Qué es el APRENDIZAJE?
|
|
- Natalia Revuelta Guzmán
- hace 7 años
- Vistas:
Transcripción
1 Aprendizaje Qué es el APRENDIZAJE? INCREMENTO DEL REPERTORIO DE CONDUCTAS. CAMBIOS EN EL COMPORTAMIENTO DE UN SISTEMA: DE CARÁCTER PERMANENTE RELATIVO A ALGUNA DESTREZA DE SOLUCIÓN DE PROBLEMAS QUE MEJORA LA EJECUCIÓN DEL PROCESO DE RESOLUCIÓN TIENE LUGAR MEDIANTE ALGÚN MECANISMO DE ADQUISICIÓN DE INFORMACIÓN O CONOCIMIENTO QUE EL SISTEMA POSEE. APRENDIZAJE DE GENERALIDAD: LA INFORMACIÓN DE SALIDA PUEDE SER: DEL MISMO NIVEL DE NIVEL MÁS ALTO DE NIVEL MÁS BAJO QUE LA INFORMACIÓN DE ENTRADA Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 1
2 Aprendizaje PROCESO CREATIVO: A LA SALIDA DEL PROCESO HAY IGUAL O MÁS CONOCIMIENTO QUE A LA ENTRADA. PARA ESTABILIZAR LA RESPUESTA DEL SISTEMA SE SUELE REQUERIR UN PERÍODO DE ENTRENAMIENTO. EN SISTEMAS NATURAL EL APRENDIZAJE SUELE SER INCREMENTAL. EN LOS SISTEMAS ARTIFICIALES ES MÁS FRECUENTE EL APRENDIZAJE NO-INCREMENTAL. EL PROCESO NO GARANTIZA LA OBTENCIÓN DE LA MEJOR RESPUESTA, SINO SÓLO DE LA MEJOR RESPUESTA DISPONIBLE EN UN ESTADO DE APRENDIZAJE DADO Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 2
3 Aprendizaje TIPOS DE APRENDIZAJE SINTÉTICO Conocimiento Nuevo ANALÍTICO Conocimiento del mismo nivel Basado en Memoria Simbólico Basado en Ejemplos Subsimbólico No crea Conocimiento No explica los resultados CBL Razonamiento Basado en Casos Inducción Aprendizaje Conceptual Supervisado Metáfora Algoritmos genéticos Redes Neurales Sistemas Conexionistas EBL Aprendizaje basado en la experiencia Clustering Conceptual Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 3
4 Aprendizaje APRENDIZAJE SIMBÓLICO El resultado del aprendizaje es un conjunto de creencias o procesos. Inconvenientes de los modelos de aprendizaje simbólico: Orientados básicamente al tratamiento de información discreta No pueden hacerse cargo de problemas no-lineales. Ventajas: Interpretabilidad de los resultados El conocimiento adquirido para la realización de la tarea puede ser: Del mismo nivel que el suministrado al sistema: Razonamiento basado en casos (CBR) De nivel más general que el suministrado al sistema: Análisis de diferencias Inducción de reglas De nivel más bajo que el suministrado al sistema. Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 4
5 Aprendizaje LOS MODELOS DE APRENDIZAJE COMO MODELOS HEURISTICOS Aunque los modelos de aprendizaje se expresan como algoritmos (igual que cualquier modelo computacional), se trata de modelos de procesos de prueba y error. No garantizan que el conocimiento obtenido pueda resolver en todos los casos la tarea propuesta. Naturaleza incremental: Nueva información suministrada al sistema puede cambiar los resultados obtenidos en anteriores fases del aprendizaje. Control experimental de los modelos de aprendizaje a través del ajuste de la función de aprendizaje: Medida de la tasa de error Control de la evolución temporal del aprendizaje. Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 5
6 Análisis de Diferencias ANALISIS DE DIFERENCIAS Heurísticos de inducción que permiten aprender descripciones de clases a partir de ejemplos positivos o negativos Heurísticos Inducción Aprendizaje: Presentación de ejemplos Construcción de descripciones tentativas Refinamiento progresivo de esta descripción Tipos de ejemplos: Positivos: Relajan el modelo Negativos: Restringen el modelo Construcción inicial de la descripción (modelo) de trabajo Presentación inicial de un ejemplo típico de la clase Todos sus atributos pertenecen a la clase Construcción del modelo inicial a partir del ejemplo Modelo de objetos La presentación de ejemplos sucesivos, positivos o negativos, permite identificar características de los atributos Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 6
7 Análisis de Diferencias HEURISTICOS DE ANALISIS DE DIFERENCIAS Heurístico de la relación necesaria Ejemplo negativo que contiene normalmente una sola diferencia con las instancias de la clase Se construye una descripción del objeto presentado Se compara esa descripción con la de trabajo Se identifica la diferencia Se modifica la descripción de trabajo:... tiene el atributo debe tener el está en la relación debe estar en la... Heurístico de la relación prohibida Ejemplo negativo cuya descripción contiene atributos/relaciones que no están en la descripción de trabajo Se modifica la descripción de trabajo:... tiene el atributo no debe tener el está en la relación no debe estar en... Heurístico de la subida al árbol (tree climbing) Ejemplo positivo de un objeto diferente al del modelo de trabajo, pero relacionado con él mediante un árbol de clasificación Se modifica la descripción de trabajo: Las propiedades/relaciones requeridas se asocian a la clase común más específica del árbol Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 7
