Programación Evolutiva
|
|
- Ramona del Río Ortega
- hace 7 años
- Vistas:
Transcripción
1 Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional: tareas de machine learning mediante máquinas de estado finito PE contemporánea: optimización (numérica) Características atribuidas: Framework muy abierto: se acepta cualquier representación y cualquier operador de mutación Es difícil definir una variante algorítmica como versión estándar de PE Características especiales: No utiliza cruce genético Auto-adaptación de parámetros estándar (PE contemporánea)
2 Características representativas de PE Representación Cruce Mutación Selección de Padres Selección de Sobrevivientes Especialidad Vector de valores reales Ninguno Perturbación Gaussiana Deterministica Probabilística (µ+µ) Auto-adaptación de los grados de mutación Perspectiva histórica de la PE PE fue desarrollada originalmente para simular a la evolución como un proceso de aprendizaje Con el objetivo de generar inteligencia artificial Inteligencia: capacidad de un sistema de adaptar su comportamiento para lograr objetivos predefinidos en un ambiente dado (comportamiento adaptado) La capacidad para predecir el ambiente fue considerada como un requisito para lograr adaptabilidad (comportamiento inteligente o adaptado) Por lo tanto, la capacidad para predecir el ambiente es clave para lograr inteligencia
3 Predicción mediante Máquinas de Estado Finito Inicialmente en PE, los predictores fueron evolucionados en la forma de máquinas de estado finito Máquina de Estado Finito (MEF) Estados (S) Entradas (I) Salidas (O) Función de transición δ : S x I S x O Transforma una cadena de símbolos de entrada en una cadena de símbolos de salida Pueden ser usadas para predicciones (ej.: predecir el siguiente símbolo de entrada en una cadena de entrada) Ejemplo de MEF Considerar la MEF con: S = {A, B, C} I = {0, 1} O = {a, b, c} δ especificada por el diagrama
4 Ejemplo de una MEF como un predictor Considerar la siguiente MEF Tarea: predecir la siguiente entrada Calidad: % de in (i+1) = out i Estado inicial: C Secuencia de entrada: Lleva a la salida: Calidad lograda: 3 aciertos de 5 Ejemplo de aplicación: Evolucionar MEFs para predecir números primos La tarea es predecir si la siguiente entrada en una secuencia de números naturales es un número primo o no lo es Para esta tarea: I = N = {1,2,3,, n, } O = {0,1} Predicción correcta: out i = P(in (i+1) ) P(n) = 1 si n es primo, 0 de otra manera Fitness: precisión de la predicción sobre la secuencia de entrada de números naturales consecutivos 1, 2, 3,, punto por cada predicción correcta Ningún punto por cada predicción incorrecta
5 Ejemplo de aplicación: Evolucionar MEFs para predecir números primos Selección de Padres: cada MEF en la población actual es mutada una vez para generar un hijo Operadores de mutación considerados (se selecciona uno aleatorimente): Cambiar un símbolo de salida Cambiar la dirección de una transición (cambiar el siguiente estado) Agregar un estado Eliminar un estado Cambiar el estado inicial Selección de Sobrevivientes: elegir a los mejores µ individuos de (µ padres + µ hijos) Resultados: la mejor MEF obtenida logra valores de precisión superiores a 81% Mediante este ejemplo se puede apreciar que un proceso evolutivo simulado es capaz de crear buenas soluciones para una tarea inteligente PE Actual Por razones históricas, la PE ha sido asociada durante mucho tiempo a tareas de predicción y al uso de MEF como su representación A partir de los 90, las variantes de PE para optimización de vectores de parámetros reales se han vuelto más frecuentes Estas variantes se han posicionado como variantes estándar de PE
6 PE Actual Actualmente, se considera a la PE como un framework muy abierto en términos de Representación Operadores de mutación PE aplica auto-adaptación de los parámetros de mutación A continuación, se presenta una variante algorítmica representativa de PE más que una variante estándar de PE Representación La PE es frecuentemente utilizada para optimizar funciones de parámetros continuos En este caso, los cromosomas consisten de dos partes: Variables: x 1,, x n (x i R) Grados de mutación: σ 1,,σ n Estructura general de los individuos en PE x 1,, x n, σ 1,,σ n
7 Mutación Se presenta el operador más asociado con la representación anterior Este operador transforma x 1,,x n, σ 1,,σ n x 1,,x n, σ 1,,σ n Mediante las siguientes operaciones σ i = σ i (1 + α N(0,1)) x i = x i + σ i N i (0,1) α 0.2 Mutación Otras variantes propuestas y tratadas: Se han propuesto otras formas de modificar los grados de mutación Utilización de varianzas en lugar de desviaciones estándar como parámetros de mutación Mutar al vector σ luego de mutar al vector x Utilizar otras distribuciones en lugar de la Gaussiana
8 Cruce En PE no se utiliza cruce genético Actualmente, los argumentos de PE en contra del cruce son más conceptuales que técnicos Se considera que un punto en espacio de búsqueda no es un individuo de una especie Se considera que un punto en el espacio es la abstracción de una especie en si misma En consecuencia, el cruce no tiene sentido ya que éste no puede ser aplicado sobre diferentes especies Muchos debates históricos sobre mutación vs. cruce Prevalece el enfoque pragmático Selección de Padres En PE, a partir de cada miembro de la población se genera exactamente un hijo mediante mutación Por lo tanto, la selección Es determinística Independiente del fitness
