicas? Nivel: 3º Medio Subsector: Ciencias químicas Unidad temática: Cinética Actividad: Cómo ocurren las reacciones químicas? Qué es la cinética de una
Más detallesComparación 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 detallesAPLICACIÓN DE LA REALIDAD AUMENTADA PARA LA ENSEÑANZA DE REDES NEURONALES OSCAR EDUARDO SERNA ROSERO
APLICACIÓN DE LA REALIDAD AUMENTADA PARA LA ENSEÑANZA DE REDES NEURONALES OSCAR EDUARDO SERNA ROSERO UNIVERSIDAD AUTONOMA DE OCCIDENTE FACULTAD DE INGENIERÍA DEPARTAMENTO DE AUTOMÁTICA Y ELECTRÓNICA PROGRAMA
Más detalles3. Métodos clásicos de optimización lineal
3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema
Más detallesJosé 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 detallesMétodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesPUERTAS LOGICAS. Una tensión alta significa un 1 binario y una tensión baja significa un 0 binario.
PUERTAS LOGICAS Son bloques de construcción básica de los sistemas digitales; operan con números binarios, por lo que se denominan puertas lógicas binarias. En los circuitos digitales todos los voltajes,
Más detallesFigura 3.1. Grafo orientado.
Leyes de Kirchhoff 46. ECUACIONES DE INTERCONEXION. Leyes de Kirchhoff..1. Definiciones. Una red está formada por la interconexión de componentes en sus terminales; y deben cumplirse simultáneamente las
Más detallesCAPITULO XIV TEMPORIZADORES
TEMPORIZADORES CAPITULO XIV TEMPORIZADORES INTRODUCCION. El circuito temporizador integrado más popular es el 555, introducido primero por los Signetics Corporation. El 555 es confiable, fácil de usar
Más detallesTeoremas de Convergencia
Capítulo 24 Teoremas de Convergencia El teorema de la convergencia monótona (Lema 21.3) establece ciertas condiciones sobre una sucesión de funciones medibles para que se puedan permutar los símbolos y
Más detallesTRANSFORMADA DE LAPLACE. Definición: Transformada de Laplace. Sea f(t) una función definida para t 0; a la expresión
TRANSFORMADA DE LAPLACE Definición: Transformada de Laplace. Sea f(t) una función definida para t 0; a la expresión L= = Se le llama Transformada de Laplace de la función f(t), si la integral existe. Notación:
Más detallesInteligencia artificial: todo comienza con una neurona.
MEMORIAS DEL SEGUNDO CONCURSO DE INVESTIGACIÓN, DESARROLLO E INNOVACIÓN TECNOLÓGICA IDIT 2013 Inteligencia artificial: todo comienza con una neurona. Sandra Belén Bejarano Jiménez, Sofía Monserrat Pérez
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesSucesiones Introducción
Temas Límites de sucesiones. convergentes. Sucesiones divergentes. Sucesiones Capacidades Conocer y manejar conceptos de sucesiones convergentes y divergentes. Conocer las principales propiedades de las
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Fernando Izaurieta y Carlos Saavedra Departamento de Física, Universidad de Concepción, Concepción, Chile RESUMEN En esta charla se entrega una descripción de las características
Más detallesProfesor(a): M. A. Zeferino Galarza Hernández
Área Académica: Informática IV Tema: Algoritmos Profesor(a): M. A. Zeferino Galarza Hernández Periodo: Enero-junio de 2012 IV Semestre. Asignatura: Informática IV Tema: Algoritmos Abstract Contains and
Más detallesNeuroanatomía General:
Neuroanatomía General: El sistema nervioso humano, es sin lugar a duda, el dispositivo más complejo ideado por la naturaleza. No solo controla todos los procesos que ocurren en nuestro cuerpo recibiendo
Más detallesEjercicios de Ondas Mecánicas y Ondas Electromagnéticas.
Ejercicios de Ondas Mecánicas y Ondas Electromagnéticas. 1.- Determine la velocidad con que se propagación de una onda a través de una cuerda sometida ala tensión F, como muestra la figura. Para ello considere
Más detallesCLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)
CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE
Más detallesGuía práctica de estudio 05: Diagramas de flujo
Guía práctica de estudio 05: Diagramas de flujo Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 05: Diagramas de
Más detallesAPRENDIZAJE Y DESARROLLO DEL CEREBRO. Lucía Arduz Cardona
APRENDIZAJE Y DESARROLLO DEL CEREBRO Lucía Arduz Cardona INTRODUCCION El cerebro se desarrolla cuando una persona aprende La persona que aprende más, es cada vez más inteligente Resumen de como funciona
Más detallesNúmeros reales Conceptos básicos Algunas propiedades
Números reales Conceptos básicos Algunas propiedades En álgebra es esencial manejar símbolos con objeto de transformar o reducir expresiones algebraicas y resolver ecuaciones algebraicas. Debido a que
Más detallesRelaciones. Estructuras Discretas. Relaciones. Relaciones en un Conjunto. Propiedades de Relaciones en A Reflexividad
Estructuras Discretas Relaciones Definición: relación Relaciones Claudio Lobos, Jocelyn Simmonds clobos,jsimmond@inf.utfsm.cl Universidad Técnica Federico Santa María Estructuras Discretas INF 152 Sean
Más detallesCapítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.
Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detalles3. Prácticas: Simplificación de funciones
3. Prácticas: Simplificación de funciones I. Ejercicios teóricos 1. Representar en un mapa de Karnaugh la siguiente función 2. Representar en un mapa de Karnaugh la siguiente función 3. Representar en
Más detallesTema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Más detallesAritmética entera. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Aritmética entera 1 / 15
Aritmética entera AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Aritmética entera 1 / 15 Objetivos Al finalizar este tema tendréis que: Calcular el máximo común divisor de
Más detallesEs toda la información que utiliza el computador. Según sea la información que guardemos en los datos, se clasifican en los siguientes tipos:
Tipos de datos. Dato: Es toda la información que utiliza el computador. Según sea la información que guardemos en los datos, se clasifican en los siguientes tipos: I Numéricos: Almacenan números y con
Más detallesAgradecimientos. Nota de los autores. 1 Problemas, algoritmos y programas 1
Prologo Agradecimientos Nota de los autores Índice general I III V VII 1 Problemas, algoritmos y programas 1 1.1 Programas y la actividad de la programación.................... 4 1.2 Lenguajes y modelos
Más detallesAprendizaje 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 detallesEl pequeño círculo de la NO-O aporta un NO funcional a la salida, de modo que invierte los estados de la misma.
Diapositiva 1 Diapositiva 2 Este problema se ha incluido en el trabajo para casa, por lo que no se resolverá por completo aquí. Nótese que: (1) la salida será o + o V cc, (2) hay realimentación positiva,
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL
1 TECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL TECNOLOGÍA DE LA COMPUTADORA FACILITADOR: PARTICIPANTE: DAVID, CHIRIQUÍ 2015 2 Qué es un programa? Un programa informático es un conjunto
Más detallesEL PUNTO DE EQUILIBRIO
EL PUNTO DE EQUILIBRIO El punto de equilibrio sirve para determinar el volumen mínimo de ventas que la empresa debe realizar para no perder, ni ganar. En el punto de equilibrio de un negocio las ventas
Más detallesAlgoritmos y solución de problemas. Fundamentos de Programación Otoño 2008 Mtro. Luis Eduardo Pérez Bernal
Algoritmos y solución de problemas Fundamentos de Programación Otoño 2008 Mtro. Luis Eduardo Pérez Bernal Introducción Departamento de Electrónica, Sistemas e Informática En las ciencias de la computación
Más detallesINTRODUCCION DE LA INTELIGENCIA ARTIFICIAL EN LA INGENIERIA CIVIL
INTRODUCCION DE LA INTELIGENCIA ARTIFICIAL EN LA INGENIERIA CIVIL RESUMEN: ATRAVEZ DE LAS REDES NEURONALES ARTIFICIALES * Ing. Karina Carbajal Valdivia El objetivo de este trabajo es hacer una introducción
Más detallesEstructuras en LabVIEW.
Estructuras en LabVIEW. Sumario: 1. Ejecución según el flujo de datos. 2. Estructuras básicas disponibles en LabVIEW. a) Estructura Sequence. b) Estructura Case. c) Estructura For Loop. d) Estructura While
Más detalles4. Operadores Operador asignación
Programación orientada a objetos con Java 43 4. Operadores Objetivos: a) Describir los operadores (aritméticos, incrementales, de relación, lógicos y de asignación) y los tipos de dato primitivos sobre
Más detallesGENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES
GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr.
Más detallesComplementos de Matemáticas, ITT Telemática
Introducción Métodos de punto fijo Complementos de Matemáticas, ITT Telemática Tema 1. Solución numérica de ecuaciones no lineales Departamento de Matemáticas, Universidad de Alcalá Introducción Métodos
Más detallesCompuertas Lógicas. Sergio Stive Solano Sabié. Agosto de 2012 MATEMÁTICA. Sergio Solano. Compuertas lógicas NAND, NOR, XOR y XNOR
XOR y Lógicas Sergio Stive Solano Agosto de 2012 XOR y Lógicas Sergio Stive Solano Agosto de 2012 XOR y XOR y Con las puertas básicas podemos implementar cualquier función booleana. Sin embargo existen
Más detallesEstatutos de Control C# Estatutos de Decisión (Selección)
SELECCIÓN Estatutos de Control C# Estatutos de Decisión (Selección) IF Condición THEN Estatuto1 ELSE Estatuto2 Estatuto1 Statement Condición... Antes de ver esta presentación: Lee el Capítulo correspondiente
Más detallesFUNCION NEURAL. Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion
FUNCION NEURAL Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion 1 CONTINUO CONTACTO 3 4 5 PRINCIPIOS DE LA NEURONA POLARIZACION DINAMINCA ESPECIFICAD DE CONEXIÓN PLASTICIDAD 6 POLARIZACION
Más detallesAutómatas Mínimos. Encontrar el autómata mínimo. Universidad de Cantabria. Introducción Minimización de Autómatas Deterministas Resultados Algoritmo
Autómatas Mínimos Encontrar el autómata mínimo. Universidad de Cantabria Introducción Dado un lenguaje regular sabemos encontrar un autómata finito. Pero, hay autómatas más sencillos que aceptan el mismo
Más detallesDESCRIPCIÓN DE FUNCIONES 1.1.2 y 1.1.3
Capítulo DESCRIPCIÓN DE FUNCIONES..2..3 El objetivo principal de estas lecciones consiste en que los alumnos puedan describir totalmente los elementos esenciales del gráfico de una función. Para describir
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es
Más detallesBloque temático: Sistemas de Reconocimiento de Patrones
Bloque temático: Sistemas de Reconocimiento de Patrones 1 Sistemas de Reconocimiento de Patrones PRACTICAS 6)Estudio de ejemplos en Matlab 7)Adquisición de imágenes reales: generación de una librería de
Más detalles2.1. EL CLIENTE. VARIABLES PSICOLÓGICAS DEL CONSUMIDOR.
2.1. EL CLIENTE. VARIABLES PSICOLÓGICAS DEL CONSUMIDOR. A la hora de enfrentarse a una decisión de compra, los individuos se ven sometidos a múltiples fuerzas que los condicionan. Estas fuerzas se dividen
Más detalles