PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
|
|
- Juan Antonio Navarrete Martínez
- hace 7 años
- Vistas:
Transcripción
1 PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México Edificio anexo del IIMAS, 3er piso, circuito escolar. Ciudad Universitaria, DF. Teléfono (52) (55) Ext Resumen Las predicciones constituyen un campo muy importante para la aplicación de Redes Neuronales Artificiales (RNA) sobretodo en el ambiente empresarial, en el que existen múltiples variables de comportamiento complejo, siendo éstos, de vital importancia para la toma de decisiones administrativas. Predecir la demanda insatisfecha se vuelve una herramienta para evitar pérdidas económicas y pérdidas de clientela. Por ello, su uso constituye una forma de mejorar la visión de confiabilidad ante los clientes y por lo tanto la fidelidad de los mismos. En este trabajo se establece como objetivo el predecir la demanda insatisfecha mediante el uso de redes neuronales y el caso de estudio propuesto para el modelo es un problema real en una cadena de farmacias. El trabajo incluye la aplicación de redes neuronales para pronosticar el número de productos demandados, el número de sucursales que diariamente reportaban demanda insatisfecha, la cantidad de artículos solicitados por los clientes y la cantidad de pérdida monetaria evaluada en cuanto a lo que no se pudo vender por no tenerse en existencia o por no ser un producto de venta en el establecimiento. El modelo empleado consiste en una red de perceptrón multicapa, con una capa oculta. Se validaron los datos con 5 distribuciones diferentes tanto para el entrenamiento y la prueba, encontrándose resultados similares que validaron el modelo. Obteniéndose, un valor promedio de error de 19% en los pronósticos, también una mediana de 15% de error y una notable aproximación a la forma del comportamiento del fenómeno. Palabras Clave: Perceptrón Multicapa, Demanda Insatisfecha, Predicción, Retropropagación. 1
2 1. INTRODUCCIÓN En la vida diaria nos encontramos con necesidades cada vez más y más crecientes por lo que, como humanos, tratamos de buscar las mejores opciones que nos garanticen una mejor calidad de vida. En tal sentido, la convicción de una organización de servicios con visión empresarial y futurista es tratar de brindar un excelente servicio y de buena calidad. Los esfuerzos de las empresas están muy enfocados en lograr la consecución de nuevos clientes, hacer que los clientes actuales compren más y por lo tanto se aumenten los ingresos. Además de mejorar los niveles de venta, las empresas también están interesadas en que sus clientes se vuelvan clientes frecuentes, con fidelidad a la empresa, esto no es posible si la empresa no provee al cliente todo lo que éste requiere, es decir, si existe una demanda insatisfecha. La demanda insatisfecha también puede ser reflejo de un mercado más amplio que no se ha logrado cubrir. El desarrollo del presente trabajo se basa en ofrecer un modelo de predicción para la demanda insatisfecha del consumo de productos farmacéuticos, teniendo como objetivo principal que mediante el uso de un modelo de redes neuronales artificiales, se brinde como resultado una herramienta de apoyo a la toma de decisiones, tratando así, de minimizar las demandas insatisfechas de manera oportuna. Las redes neuronales artificiales forman parte de la Inteligencia Artificial (IA). Estas redes tratan de imitar la forma de trabajo (funcionamiento) del cerebro (interconexión de neuronas biológicas) para producir un estímulo de salida. Además, una red neuronal trabaja creando conexiones entre elementos de procesamiento (equivalencia computacional de las neuronas). La organización y los respectivos pesos en las conexiones determinan las salidas. Y el éxito de las redes neuronales en campos como la economía, las finanzas, el reconocimiento de patrones, etc., radica principalmente en su robustez. 2