8 Análisis de Diferencias HEURISTICOS DE ANALISIS DE DIFERENCIAS (2) Heurístico de ampliación: Ejemplo positivo en el que hay un objeto que no aparece en la descripción de trabajo, y no relacionado con él mediante el árbol de clasificación Se modifica la descripción de trabajo: Todas las propiedades/relaciones se asocian a una nueva clase compuesta por la unión de las dos clases de objetos. Heurístico de eliminación: Ejemplo positivo en el que: Hay un objeto que no aparece en la descripción de trabajo y tal que, junto con los que aparecen, forma un conjunto exhaustivo. Se modifica la descripción de trabajo: Se elimina toda referencia a ambas clases Falta una relación de la descripción de trabajo Se modifica la descripción de trabajo: Se quita la propiedad/relación Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 8
9 Análisis de Diferencias HEURISTICOS DE ANALISIS DE DIFERENCIAS (3) Heurístico de cierre de intervalo: Ejemplo positivo con un número n que corresponde a otro m de la descripción de trabajo Se modifica la descripción de trabajo: Se sustituye el número de la descripción de trabajo por el intervalo n-m. Si la descripción de trabajo utiliza un intervalo, se amplía para capturar n Heurísticos adicionales En caso de duda, no hacer nada Si un ejemplo positivo no coincide con una descripción de trabajo suficientemente probada, crear un modelo de caso excepcional Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 9
10 Análisis de Diferencias ALGORITMOS DE USO DE HEURÍSTICOS Procedimiento ESPECIALIZAR (ejemplos negativos): 1. Comparar la descripción de trabajo con el ejemplo 2. Determinar la diferencia más importante. Si no se puede, ignorar el ejemplo, y volver a comenzar con otro. Si es única o se puede determinar, continuar. 3. Si la descripción de trabajo tiene un enlace que no está en el ejemplo, aplicar el heurístico de la relación necesaria 4. Si el ejemplo tiene un enlace que no está en la descripción de trabajo, aplicar el heurístico de la relación prohibida 5. En otro caso, ignorar el ejemplo, y comenzar con otro. Procedimiento GENERALIZAR (ejemplos positivos): 1. Comparar la descripción de trabajo con el ejemplo 2. Determinar la diferencia más importante. Si no se puede, ignorar el ejemplo. Si es única o se puede determinar, continuar (las diferencias se pueden clasificar) 3. Si un enlace apunta a una clase de la descripción de trabajo distinta de la clase a la que apunta el enlace del ejemplo: 3.1. Si las clases son parte de un árbol de clasificación, aplicar el heurístico de subida al árbol 3.2. Si las clases forman un conjunto exhaustivo, aplicar el heurístico de eliminación 3.3. En otro caso, utilizar el heurístico de ampliación 4. Si en el ejemplo falta un enlace de la descripción, aplicar el heurístico de eliminación 5. Si en la diferencia intervienen números, o un intervalo y un número fuera del mismo, utilizar el heurístico de cierre del intervalo Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 10
11 Análisis de Diferencias USO DE LA DESCRIPCION OBTENIDA Comprobar si el objeto desconocido es compatible con los enlaces imperativos de la descripción Los necesarios deben estar Los prohibidos no deben estar Más flexible: medir el grado de semejanza mediante una suma ponderada de los enlaces correspondientes. La ponderación indica la relevancia de cada enlace Ordenación de las descripciones Si hay pocos: lista. Describe and match Red de semejanza: Nodos: descripciones Arcos: conectan los modelos más parecidos denotan diferencias El movimiento por la red es un procedimiento hillclimbing : se pasa a la descripción que parece más probable que se parezca más al objeto Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 11
12 Análisis de Diferencias EJEMPLOS: Arco (1) Relación necesaria Descripción de trabajo: soporta-a soporta-a a la izquierda de Ejemplo negativo a la izquierda de Descripción resultante debe-soportar-a debe-soportar-a a la izquierda de Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 12
13 Análisis de Diferencias EJEMPLOS: Arco (2) Relación prohibida Descripción de trabajo: debe-soportar-a debe-soportar-a a la izquierda de Ejemplo negativo debe-soportar-a debe-soportar-a a la izquierda de toca-a Descripción resultante: debe-soportar-a debe-soportar-a a la izquierda de no-debe-tocar-a Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 13
14 Análisis de Diferencias EJEMPLOS: Arco (3) Subida al árbol Descripción de trabajo: es-un A B Ejemplo positivo: es-un C B Descripción resultante: debe-ser-un B Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 14
15 Inducción de Reglas APRENDIZAJE POR INDUCCIÓN INDUCCIÓN DE REGLAS Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 15
16 Inducción de Reglas INDUCCIÓN DE REGLAS Aprendizaje de procedimientos (reglas) de reconocimiento de clases o conceptos (clasificación) Cada clase comprende un conjunto de casos Input: Colección de casos o ejemplos (trainig set) Cada caso viene dado por: Su descripción respecto a unos atributos Su pertenencia o no a una clase determinada Output: Conjunto de reglas de clasificación Antecedente: Conjunto de pares <atributo, valor> Consecuente: Identificación de una clase Algoritmos de inducción: ID3, C4: R. Quinlan,... (1979, 1983, 1986, 1987) AQ, AQ11, AQ15: Michalski (1969, 1983, 1986) Diferentes versiones: Uso de Arboles de Identificación o Decisión Rango de valores discreto o continuo Batch o incremental Problema: Eliminación del ruido en el training set Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 16