9 Selección de Sobrevivientes Operador de selección (µ + µ ) Consiste en elegir a los mejores µ individuos de (µ padres + µ hijos) Variante estocástica del operador anterior P(t): µ parents, P (t): µ offspring Cada solución a P(t) P (t) es comparada con otras q soluciones elegidas al azar En cada comparación, si a supera a su oponente entonces obtiene un punto Las µ soluciones con la mayor cantidad de puntos se transforman en la siguiente población Parámetro q permite configurar la presión selectiva (cuanto más alto es q mayor presión selectiva) En general, se recomienda q = 10 Ejemplo de Aplicación: Función de Ackley (Bäck et al 93) La función de Ackley (utilizada con n = 30): n n f ( x) = 20 exp x 0.2 i xi + + e n exp cos(2π ) 20 i= 1 n i= 1 Representación: 30 variables reales (-30 < x i < 30 ) 30 varianzas como grados de mutación Mutación: se muta a las variables primero y luego a las varianzas Tamaño de población: 200 Selección de sobrevivientes: q = 10 Terminación: al alcanzar las evaluaciones de fitness Resultados: mejor solución promedio tiene un fitness de
10 Ejemplo de Aplicación: Jugadores de damas (Fogel 02) Fogel abordó el desarrollo de un programa para jugar a las damas Para poder jugar a las damas, el programa analiza el valor a futuro de los posibles movimientos Calcula cuán prometedor es un estado del tablero que se logra mediante un cierto movimiento A un estado del tablero se le asigna un valor mediante una red neuronal La salida de la red representa cuán prometedor es el estado desde la perspectiva del jugador que recién ha movido El estado del tablero es presentado a la red como un vector de 32 elementos (32 posiciones en el tablero) De esta manera, la red define una estrategia para jugar el juego, y esta estrategia es evolucionada con PE Ejemplo de Aplicación: Jugadores de damas (Fogel 02) Para las redes neuronales se utilizó una estructura fija que tiene un total de 5046 pesos Dichos pesos son evolucionados mediante PE Representación: Vector de 5046 números reales para las variables (pesos) Vector de 5046 números reales para los σ s Mutación: El vector σ fue mutado antes que el vector de variables Las variables fueron mutadas utilizando la adición de ruido Gaussiano Tamaño de la población: 15
11 Ejemplo de Aplicación: Jugadores de damas (Fogel 02) Selección de sobrevivientes q = 5 Cada programa (cada red neuronal) juega vs. otros programas, y se le asigna +1, 0, -2 si gana, empata y pierde respectivamente Las 30 soluciones (15 padres y 15 hijos) fueron ordenadas de acuerdo al puntaje que obtuvieron mediante los 5 juegos Las mejores 15 soluciones se transformaron en la siguiente población Ejemplo de Aplicación: Jugadores de damas (Fogel 02) Luego de 840 generaciones (6 meses), la mejor estrategia lograda fue evaluada vs. oponentes humanos via internet Resultados: Luego de una serie de partidos, el programa fue calificado como un jugador experto por el sitio web Superó al 99.61% de todos los jugadores calificados en el sitio web Este trabajo es interesante en el contexto de inteligencia artificial Las estrategias evolucionan compitiendo (jugando) entre ellas sin necesidad de intervención humana
Son una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
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 detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesAnálisis de algoritmos
Tema 14: Algoritmos de aproximación M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom 1 Contenido Introducción Algoritmos de aproximación
Más detallesBacktracking: Esquema General
Backtracking Idea: Técnica para recorrer sistemáticamente todas las posibles configuraciones de un espacio asociado a soluciones candidatos de un problema computacional. Se puede pensar este espacio tiene
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detalles3. Algoritmo genético
3. Algoritmo genético 3.1 Antecedentes El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Se presentarán aquí los conceptos básicos más importantes para entender
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más detallesAutómata de Pila (AP, PDA) Tema 18
Tema Autómata de Pila (Pushdown Automata Autómata de Pila (AP, PDA Un AP es una máquina que acepta el lenguage generado por una GLC Consiste en un NFA- aumentado con una pila (stack. Dr. Luis A. Pineda
Más detallesALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesANEXO 1: BASE DE TÉCNICAS. Palabras Clave: Caracterizar, Representar, Características Comunes, Actores, Roles
ANEXO : BASE DE TÉCNICAS Técnica: Adivina Quién? Palabras Clave: Caracterizar, Representar, Características Comunes, Actores, Roles Se requieren representaciones previas de objetos y/o personas antes de
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
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 detallesTres versiones de Pal. Sesión 19. Una máquina para aceptar Pal El lenguaje: Tabla de transición para Pal. Más de un siguiente estado.