3 Por ello, el modelo de red neuronal usado para la predicción de demanda insatisfecha, está basado en el modelo Perceptrón Multicapa, que viene a ser una red multicapa, que tiene un aprendizaje supervisado por corrección o minimización del error. La primera capa recibe el nombre de capa de entrada, la última capa de salida y las intermedias se denominan ocultas. El perceptrón multicapa se puede aplicar en problemas de clasificación, modelización, predicción en series de tiempo, etc. Para el aprendizaje de la red neuronal se uso el algoritmo de Retropropagación. Al hablar de redes de Retropropagación o redes de propagación hacia atrás hacemos referencia a un algoritmo de aprendizaje más que a una arquitectura determinada. La retropropagación consiste en propagar el error hacia atrás, es decir, de la capa de salida hacia la capa de entrada, pasando por las capas ocultas intermedias y ajustando los pesos de las conexiones con el fin de reducir dicho error. Finalmente, como herramienta de desarrollo para el modelo se utilizó DataEngine, que es una herramienta de Minería de Datos desarrollada por la empresa alemana MIT GmbH. Esta herramienta cuenta con un entorno potente, abierto y económicamente competitivo. Incluye gran variedad de modelos de aprendizaje y métodos de entrenamiento: redes neuronales, reglas difusas (fuzzy), mapas autoorganizativos, etc. Su estructura flexible, su interfase y poderoso módulo de visualización lo hacen indispensable para el análisis de datos de alta complejidad. 2. ANTECEDENTES Existen múltiples trabajos y documentos que hablan sobre redes neuronales y sus diversas aplicaciones. Así también, existen muchos documentos que hablan sobre el problema de la demanda insatisfecha. Pocos trabajos ofrecen información sobre la predicción de la demanda insatisfecha y aún menos con el uso de redes neuronales. 3. CASO DE ESTUDIO Para el desarrollo de este trabajo se utilizaron los datos de una cadena de farmacias que cuenta con 47 sucursales. Este grupo farmacéutico inicio sus operaciones el año 2,002 con el objeto de crear una empresa farmacéutica de amplia cobertura. 3
4 Actualmente ofrece al público artículos médicos y artículos de conveniencia. La empresa tomo como política reportar en un sistema de información, los datos de cualquier requerimiento no atendido que hiciera el cliente. Estos datos se reportan diariamente e incluyen información del producto solicitado, la sucursal que reporta, la cantidad de unidades o artículos solicitados y el costo total de lo solicitado (basado en los precios de inventario o en los costos del mercado). 4. FORMULACIÓN DEL PROBLEMA Para la empresa es importante conocer la predicción de: la cantidad de sucursales que reportan demandas insatisfechas a diario, el monto monetario perdido, la cantidad de artículos que no pueden ser vendidos y la cantidad de productos solicitados diariamente. Estos datos se utilizan para evaluar la pérdida por demanda insatisfecha y la forma como se comporta este fenómeno. Para la predicción se toman períodos de 7 días, correspondientes a la representación de semanas, esto porque se asume que el día tiene influencia sobre los datos. Así por ejemplo, el fin de semana no se comporta de la misma manera que los días de semana laboral y el miércoles es un día en que los médicos privados de la región descansan. 5. MODELO El modelo empleado es Perceptrón Multicapa (MLP) que comprende 7 variables de entrada, correspondiente con los días de la semana, una capa oculta y una capa de salida. Ver la Figura 1. Umbral DIA Variable de estudio DIA 7 4 Figura 1. Modelo de la red neuronal artificial 4
5 6. ARQUITECTURA DE RED NEURONAL: Perceptrón multicapa a. Arquitectura: Capa de entrada : 7 Capa intermédia : 4 Capa de salida : 1 Nº de conexiones : 32 b. Función de activación: Capa de entrada : Función lineal. Capa intermedia : Función tangente hiperbólica. Capa de salida : Función lineal. c. Método de aprendizaje: Aprendizaje : Backpropagation con Momentum Pruning : Aplicado d. Aprendizaje: Capa oculta: Taza de aprendizaje : y Momentum : 0.3 Capa de salida: Taza de aprendizaje : y Momentum : 0.3 Condición de paro: Nº de épocas divisible por 10,000 / Prueba cada 100 épocas. 7. PREPARACIÓN DE DATOS a. Correlación de los días Se probó la correlación de los datos entre los 7 días de la semana, los cuales expresan la incidencia o el grado de asociación de las variables. Se estableció un parámetro de descarte de 0.9 de correlación, por lo que ningún día fue descartado del modelo. La Tabla 1 muestra parte de los resultados. Tabla 1. Matriz de Correlaciones 5