17 Inducción de Reglas Formato del Training Set Caso Atributo 1... Atributo n Clase Caso 1 Valor Valor 1n Clase Caso m Valor m1... Valor mn Clase k Ejemplo (Winston 92) Atributos y su rango de valores: Pelo = {rubio, moreno, pelirrojo} Altura ={normal, alto, bajo} Peso = {normal, gordo, delgado} Crema = {si, no} Caso Pelo Altura Peso Crema Clase Pablo rubio normal delgado no quemado Maria rubio alto normal si normal Rocio moreno bajo normal si normal Raul rubio bajo normal no quemado Sara pelirrojo normal gordo no quemado Paula moreno alto gordo no normal Pilar moreno normal gordo no normal Javier rubio bajo delgado si normal Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 17
18 Inducción de Reglas Ejemplo (Cont.) Hay 3 x 3 x 3 x 2 = 54 combinaciones posibles 8 observaciones son un 15% del total (8/54 = 0.15) Si tuviéramos: Explosión combinatoria 12 atributos por caso 5 valores por atributo (con una frecuencia parecida) tendríamos 5 12 = 2.44 x 10 8 combinaciones Si en este caso tuviéramos 1 millón de casos observados, sólo tendríamos el 0.4% del total Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 18
19 Inducción de Reglas ARBOLES DE IDENTIFICACION Un árbol de identificación es un árbol de decisión en el que Cada nodo no terminal está etiquetado con un atributo Cada rama que sale de un nodo n está etiquetada con un valor de ese atributo Cada nodo terminal está etiquetado con un conjunto de casos, cada uno de los cuales satisface todos los valores de atributos que etiquetan el camino desde ese nodo al nodo inicial La aplicación de un atributo como criterio de selección clasifica los casos en distintos conjuntos (tantos como valores del atributo Problema: construcción del árbol de identificación más sencillo que sea consistente con el training set: Eliminación de atributos irrelevantes Ordenación de los atributos relevantes, desde la raíz a los nodos terminales, de mayor a menor fuerza clasificatoria La fuerza clasificatoria de un atributo es su capacidad para generar particiones en el training set que se ajusten en un grado dado a las distintas clases posibles La clasificación de casos respecto a algún atributo introduce un orden en el training set El orden (y el desorden o ruido ) de un conjunto de datos es medible (Teoría de la Información) Medimos la fuerza clasificatoria de un atributo mediante su capacidad para reducir la incertidumbre o entropía Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 19
20 Inducción de Reglas ETAPAS DE LA CONSTRUCCIÓN DEL ARBOL DE IDENTIFICACIÓN 1. Calcular la entropía que puede reducir cada atributo 2. Ordenar los atributos de mayor a menor capacidad de reducción de entropía 3. Construir el árbol de identificación siguiendo la lista ordenada de atributos 1. CALCULO DE LA ENTROPIA DE CADA ATRIBUTO Sea c el número de clases Sea n r el número de casos en una rama r Sea n a el número de casos en todas las ramas del árbol a Sea n rc el número de casos en la rama r de la clase c La probabilidad P(c) de que un caso dado pertenezca a la clase c es: n rc P(c) = n r La medida de la entropía E viene dada por la fórmula: c E = Σ -P(c). log 2 P(c) i=1 Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 20
21 Inducción de Reglas EJEMPLOS DE CALCULO DE LA ENTROPIA Si un conjunto de casos que contiene miembros de dos clases A y B, y el número de elementos de cada clase es el mismo, el valor dado por la fórmula de medida de la entropía será 1, el máximo valor posible: c E = Σ -P(c). log 2 P(c) = - log 2 - log 2 i= = + = Si sólo hay elementos de una clase, el valor de la entropía será 0, el mínimo valor posible: c E = Σ -P(c). log 2 P(c) = - 1 log log 2 0 = = 0 i=1 A medida que nos movemos entre una distribución perfectamente equilibrada y una homogeneidad perfecta, la entropía va variando entre 0 y 1: Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 21
22 Inducción de Reglas 2. ORDENACIÓN DE ATRIBUTOS Una vez calculada la entropía de cada atributo, se establece una lista de los mismos ordenada de menor a mayor entropía 3. CONSTRUCCIÓN DEL ÁRBOL Hasta que cada nodo terminal contiene un subconjunto del conjunto de entrenamiento lo más homogéneo posible: Se selecciona un nodo terminal con un conjunto nohomogéneo Se sustituye el nodo por una prueba sobre el primer atributo de la lista no utilizado todavía en la rama. Esta prueba dividirá el conjunto en conjuntos mínimamente no-homogéneos Sobre cada uno de los conjuntos resultantes se reitera el procedimiento, hasta agotar los atributos disponibles Color pelo rubio pelirrojo moreno crema protectora Sara Rocío Paula no si Pilar Pablo Raúl Maria Javier Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 22
23 Inducción de Reglas Generación de Reglas Para transformar el árbol de identificación en un conjunto de reglas: Se recorre cada rama de la red desde la raíz hasta el nodo terminal El antecedente de la regla es la conjunción de los pares <atributo, valor> recogidos en cada nodo El consecuente de la regla es el nodo terminal Ej.: Si el color del pelo = rubio y usa crema = si Entonces no se quema Si el color del pelo = rubio y usa crema = no Entonces se quema Si el color del pelo = pelirrojo Entonces se quema Si el color del pelo = moreno Entonces no se quema Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 23