Tres versiones de Pal Sesión 19 Autómata de pila determinístico Pal marca = {xcx r x {0, 1} * } 0110c0110 Pal par = {xx r x {0, 1} * } 00111100 Pal = {x x = x r {0, 1} * } 00111100 001101100 Una máquina
Más detallesResumen de las clases dictadas: Semana 16 al 20 de Noviembre INTRODUCCIÓN
Resumen de las clases dictadas: Semana 16 al 20 de Noviembre 2015 Tema: Algoritmo Minimax 1. INTRODUCCIÓN En este tema se tratará sobre el algoritmo minimax, con el propósito de mostrar implementaciones
Más detallesNUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH OSMAN K. EROL IBRAHIM EKSIN Istanbul Technical University GABRIEL LEIVA FRANCISCO ORTIZ SERGIO FERNANDEZ 1 OBJETIVO DE LA INVESTIGACIÓN Mejorar el criterio
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)
TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesTema 2.- Caracterización de la informática La informática como disciplina científica Sub-áreas de la disciplina.
Tema 2.- Caracterización de la informática 2.1. La informática como disciplina científica. 2.2. Sub-áreas de la disciplina. 2.1. La informática como disciplina científica. 2.1.1 Una definición de Informática.
Más detallesCaracterización de la incertidumbre del precio futuro del cobre
USc/lb Caracterización de la incertidumbre del precio futuro del cobre La incertidumbre en un modelo de programación estocástica debe tener la estructura de árbol de escenarios, como se muestra en la Figura
Más detallesInteligencia Artificial. Integrantes Equipo # 1:
INSTITUTO TECNOLÓGICO De Nuevo Laredo Especialidad: Ingeniería en Sistemas Computacionales Catedrático: Ing. Bruno López Takeyas. Asignatura: Inteligencia Artificial. Integrantes Equipo # 1: Javier Alonso
Más detallesdescubrimiento evolutivo de arquitecturas software
Interactividad en el descubrimiento evolutivo de arquitecturas software Aurora Ramírez, José Raúl Romero y Sebastián Ventura Dpto. de Informática y Análisis Numérico. Universidad de Córdoba. XX Jornadas
Más detallesINTELIGECIA EN REDES DE COMUNICACIONES 5º ING TELECOMUNICACIÓN TRABAJO FINAL DE LA ASIGNATURA EL DOMINÓ AUTORES
INTELIGECIA EN REDES DE COMUNICACIONES 5º ING TELECOMUNICACIÓN 2006-2007 TRABAJO FINAL DE LA ASIGNATURA EL DOMINÓ AUTORES DANIEL F. TAVEIRA MONTEIRO RODRIGO GÓMEZ RODRIGUEZ DAVID TOLEDO NAVARRO 1. Índice
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detalles1. Define que es un Autómatas finitos determinanticos y cuáles son sus elementos constitutivos (explique cada uno de ellos).
Unidad 2.- Lenguajes Regulares Los lenguajes regulares sobre un alfabeto dado _ son todos los lenguajes que Se pueden formar a partir de los lenguajes básicos?, {_}, {a}, a 2 _, por medio De las operaciones
Más detallesTres versiones de Pal. Tema 19. Una máquina para aceptar Pal. Tabla de transición para Pal. Transición. Más de un siguiente estado
Tres versiones de Pal Tema Autómata de pila determinístico Dr. Luis A. Pineda ISBN: --- Pal marca = {xcx r x {, } * } c Pal par = {xx r x {, } * } Pal = {x x = x r {, } * } Dr. Luis A. Pineda, IIMAS, UNAM,.