6 b. Eliminación de tendencias y estandarización de valores La red neuronal no puede ser entrenada con los datos originales, por ello se trabaja con datos que estén libres de tendencia. Para ello usamos promedios móviles y luego para el pronóstico de datos normalizamos en escala de 0 a 1. En la Figura 2 se puede observar que la tendencia fue eliminada. Figura 2. Gráfico de datos sin tendencia 8. VALIDACION Para probar que el modelo no dependía de los datos y su orden de presentación, se realizaron 5 validaciones con diferentes conjuntos de datos de entrenamiento y prueba, los resultados tuvieron pocas variaciones, como se observa en la Figura 3. 0,6 0,5 Comparación de Validaciones 0,4 0,3 0,2 0,1 Val. 1 Val. 2 Val. 3 Val. 4 Val. 5 0 Max. Entren. RMS Entren. Max Prueba RMS Prueba Figura 3. Comparación de valores de error obtenidos en 5 validaciones del modelo. 6
7 Como muestra del modelo empleado, solo se presenta la validación de la red neuronal entrenada para la variable Pérdidas. Obteniéndose el valor más bajo de RMS (error cuadrático medio) en la 5ª validación, al igual que para el error máximo de prueba. La Figura 4 muestra los resultados de errores en la fase de entrenamiento presentados por la herramienta DataEngine. Figura 4. Errores obtenidos La Figura 5 muestra el gráfico de resultados de la curva de aprendizaje para la red neuronal del perceptrón multicapa. Donde se observa que el error de prueba RMS es menor que el error de entrenamiento RMS. Figura 5. Curva de Aprendizaje 7
8 La Tabla 2 muestra los pesos finales de las conexiones de la red neuronal. En esta tabla se observa que las variables de entrada que aportan más información al modelo son los días 1, 6 y 7. Tabla 2. Pesos de las conexiones 9. RESULTADOS Luego de obtener los datos proyectados, éstos son transformados a su formato original, para lo cual se aplica un proceso de desnormalización. Una vez obtenidos los datos proyectados, éstos se compararon contra los datos reales y los resultados se presentan en la Figura 6. Figura 6. Gráfico Valores reales vs. Valores pronosticados 8
9 Donde: RedNeuronal : Valor proporcionado por la red neuronal. ValorReal : Valor original. La gráfica muestra como los resultados de la red neuronal si se aproximan al comportamiento del modelo. En cuanto a los porcentajes de error de las aproximaciones, la Tabla 3 muestra los resultados de la comparación. Estadística Valor Mínimo 0% Máximo 253% Promedio 19% Mediana 15% Tabla 3. Estadísticas de resultados La Figura 7 muestra la distribución de los errores según el porcentaje. Puede observarse que la mayoría de estos errores está por debajo del 25% de error (0.3 en la gráfica). Figura 7. Gráfico de errores 9
10 En los datos puede observarse que sólo existen 4 datos con un error de aproximación superior al 100%, esto puede deberse a picos extremos en la gráfica que pudieran tener algún motivo fuera de las condiciones normales de operación de la farmacia, como un 1º de enero o un brote de alguna enfermedad. 10. CONCLUSIONES - El modelo de redes neuronales de Perceptrón Multicapa proporcionó resultados aceptables para el problema de predicción: Una mediana de 15% de error y sólo un 0.89% de datos con errores grandes de estimación. - Las validaciones realizadas por cada variable arrojaron resultados con mínimas diferencias en los errores, lo que corrobora el modelo de red neuronal empleado. - La mejor validación de datos fue la realizada con porcentajes de 90% para entrenamiento y 10% para pruebas, con un error máximo de prueba de y un error cuadrático medio de prueba de El modelo de red neuronal utilizado no necesitó de muchas neuronas en la capa oculta para obtener resultados aceptables. 11. REFERENCIAS (1) Haykin, S; (1998) Neural Networks: A Comprehensive Foundation, 2nd Edition. (2) Mehrotra, K; Mohan, C; Ranka, S; (2000) Elements of Artificial Neural Networks, Cambridge, Massachusetts, London-England, 70p. (3) Fausett, L; Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. (4) Jordan, M; Bishop, C; (1996) Neural networks, ACM Computing Surveys (CSUR). (5) Lázaro, M; Santamaría, I; Pantaleón, C; (2003) A new EM-based training algorithm for RBF networks, Neural Networks. 10
LIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesAux 7. Introducción a la Minería de Datos
Aux 7. 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 detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
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 detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesTema 8: Redes Neuronales
Tema 8: Redes Neuronales Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Intelligent Systems Group Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco http://www.sc.ehu.es/isg/