24 Inducción de Reglas SIMPLIFICACIÓN DEL CONJUNTO DE REGLAS Eliminación de antecedentes innecesarios Si usa crema = si Entonces no se quema Eliminación de reglas innecesarias Todas las reglas con el mismo consecuente pueden reducirse a una regla por defecto: Si no se aplica ninguna otra regla, Entonces... Elegir el conjunto más numeroso de reglas con el mismo consecuente Elegir el consecuente más común en el training set Elegir la regla por defecto más simple (con menor número de antecedentes) Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 24
25 Razonamiento basado en Casos RAZONAMIENTO BASADO EN CASOS - Estrategia de búsqueda basada en la recuperación de la información almacenada más parecida posible a la que describe el problema actualmente planteado - La adquisición de esta información (aprendizaje) consiste en el mero almacenamiento, más o menos estructurado. - La información no se manipula hasta el momento de su utilización. - Ingeniería del Conocimiento: Para dominios de problemas en los que resulta imposible construir un modelo - Se basa en el heurístico de la consistencia, que se utiliza cada vez que atribuímos a algo nuevo, que antes no hemos visto, un rasgo de una cosa ya observada previamente: - si queremos identificar el valor de un atributo de un objeto a partir de un conjunto de casos de referencia: - buscamos el caso más parecido en función de los atributos cuyo valor conocemos - conjeturamos que el valor que buscamos para el atributo será el mismo que el correspondiente del caso más parecido - no se aplica mecanismo inferencial (razonamiento) alguno - estimación de la semejanza del nuevo caso con alguno de los anteriores Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 25
26 Razonamiento basado en Casos RAZONAMIENTO BASADO EN CASOS (2) - Identificación basada en un espacio de atributos o rasgos: - identificación de atributos - evaluación de atributos - construcción del espacio de rasgos: representación multidimensional en la que cada atributo corresponde a una dimensión de ese espacio - cada caso, objeto, problema, etc... conocido se representa como un punto de coordenadas de ese espacio de rasgos - el caso o problema a resolver, o el objeto desconocido, se representa asimismo en el espacio de rasgos - la solución o identificación será la del caso u objeto representado por el punto a menor distancia del que representa el caso u objeto desconocido - el procedimiento más inmediato: si tenemos n casos, tendremos que calcular n distancias, y tendremos que hacer n-1 comparaciones de esas distancias hasta encontrar la menor: complejidad proporcional a n - mediante los árboles k-d se puede encontrar rápidamente el mayor parecido posible en un espacio de rasgos: procedimiento serial rápido en tiempo logarítmico: el número de cálculos se reduce a log 2 n (J. K. Friedman et al. (1977), An Algorithm for Finding Best Matches in Logarithmic Expected Time, ACM Trans. in Math. Softw., 3, 3.) Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 26
27 Razonamiento basado en Casos ARBOLES DE DECISION MULTIDIMENSIONALES - Un árbol de decisión es una representación que es un árbol semántico en el que: - cada nodo está conectado a un conjunto de respuestas posibles - cada nodo no terminal está conectado a una prueba (test) que divide su conjunto de respuestas posibles en subconjuntos que corresponden a diferentes resultados de la prueba - cada rama propaga a otro nodo el subconjunto resultante de una prueba determinada - En cada fase del análisis, el árbol nos indica cuál es la prueba que tenemos que realizar - Suponiendo que el espacio de rasgos tiene k dimensiones, las distancias tendrán que medirse para todas ellas. Para ello, transformamos el árbol de decisión en un árbol multidimensional. - Un árbol de decisión multidimensional es una representación en la que: - el conjunto de respuestas posibles está formado por puntos, uno de los cuales puede ser el más próximo a un punto dado - cada prueba especifica una coordenada, un umbral y una zona neutral alrededor del umbral que no contiene ningún punto - cada prueba divide el conjunto de puntos en dos conjuntos, según a qué lado del umbral se encuentra cada punto Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 27
28 Razonamiento basado en Casos CONSTRUCCIÓN DEL ARBOL DE DECISIÓN - Procedimiento para dividir los casos en conjuntos, construyendo un árbol de decisión: - Si sólo hay un caso, parar. - Si esta es la primera división de casos, tomar para la comparación el eje vertical. En otro caso, tomar el eje que sea distinto del que se encuentra en el siguiente nivel superior - Considerando sólo el eje de comparación, encontrar la posición media de dos objetos medios. Sea el umbral esta posición media. Construir una prueba del árbol de decisión que compare los casos desconocidos en el eje de comparación con el umbral. Anotar, además, la posición de los dos objetos medios en eje de comparación. Sean estas posiciones los límites superior e inferior. - Dividir todos los objetos en dos subconjuntos, según a qué lado de la posición media (umbral) se encuentren - Utilizando este procedimiento, dividir los objetos de cada subconjunto, formando un subárbol para cada uno Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 28