Más detallesUNIVERSIDAD DEL BIO-BIO FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA MECÁNICA
UNIVERSIDAD DEL BIO-BIO FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA MECÁNICA ANEXO 1 Programación de método Computed Order Tracking mediante software Labview 1. Panel Frontal. En el panel frontal
Más detallesReglamento FIFA 17 Formato tradicional TORNEOS PRESENCIALES DE PLAY STATION 4
Reglamento FIFA 17 Formato tradicional TORNEOS PRESENCIALES DE PLAY STATION 4 CONDICIONES GENERALES Y REGLAMENTO Condiciones Generales Consola: Play Station 4 Juego: FIFA 17 Modalidad: Tradicional 1 vs
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
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 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 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 detallesDISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π
DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal
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 detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesMedios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base
Medios de Transmisión Práctica Final Simulación de un Sistema de Transmisión Digital Banda Base Curso 28-29. Introducción El objetivo de esta práctica es realizar un programa en Matlab que simule el funcionamiento
Más detallesProcesadores de lenguaje Tema 7 Generación de código intermedio
Procesadores de lenguaje Tema 7 Generación de código intermedio Departamento de Ciencias de la Computación Universidad de Alcalá Resumen Representaciones intermedias Código de 3 direcciones Cuádruplas
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesPráctica 1 Arreglos n-dimensionales y operaciones con bits PRÁCTICA I
PRÁCTICA I Ejercicio 1.1 Desarrollar un programa que permita registrar los datos de un campeonato de fútbol para N equipos (valor constante). Por cada equipo debe almacenar: El nombre, la cantidad de partidos
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesUN ALGORITMO GENÉTICO CON CODIFICACIÓN REAL PARA LA EVOLUCIÓN DE TRANSFORMACIONES LINEALES
DEPARTAMENTO DE INFORMÁTICA PROYECTO FIN DE CARRERA Ingeniería en Informática UN ALGORITMO GENÉTICO CON CODIFICACIÓN REAL PARA LA EVOLUCIÓN DE TRANSFORMACIONES LINEALES Autor: Tutores: José Carlos López
Más detallesAutómatas Finitos Deterministicos (DFA)
Autómatas Finitos Deterministicos (DFA) Introducción a la Lógica Fa.M.A.F., Universidad Nacional de Córdoba 22//4 Info útil Bibliografía: Introducción a la teoría de autómatas, lenguajes y computación.
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesAutómatas Finitos Deterministicos (DFA)
Autómatas Finitos Deterministicos (DFA) Introducción a la Lógica y la Computación Fa.M.A.F., Universidad Nacional de Córdoba 26/0/6 Info útil Bibliografía: Introducción a la teoría de autómatas, lenguajes
Más detallesCiencias de la Computación I
Ciencias de la Computación I Autómatas Finitos No Determinísticos Minimización de Autómatas Finitos Determinísticos Agosto 2007 Autómatas Finitos Determinísticos Para cada estado y para cada símolo se
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
Más detallesSeguimiento i de objetos
IV Seminario de Inteligencia Artificial y Robótica Seguimiento i de objetos con Filtros de Partículas Franco Grassano sanno89@gmail.com Maximiliano Marufo Da Silva Alejandro Gastón Alvarez Ignacio Bertacchini
Más detallesSÍLABO DE METODOLOGÍAS DE PROGRAMACIÓN
SÍLABO DE METODOLOGÍAS DE PROGRAMACIÓN I. DATOS GENERALES 1.1. Carrera Profesional : Ingeniería de Sistemas 1.2. Área Académica : Ingeniería de Sistemas 1.3 Ciclo : II 1.4. Semestre : 2013-II 1.5. Pre-requisito
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesPROBABILIDAD. Es el conjunto de todos los resultados posibles de un experimento aleatorio. Por ejemplo: Experimento: tirar un dado.