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesRedes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Perceptron Parte I Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín Hernández Espinoza
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesNeuronas Artificiales
Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesReconocimiento de Expresiones Faciales
Reconocimiento de Expresiones Faciales Carim Fadil, Ramiro Andrés Alvarez Cátedra: Inteligencia Computacional Docente Tutor: Hugo L. Rufiner Facultad de Ingeniería y Ciencias Hídricas, Universidad Nacional
Más detallesRevista Cubana de Ciencias Informáticas ISSN: Universidad de las Ciencias Informáticas Cuba
Revista Cubana de Ciencias Informáticas ISSN: 1994-1536 rcci@uci.cu Universidad de las Ciencias Informáticas Cuba de la Fé, Sergio; Miraglia, Dante; Jaime, Delmar; Cabrera, Alexander Empleo de redes neuronales
Más detallesClasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales
Clasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales Cruz Teresa Rosales Hernández 1 y Orion Fausto Reyes Galaviz 2 Universidad Autónoma de Tlaxcala-
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesMaría Gabriela Vintimilla Sarmiento Darwin Alulema
Desarrollo e Implementación de una Aplicación que Traduzca el Abecedario y los Números del uno al diez del Lenguaje de Señas a Texto para Ayuda de Discapacitados Auditivos Mediante Dispositivos Móviles
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesV. Espinoza a, R. Venegas b,s. Floody c.
paper ID: A027 /p.1 Modelo de Sonoridad usando Redes Neuronales Artificiales V. Espinoza a, R. Venegas b,s. Floody c. a Universidad Tecnológica de Chile, Brown Norte 290, Santiago, Chile, vespinozac@gmail.com
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesARTIFICIAL INTELLIGENCE IN FORECASTING DEMANDS FOR ELECTRICITY: AN APPLICATION IN OPTIMIZATION OF ENERGY RESOURCES
ARTIFICIAL INTELLIGENCE IN FORECASTING DEMANDS FOR ELECTRICITY: AN APPLICATION IN OPTIMIZATION OF ENERGY RESOURCES INTELIGENCIA ARTIFICIAL EN PRONOSTICO DE DEMANDA DE ENERGIA ELECTRICA: UNA APLICACION
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesTema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Tema 3: Ðreas de La IA: Ejemplos de Investigaci n Actual (II) Redes
Más detallesREDES NEURONALES PARA EL ESTUDIO DEL COMPORTAMIENTO TÉRMICO DE EDIFICIOS
IRENE MARINCIC I UNIVERSIDAD DE SONORA J. ANTONIO DEL RÍO I CENTRO MORELENSE DE INNOVACIÓN Y TRANSFERENCIA TECNOLÓGICA REDES NEURONALES PARA EL ESTUDIO DEL COMPORTAMIENTO TÉRMICO DE EDIFICIOS Tanto la
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más 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 detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesTécnicas de análisis estadístico basado en inteligencia artificial
GUÍA DOCENTE: Técnicas de análisis estadístico basado en inteligencia artificial 1. Técnicas de análisis estadístico basado en inteligencia artificial 1.1. Datos de la asignatura Tipo de estudios Máster
Más detallesSeries de tiempo: Caracterización empírica y selección de técnicas de pronóstico basada en Redes Neuronales Artificiales
Series de tiempo: Caracterización empírica y selección de técnicas de pronóstico basada en Redes Neuronales Artificiales Ma. Guadalupe Villarreal Marroquín, Mauricio Cabrera Ríos * División de Posgrado
Más detallesLuis 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 detallesRed Neuronal para el Reconocimiento de Patrones
Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez juan.alvarado@aunar.edu.co Facultad de Ingeniería Programa de ingeniería
Más detallesRedes neuronales. Conceptos fundamentales y modelos
Redes neuronales Conceptos fundamentales y modelos 2 Contenido Introduccion La neurona biologica Modelo de una neurona Arquitecturas de las redes: Redes feedforward Arquitecturas de las redes: Redes recurrentes
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesIng. Luis Alberto Benites Gutiérrez
Página Web: Ing. Luis Alberto Benites Gutiérrez L/O/G/O www.themegallery.com El profesor Benites, es Ingeniero Industrial, Máster en Business Administration (MBA) por la Universidad Autónoma de Madrid-España,
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesGUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesPlan 95 Adecuado. DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS.