29 Razonamiento basado en Casos BÚSQUEDA DEL CASO MÁS PARECIDO - Para encontrar el caso más parecido, basta con seguir un camino por el árbol de decisión que refleja el modo en que los objetos se han dividido en conjuntos - Procedimiento para encontrar el caso más parecido: - Determinar si sólo hay un elemento en el conjunto que se considera. Si es así, informar de ello. En otro caso: - Comparar el caso desconocido, en el eje de comparación, con el umbral del nodo actual. El resultado determina el conjunto probable. - Encontrar el caso más parecido en el conjunto probable utilizando este procedimiento - Determinar si la distancia al caso más parecido en el conjunto probable es menor o igual a la distancia al límite del otro conjunto en el eje de comparación. Si es así, informar de que se trata del caso más parecido en el conjunto probable. En otro caso: - Comprobar el conjunto no probable utilizando este procedimiento. Devolver el caso más parecido de los más parecidos en el conjunto probable y en el no probable - El procedimiento tiene en cuenta la posibilidad de que haya que examinar alternativas ignoradas previamente - En general, un árbol de decisión con un factor de ramificación 2 y con una profundidad p, tendrá 2 p terminales. Si hay que identificar n objetos, p tendrá que ser lo bastante grande para asegurar que 2 p n - Si tomamos el logaritmo de ambos lados, el número de comparaciones que necesitamos, que corresponde a la profundidad del árbol, será del orden de log 2 n Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 29
30 Razonamiento basado en Casos Ejemplo de construcción de un árbol de decisión multidimensional Supongamos que tenemos 8 bloques, cada uno de los cuales tiene los siguientes rasgos: color altura anchura identificación amarillo 6 5 am púrpura 5 6 pu rojo 6 2 r1 naranja 5 2 na rojo 2 1 r2 azul 2 4 az verde 1 6 ve violeta 1 2 vi - Supongamos que, por la naturaleza de los objetos del mundo de bloques, el valor del atributo color depende, de alguna forma desconocida, de los valores de los atributos altura y anchura. - Supongamos que se nos pide que averigüemos cuál es el color de un bloque cuya altura es 4 y cuya anchura es 1 - Situamos los objetos en un sistema de coordenadas Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 30
31 Razonamiento basado en Casos Ejemplo (continuación) Altura 6 r2 am 5 na pu 4? ( 5) 3 ( 2) 2 r1 az 1 vi ve Anchura - consideramos primero la dimensión altura - dividimos por su altura los objetos en dos grupos, cada uno con el mismo número de objetos - el punto central de la diferencia entre el más alto de los bajos (límite inferior) y el más bajo de los altos (límite superior) está en 3.5, donde situamos el umbral - consideramos la dimensión anchura - dividimos por su anchura cada conjunto en dos subconjuntos con el mismo número de objetos - reiteramos el procedimiento hasta que en cada subconjunto no quede más que un objeto Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 31
32 Razonamiento basado en Casos Ejemplo (3): Arbol de Prueba - Cada paso genera una prueba y un nodo en el árbol de prueba. El árbol correspondiente será: alt > 3.5? no si anch > 3? anch > 3.5? no si no si alt. > 1.5? alt. > 1.5? alt. > 5.5? alt. > 5.5? no si no si no si no si violeta rojo verde azul naranja rojo púrpura amarillo - Al final, el objeto desconocido quedará situado en una de las particiones, en la que estará el caso más próximo Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 32
33 Aprendizaje Subsimbólico APRENDIZAJE SUBSIMBÓLICO El resultado del aprendizaje se identifica con la configuración misma del sistema de aprendizaje. Inconvenientes de los modelos de aprendizaje subsimbólico: Ausencia de modelos que dirijan la configuración del sistema de aprendizaje Ausencia de interpretación simbólica del resultado del aprendizaje Ventajas del aprendizaje subsimbólico: Plausibilidad biológica Resolución de problemas de aprendizaje no-lineal Admite información suministrada bajo la forma de valores continuos Modelos de aprendizaje subsimbólico: Redes neuronales Algoritmos genéticos Carlos Muñoz Gutiérrez. Dpto. Lógica y Filosofía de la Ciencia 33
Tema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
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 detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
Más detallesAprendizaje Automático Segundo Cuatrimestre de Árboles de Decisión
Aprendizaje Automático Segundo Cuatrimestre de 2015 Árboles de Decisión Aproximación de Funciones Ejemplo: Un amigo juega al tenis los sábados. Juega o no, dependiendo del estado del tiempo. Cielo: {Sol,
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
Más detallesÁRBOLES CRISTIAN ALFREDO MUÑOZ ÁLVAREZ JUAN DAVID LONDOÑO CASTRO JUAN PABLO CHACÓN PEÑA EDUARDO GONZALES
ÁRBOLES CRISTIAN ALFREDO MUÑOZ ÁLVAREZ JUAN DAVID LONDOÑO CASTRO JUAN PABLO CHACÓN PEÑA EDUARDO GONZALES ÁRBOL Un árbol es un grafo no dirigido, conexo, sin ciclos (acíclico), y que no contiene aristas
Más detallesFICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA. Tema 3. Estructuras de Almacenamiento. Básicas. Definición y Manejo.