1 PROBABILIDAD EXPERIMENTOS Al fijar las condiciones iniciales para un experimento se da lugar a dos tipos de situaciones: a) Experimentos determinísticos: se conoce el resultado. Por ejemplo: si suelto
Más detallesBases Formales de la Computación: Sesión 3. Modelos Ocultos de Markov
Bases Formales de la Computación: Sesión 3. Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Contenido 1 Introducción
Más detallesSimulación computacional de cadenas de Markov
Simulación computacional de cadenas de Markov Presentación basada en el capítulo 3 de Finite Markov Chains and Algorithmic Applications (Häggström, 2002) Sebastián Castro Seminario de Probabilidad y Estadística
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesCurso de Inteligencia Artificial
Curso de Inteligencia Artificial Modelos Ocultos de Markov Gibran Fuentes Pineda IIMAS, UNAM Redes Bayesianas Representación gráfica de relaciones probabilísticas Relaciones causales entre variables aleatorias
Más detalles4ta. Práctica. Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta. Inteligencia Artificial Prácticas 2004/2005
4ta. Práctica Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta Inteligencia Artificial Prácticas 2004/2005 Decisiones Perfectas en Juegos de DOS Participantes Definición de Juego Estado Inicial:
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales FILTRADO DE LA IMAGEN Filtros espaciales suavizantes INTRODUCCIÓN El uso de máscaras espaciales para el procesamiento de imágenes se denomina filtrado espacial y a las propias
Más detallesProyecto de tesis de grado:
CARRERA DE INGENIERÍA EN ELECTRÓNICA E INTRUMENTACIÓN Proyecto de tesis de grado: TEMA: DISEÑO E IMPLEMENTACIÓN DE UN ALGORITMO DE CONTROL AVANZADO APLICADO A UN PROCESO DE PRESIÓN, UTILIZANDO UN CONTROLADOR
Más detallesGeneración de Código Intermedio
Generación de Código Intermedio Programación II Margarita Álvarez Generación de código intermedio Con la generación de código intermedio se inicia la tarea de síntesis. Aunque un programa fuente se puede
Más detallesComputabilidad y Lenguajes Formales: Teoría de la Computabilidad: Máquinas de Turing
300CIG007 Computabilidad y Lenguajes Formales: Teoría de la Computabilidad: Máquinas de Turing Pontificia Universidad Javeriana Cali Ingenieria de Sistemas y Computación Prof. Gloria Inés Alvarez V. Máquina
Más detallesUNIVERSIDAD TECNOLOGICA DE LOS ANDES VICE RECTORADO ACADEMICO FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA I. INFORMACIÓN GENERAL SILABO 2016 1.1. Nombre de la asignatura SISTEMAS EXPERTOS 1.2. Código SI101 1.3. Año Calendario
Más detallesUNIVERSIDAD MAYOR DE SAN ANDRES FACULTAD DE CIENCIAS PURAS Y NATURALES CURSO PREUNIVERSITARIO PRUEBA DE SUFICIENCIA ACADEMICA GESTION II/2017
INTRODUCCION A LA INFORMATICA INF-99 CONTENIDO CAPÍTULO I.-ELEMENTOS DE LA INFORMÁTICA 1.1Introducción 1.2. Definiciones 1.2.1. Informática 1.2.2. Computación 1.2.3. Dato 1.2.4. Información 1.2.5. Sistema
Más detallesFacultad de Química. Departamento de Química Analítica. Química Analítica Experimental I DIAGRAMA DE FLUJO. Joaquín Preza.