Plan 95 Adecuado ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0488 DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO:
Más detallesIntroducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
Más detallesPlan 95 Adecuado DEPARTAMENTO: ELECTRÓNICA CLASE: ELECTIVA ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO: 64 HS.
Plan 95 Adecuado ASIGNATURA: APLICACIONES DE LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0492 DEPARTAMENTO: ELECTRÓNICA CLASE: ELECTIVA ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO: 64 HS. Fundamentación:
Más detallesUn sistema de energía eléctrica debe abastecer de energía a todos los puntos de
242 3.4 PREDICCIÓN DE CONSUMO DE CARGA 3.4.1 Descripción del problema Un sistema de energía eléctrica debe abastecer de energía a todos los puntos de carga con una buena calidad del servicio. Por lo tanto
Más detallesRed Neuronal Artificial
índice RN Supervisadas - Introducción - El Perceptrón y la estructura multicapa MLP - El aprendizaje retropropagado: BP - Aplicaciones y ejemplos - Características y limitaciones P Campoy 1 Red Neuronal
Más detallesTALLER. Jueves 9 y Viernes 10 de Marzo de 2017 Hotel Radisson, San José, Costa Rica. Integrando el Riesgo de Crédito a la Rentabilidad por cliente.
TALLER Jueves 9 y Viernes 10 de Marzo de 2017 Hotel Radisson, San José, Costa Rica. Integrando el Riesgo de Crédito a la Rentabilidad por cliente. Objetivos OBJETIVO Si se trabaja principalmente con créditos,
Más detallesOTRAS CONSIDERACIONES. Introducción a las Redes Neuronales Artificiales
OTRAS CONSIDERACIONES! Estrategias para generalización Existen diversas estrategias para mejorar la generalización: 1) Teoría de Regularización: Agregar una penalidad para lograr mejorar la forma de la
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
1. Información General UNIVERSIDD DISTRITL FRNCISCO JOSÉ DE CLDS UNIVERSIDD DISTRITL Francisco José de Caldas Facultad Tecnológica Tecnología en Sistemas Eléctricos de media y baja tensión articulado por
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INGENIERÍA EN COMPUTACIÓN (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN OTROS REQUERIMIENTOS Álgebra (1100) 1 Geometría Analítica (1102) 1 Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de las Matemáticas sea similar
Más detallesHoras teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores
Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos:
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
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 detallesCongreso de Inteligencia Computacional Aplicada
Congreso de Inteligencia Computacional Aplicada Mario M. Figueroa de la Cruz UTN Facultad Regional Tucumán San Miguel de Tucumán Tucumán Argentina (4000) mfiguero@gmail.com and Pablo C. Rovarini Diaz UTN
Más detallesGrado en Ingeniería Informática-Tecnologías Informáticas
Curso 1º 1 2060001 Fundamentos de Programación 12 A 1 2060002 Administración de Empresas 6 C1 1 2060003 Cálculo Infinitesimal y Numérico 6 C1 1 2060004 Circuitos Electrónicos Digitales 6 C1 1 2060005 Introducción
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesTema 3: Planificación de los Recursos Humanos
Tema 3: Planificación de los Recursos Humanos 1. Concepto, naturaleza e importancia de la planificación de los recursos humanos En términos generales, la planificación de los recursos humanos se puede
Más detallesCOMPUTABILIDAD Y COMPLEJIDAD