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA Tema 3. Estructuras de Almacenamiento Básicas. Definición y Manejo. 1.- Búsqueda de Información. Definición de Clave. 2.- Definición y Manejo
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesEstructura de datos y algoritmos. Tema V TDA DINÁMICOS NO LINEALES: Árboles: árboles binarios
Estructura de datos y algoritmos Tema V TDA DINÁMICOS NO LINEALES: Árboles: árboles binarios TEMA V : TIPOS DE DATOS ABSTRACTOS NO LINEALES: ÁRBOLES 5.1 Conceptos y definiciones 5.2 Árboles perfectamente
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesCarteras minoristas. árbol de decisión. Ejemplo: Construcción de un scoring de concesión basado en un DIRECCIÓN GENERAL DE SUPERVISIÓN
Carteras minoristas Ejemplo: Construcción de un scoring de concesión basado en un árbol de decisión Grupo de Tesorería y Modelos de Gestión de Riesgos Sergio Gavilá II Seminario sobre Basilea II Validación
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 11 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 11 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Resolución manual de clasificación bayesiana
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 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 detallesAprendizaje Computacional y Extracción de Información
Aprendizaje Computacional y Extracción de Información Inferencia Gramatical Jose Oncina oncina@dlsi.ua.es Dep. Lenguajes y Sistemas Informáticos Universidad de Alicante 26 de septiembre de 2007 J. Oncina
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesAprendizaje inductivo
Inteligencia Artificial Aprendizaje inductivo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción
Más detallesMETODOLOGÍAS DE PLANIFICACIÓN DE PROYECTOS (ALGUNAS.)
METODOLOGÍAS DE PLANIFICACIÓN DE PROYECTOS (ALGUNAS.) MÉTODO PERT El método PERT (Project Evaluation and Review Techniques) es un algoritmo basado en la teoría de redes diseñado para facilitar la planificación
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesParte de Algoritmos de la asignatura de Programación Master de Bioinformática. Búsqueda exhaustiva
Parte de Algoritmos de la asignatura de Programación Master de Bioinformática Búsqueda exhaustiva Web asignatura: http://dis.um.es/~domingo/algbio.html E-mail profesor: domingo@um.es Transparencias preparadas
Más detallesALGORITMO ID3. Objetivo
ALGORITMO ID3 Desarrollado por J. Ross Quinlan en 1983. ID3 significa Induction Decision Trees. Pertenece a la familia TDIDT (Top- Down Induction of Decision Trees). Objetivo Construir un árbol de decisión
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesASIGNATURA: (TIS-106) Estructuras de Datos II DOCENTE: Ing. Freddy Melgar Algarañaz
TEMA 1. Árboles Generalizados Son estructuras de datos no lineales, o también denominadas estructuras multienlazadas. El árbol es una estructura de datos fundamental en informática, muy utilizada en todos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesCriterios de evaluación Matemáticas - B de 4º de ESO
UNIDAD Criterios de evaluación Matemáticas - B de 4º de ESO CRITERIOS GENERALES Unidad 1: Números reales - Dominar la expresión decimal de un número o una cantidad y calcular o acotar los errores absoluto
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
Más detallesApellidos:... Nombre:...
Apellidos:....................................... Nombre:........................................ Introducción a la Inteligencia Artificial 1 er Parcial de Teoría 12 Noviembre 2004 Ejercicio 1: Responder
Más detallesJesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL
Jesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL En esta clase se presenta un método de inducción de modelos numéricos de regresión a partir de datos. En el tema de técnicas clásicas se presentó la
Más detallesÁrboles B y B ) 20. Algoritmos y Estructuras de Datos II I.T. en Informática de Gestión/Sistemas Universidad de Huelva 63
y B + 3.8 y B+! Problema de los ABB cuando se usa almacenamiento secundario:! la búsqueda de un elemento requeriría muchos accesos a disco (un acceso a disco es extremadamente lento si lo comparamos con
Más detallesPráctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms) Autor: Pablo
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesTema 8: Árboles de Clasificación
Tema 8: Árboles de Clasificación p. 1/11 Tema 8: Árboles de Clasificación Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detalles12/08/2017 AVL. Especificación sobre árboles AVL. AVL: rotaciones
VL Se dice que un árbol binario está balanceado si y sólo si en cada nodo las alturas de sus 2 subárboles difieren como máximo en 1. Todos los árboles perfectamente balanceados son árboles VL. Especificación
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión 2. Algoritmo básico: divide y vencerás 3. Heurística para la selección de atributos 4. Espacio de búsqueda
Más detallesEstructura de Datos. Estructuras de Datos no lineales : Árboles
Estructura de Datos Estructuras de Datos no lineales : Árboles Definiciones de Árbol En términos matemáticos, un árbol es cualquier conjunto de puntos, llamados vértices, y cualquier conjunto de pares
Más detallesEstadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesOBJETIVOS DE MATEMÁTICAS B 4º DE ESO
OBJETIVOS DE MATEMÁTICAS B 4º DE ESO UNIDAD 1 1.1. Domina la expresión decimal de un número o una cantidad y calcula o acota los errores absoluto y relativo en una aproximación. 1.2. Realiza operaciones
Más detallesFundamentos de Inteligencia Artificial
Fundamentos de Inteligencia Artificial Búsqueda con Adversario Hugo Vega Huerta En esta sección Conoceremos métodos que permiten practicar juegos de tablero. una opción conduce a otra, pero se trata de
Más detallesMatemáticas Básicas para Computación
Matemáticas Básicas para Computación MATEMÁTICAS BÁSICAS PARA COMPUTACIÓN 1 Sesión No. 11 Nombre: Árboles Objetivo: Al término de la sesión el participante conocerá los tipos de grafos específicamente
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Búsqueda Representación Tipos búsquedas: Sin información Con información
Más detallesFICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA. Tema 4. Técnicas de Dispersión. Definición y Manejo.