Universidad Nacional Autónoma de México Facultad de Química Departamento de Química Analítica Química Analítica Experimental I DIAGRAMA DE FLUJO Joaquín Preza Semestre 2010-1 Un diagrama de flujo es la
Más detallesMetodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México Índice general Resumen...vii Resum... ix Summary... xi Índice de
Más detallesGrupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas. Facultad de Matemáticas. Cód. Asignatura. Cur. Tipo. Créd
Grupos autorizados 2015/16 del Plan Máster Universitario en Matemáticas Facultad de Matemáticas Cód. Asignatura Cur Tipo Créd 1 / 68 51620001 Introducción al Trabajo Fin de Máster 1 A Opt. 9 D Departamento
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesReglamento FIFA 17 Formato tradicional TORNEOS PRESENCIALES DE PLAY STATION 4
Reglamento FIFA 17 Formato tradicional TORNEOS PRESENCIALES DE PLAY STATION 4 CONDICIONES GENERALES Y REGLAMENTO Condiciones Generales Consola: Play Station 4 Juego: FIFA 17 Modalidad: Tradicional 1 vs
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesUNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD DE INGENIERIAS
Asignatura Código Gramática y Lenguajes Formales IS405 Créditos 4 Intensidad semanal Requisitos 6 Horas IS323 Justificación Objetivo general Dar al estudiante toda una gran base teórica sobre Ciencias
Más detallesTALLER 3 ESTADISTICA I
TALLER 3 ESTADISTICA I Profesor: Giovany Babativa 1. Un experimento consiste en lanzar un par de dados corrientes. Sea la variable aleatoria X la suma de los dos números. a. Determine el espacio muestral
Más detallesPuntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth
1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito
Más detallesAlgunas ventajas asociados comúnmente a ellos son:
CAPITULO 3 ALGORITMOS GENÉTICOS Charles Darwin construyó la Teoría de la Evolución, en la cual afirma que las especies naturales van evolucionando para adaptarse al medio en que viven. Aquellos individuos
Más detallesAutómatas Finitos No-Deterministicos (NFA)
(NFA) Introducción a la Lógica Fa.M.A.F., Universidad Nacional de Córdoba 2//5 Outline of the Talk Intuiciones Definición Lenguaje de un NFA Euivalencia de Lenguajes de un NFA y un DFA Determinización
Más detallesIII. Búsqueda en un espacio de Estado Estudiaremos la formulación de un problema de la IA como un problema de Búsqueda en un Espacio de Estado
III. Búsqueda en un espacio de Estado Estudiaremos la formulación de un problema de la IA como un problema de Búsqueda en un Espacio de Estado 1 3. Búsqueda en un Espacio de Estado Problema de IA Problema
Más detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesProgramacion Genetica
Programacion Genetica PG a Vuelo de Pajaro Desarrollado: EEUU en los 90s Pioneros: J. Koza pero Generalmente aplicado a: prediccion, clasificacion Propiedades generales: compite con NN y similares necesita
Más detallesRecursividad. Figura 1. Cálculo del factorial de un número determinado.
Recursividad La recursividad es una metodología de programación que en la práctica suele ser muy compleja, es por ello que este tema es tratado en cursos universitarios de programación avanzada. Por lo
Más detallesÁrboles de Decisión Árboles de Sintaxis
Árboles de Decisión Árboles de Sintaxis Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Árboles de Decisión Árbol de Decisión Forma gráfica de
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesCiencias de la Computación I
Ciencias de la Computación I Gramáticas Regulares Expresiones Regulares Gramáticas - Intuitivamente una gramática es un conjunto de reglas para formar correctamente las frases de un lenguaje - Por ejemplo,
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesINFORMÁTICA MATLAB GUÍA 5 Simulink
1. INTRODUCCIÓN Es un entorno de diagramas de bloques orientados a la simulación y generación de código en varios campos de la ciencia. Se pueden simular sistemas de tipo mecánico, eléctrico, electrónico
Más detallesIntroducción a la programación: Algoritmos
Introducción a la programación: Algoritmos Algoritmo La palabra algoritmo proviene del nombre del matemático persa del siglo IX Muhammad ibn Musa al-jwarizmi Un algoritmo es una secuencia ordenada de pasos,
Más detallesIntroducción a la programación
Introducción a la programación Resolución de Problemas El objetivo principal para que las personas aprendan a programar en algún lenguaje de programación en particular es utilizar el computador como una
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesInteligencia Artificial
I.T. en Informática de Sistemas, 3º Curso académico: 2009/2010 Profesores: Sascha Ossowski y Ramón Hermoso 1 Tema 2: Búsqueda Resumen: 2. Búsqueda 2.1. Agentes de resolución de problemas 2.2. Búsqueda
Más detallesFUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS NÚMEROS ALEATORIOS UNIFORMES
FUNCIONES DE GENERACIÓN DE NÚMEROS ALEATORIOS Hay muchos problemas de ingeniería que requieren números aleatorios para obtener una solución. En algunos casos, esos números sirven para crear una simulación
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO Instituto de Ciencias Básicas e Ingeniería SISTEMAS BASADOS EN CONOCIMIENTO Ing. Henry Patricio Paz Arias Maestría en Ciencias Computacionales Sistemas Basados
Más detallesFormalismos de DES Redes de Petri (PN) Grafos Signados Dirigidos (GSD) Máquinas de Estados Finitos (MEF) Generalizaciones y particularizaciones de PN,
Sistemas a Eventos Discretos en este tipo de sistemas, a diferencia de los continuos, el estado y el tiempo son discretizados a valores específicos, es decir, estos sistemas cambian su estado en un conjunto
Más detalles