COMPUTABILIDAD Y COMPLEJIDAD Año 2017 Carrera: Licenciatura en Informática Plan 2007-2012-2015 Año: 3 Duración: Semestral Profesor: Fernando G. Tinetti FUNDAMENTACION: Se presentan las ideas básicas de
Más detallesPROYECTO: Dr. Limas Ballesteros Roberto
PROYECTO: REDES NEURONALES ARTIFICIALES (RNA S) PARA PREDECIR ALGUNAS PROPIEDADES MECÁNICAS DE MEZCLAS DE POLÍMEROS DE POLICARBONATO Y POLIESTIRENO DE ALTO IMPACTO, ASI COMO POLICARBONATO Y ACRONITRILO
Más detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesFACULTAD DE INGENIERÍA
FACULTAD DE INGENIERÍA FORMACIÓN EN INGENIERÍA DE SOFTWARE Y BASES DE DATOS EN LOS ESTUDIANTES DE LA CARRERA DE ING. EN COMPUTACIÓN DE LA FI, UNAM EN EL PLAN DE ESTUDIOS 2015 MAYO, 2015 Porcentaje de alumnos
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 detallesIBM SPSS Neural Networks
IBM SPSS Neural Networks Nuevas Herramientas para la Construcción de Modelos Predictivos Características: Construya modelos con un mejor desempeño No es necesario programación Elija entre algoritmos MLP
Más detallesEXTRACCION DE MARCADORES ANATOMICOS DEL MIOCARDIO USANDO MAQUINAS DE APRENDIZAJE
EXTRACCION DE MARCADORES ANATOMICOS DEL MIOCARDIO USANDO MAQUINAS DE APRENDIZAJE Miguel Vera (1), Antonio Bravo (2) (1) Laboratorio de Física, Departamento de Ciencias, Universidad de Los Andes, Núcleo
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 detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detalles(V2.0) SILABO CS261T.
Sociedad Peruana de Computación Facultad de Computación Programa Profesional de (Ciencia de la Computación) (V2.0) SILABO CS261T. Inteligencia Artificial (Obligatorio) 2010-1 0. DATOS GENERALES 0.1 CARRERA
Más detallesRedes Neuronales Artificiales en predicción de Series de Tiempo. Una aplicación a la Industria
Redes Neuronales Artificiales en predicción de Series de Tiempo. Una aplicación a la Industria Redes Neuronales Artificiales en predicción de Series de Tiempo. Una aplicación a la Industria Luis Escobar
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesTécnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados Sancho Salcedo Sanz Grupo de Heurísticos Modernos de Optimización y Diseño de Redes () Departamento
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales. Tema: Introducción a las Redes Neuronales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Introducción a las Redes Neuronales Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín
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 detallesUNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN.
UNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN. Angel L. Labajo (1) y José L. Labajo (2) (1) Dpto. de Informática
Más detallesComputación Evolutiva Algoritmos Genéticos
Computación Evolutiva Algoritmos Genéticos Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Hace 200 años... Inteligencia Computacional - FICH - UNL La idea de que las especies
Más detallesSLD124 FUNCIONES DE TRANSFERENCIA EN EL PERCEPTRÓN MULTICAPA: EFECTO DE SU COMBINACIÓN EN ENTRENAMIENTO LOCAL Y DISTRIBUIDO
SLD124 FUNCIONES DE TRANSFERENCIA EN EL PERCEPTRÓN MULTICAPA: EFECTO DE SU COMBINACIÓN EN ENTRENAMIENTO LOCAL Y DISTRIBUIDO SLD124 TRANSFER FUNCTIONS IN THE MULTILAYER PERCEPTRON: EFFECTS OF ITS COMBINATION
Más detallesLAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS
Revista de la Facultad de Ingeniería Industrial Vol. (8) 2: pp. 28-32 (2005) UNMSM ISSN: 1560-9146 (impreso) / ISSN: 1810-9993 (electrónico) LAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS Recepción:
Más detalles