FICHEROS Y BASES DE DATOS (E44) 3º INGENIERÍA EN INFORMÁTICA Tema 4. Técnicas de Dispersión. Definición y Manejo. 1.- Introducción. 2.- Funciones de Dispersión. 3.- Saturación Progresiva. 4.- Empaquetado
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 detallesFundamentos de Inteligencia Artificial
Área de Ingeniería Telemática Universidade de Vigo Fundamentos de Inteligencia Artificial Manuel Ramos Cabrer (Curso 2010/11) Objetivos Introducción a la disciplina de la Inteligencia Artificial desde
Más detallesPENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO )
PENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO 2015-2016) CRITERIOS E INDICADORES Se detallan a continuación los criterios de evaluación junto con sus indicadores de contenidos asociados. Criterio 1: Identificar
Más detallesD conjunto de N patrones etiquetados, cada uno de los cuales está caracterizado por n variables predictoras X 1,..., X n y la variable clase C.
Tema 10. Árboles de Clasificación Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesProf. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística
Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica
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 detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
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 detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesSistemas de ecuaciones lineales
Ecuación lineal con n incógnitas Sistemas de ecuaciones lineales Es cualquier expresión del tipo: a 1 x 1 + a 2 x 2 + a 3 x 3 +... + a n x n = b, donde a i, b. Los valores a i se denominan coeficientes,
Más detallesCONTENIDOS MÍNIMOS del ÁREA DE MATEMÁTICAS
Dpto. de Matemáticas IES Las Breñas 4º ESO OPCIÓN B CONTENIDOS MÍNIMOS del ÁREA DE MATEMÁTICAS 1: Números reales. Septiembre-2016 Números no racionales. Expresión decimal - Reconocimiento de algunos irracionales.
Más detallesEstructura de Datos Unidad 6: ARBOLES
Estructura de Datos Unidad 6: ARBOLES A. CONCEPTO DE ARBOL B. TIPOS DE ARBOL C. ARBOL BINARIO D. IMPLEMENTACION DE UN ARBOL BINARIO E. PROYECTO Introducción En ciencias de la informática, un árbol es una
Más detallesAlineamiento múltiple de secuencias
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 11 de junio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Alineamiento múltiple de secuencias 11 de junio del 2013 1 / 39 1 Alineamiento múltiple de
Más detallesCRITERIOS DE EVALUACIÓN DE 4º ESO- Opción B
CRITERIOS DE EVALUACIÓN DE 4º ESO- Opción B 1. Resolver problemas relacionados con la vida diaria y otras materias del ámbito académico utilizando los distintos tipos de números y operaciones, junto con
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detallesCurso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo
Curso: Métodos de Monte Carlo Unidad 3, Sesión 7: Problemas de conteo Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay
Más detallesCapítulo 1 Probabilidades y Estadística
Capítulo 1 Probabilidades y Estadística 1 S E B A S T I Á N M A L D O N A D O A S I G N A T U R A : I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 0 Conceptos Preliminares Estadística 2 Estadística: ciencia
Más detallesMatemáticas Discretas L. Enrique Sucar INAOE. Teoría de Grafos. Problema de los puentes de Königsberg [Euler]
Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Grafos Problema de los puentes de Königsberg [Euler] Teoría de Grafos Definición y terminología Tipos de grafos Trayectorias y circuitos Isomorfismo
Más detallesElemento crítico para la garantía de calidad del software y representa una revisión final de las especificaciones, del diseño y de la codificación.
Prueba del Software Elemento crítico para la garantía de calidad del software y representa una revisión final de las especificaciones, del diseño y de la codificación. Curso 2005/2006 Ingeniería del Software
Más detallesSesión 11 Árboles de decisión
Inteligencia Artificial Sesión 11 Árboles de decisión Ingeniería Superior en Informática, 4º Curso académico: 2008/2009 Profesores: Sascha Ossowski, Ramón Hermoso, y Matteo Vasirani Tema 3: Aprendizaje
Más detallesUnidad I: Introducción a las estructuras de datos
Unidad I: Introducción a las estructuras de datos 1.1 Tipos de datos abstractos (TDA) Los tipos de datos abstractos (TDA) encapsulan datos y funciones que trabajan con estos datos. Los datos no son visibles
Más detallesInteligencia Artificial I
Ingeniería en Sistemas Computacionales Inteligencia Artificial I Rafael Rivera López Departamento de Sistemas y Computación 1 Ago-Dic 2008 Veracruz, Ver. Unidad IV Técnicas de Búsqueda y Satisfacción de
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesEnunciados de los problemas (1)
Enunciados de los problemas (1) Problema 1. El peso de tres manzanas y dos naranjas es de 255 gramos. El peso de dos manzanas y tres naranjas es de 285 gramos. Si todas las manzanas son del mismo peso
Más detallesIMADIL /10/2014
TEMA 3: Características estadísticas fundamentales (Segunda parte: Dispersión y forma) Ignacio Martín y José Luis Padilla IMADIL 2014-2015 2 POSICIÓN DISPERSIÓN ESTADÍSTICOS SIMETRÍA APUNTAMIENTO 3. ESTADÍSTICOS
Más detallesb) Calcular el número máximo de hosts que pueden tener las redes 1, 2 y 3, así como las direcciones de Red y de Broadcast de las tres.
1.- La figura muestra la red original 90.68.121.128/25 dividida en tres subredes de igual tamaño y con conexión a Internet. Se pide: a) Sabiendo que los routers R0 y R1 están unidos por un enlace punto
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesIntroducción a Árboles Árboles Binarios
Introducción a Árboles Árboles Binarios Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Introducción a Árboles Estructuras hasta ahora Estructuras
Más detallesRECURSIVIDAD. Ángeles Martínez Sánchez Curso 2016/2017 DMATIC ETSISI
RECURSIVIDAD Conjuntos definidos recursivamente Fórmulas en lógica de proposiciones Los números naturales Listas Correspondencias recursivas Definición de correspondencia y de función recursiva Árbol de
Más detallesCapítulo 2. disponibles las habilidades de los expertos a los no expertos. Estos programas tratan de
Capítulo 2 Sistemas Expertos y Lógica Difusa 2.1 Sistemas Expertos Los sistemas expertos son programas computacionales diseñados para tener disponibles las habilidades de los expertos a los no expertos.
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 detallesDistribución normal estándar. Juan José Hernández Ocaña
Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.
Más detallesCONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 5º ED. PRIMARIA
CONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 5º ED. PRIMARIA El cálculo y los problemas se irán trabajando y evaluando a lo largo de todo el año. 1ª EVALUACIÓN CONTENIDOS. o Los números de siete y
Más detallesESTADISTICA Y PROBABILIDAD ESTADÍSTICA
ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesM513: Resultados de exámenes
0-9 10-19 20-29 30-39 40-49 50-59 60-69 70-79 80-89 90-100 Número de estudiantes M513: Resultados de exámenes A) PRESENTACIÓN DEL PROBLEMA El diagrama que se muestra a continuación muestra los resultados
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 detallesCOMPETENCIA MATEMÁTICA 2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA
2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA 1. DESCRIPCIÓN DE LA COMPETENCIA La competencia matemática consiste en la habilidad para utilizar y relacionar los números, sus operaciones básicas, los símbolos
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesA continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
Más detallesM.C. Mariano Larios G. 3 de diciembre de 2009
3 de diciembre de 2009 Tabla de criterios Criterios Porcentajes Exámenes 30 % Participación en clase Tareas 20 % Exposiciones 10 % Simulaciones Trabajos de investigación y/o de intervención Prácticas
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesTema 01: Algoritmia y diagramas de flujo. Estructuras de datos (Prof. Edgardo A. Franco)
Tema 1 Estructuras de datos (Prof. Edgardo A. Franco) Contenido Algoritmia Qué es un algoritmo? Métodos algorítmicos Diagrama de flujo Símbolos utilizados en los diagramas de flujo Reglas para la construcción
Más detallesGrafos y Redes. 3. Resolución: Dibujar el camino sin levantar el lápiz y pasando sólo una vez por cada arco o arista.
Grafos y Redes. Nodos: vértices, 2, 3 2. Arcos: aristas, conexión entre nodos. 2, 54, etc. 3. Resolución: Dibujar el camino sin levantar el lápiz y pasando sólo una vez por cada arco o arista. 4. Grado
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesBúsqueda Heurística II
Búsqueda Heurística II Pedro Meseguer IIIA-CSIC Bellaterra, Spain pedro@iiia.csic.es Algoritmos Algoritmo: procedimiento computacional que termina si en algún caso no termina, hay que especificarlo Características:
Más detallesExamen de Selectividad Matemáticas JUNIO Andalucía OPCIÓN A
Eámenes de Matemáticas de Selectividad ndalucía resueltos http://qui-mi.com/ Eamen de Selectividad Matemáticas JUNIO - ndalucía OPCIÓN. Sea f : R R definida por: f ( a b c. a [7 puntos] Halla a b y c para
Más detallesTema: Algoritmos para la ruta más corta en un Grafo.
Programación IV. Guía No. 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Algoritmos para la ruta más corta en un Grafo. Objetivos Específicos Definir el concepto de camino
Más detallesRazonamiento bajo incertidumbre
Inteligencia en Redes de Comunicaciones Razonamiento bajo incertidumbre Julio Villena Román jvillena@it.uc3m.es Razonamiento humano En el razonamiento humano hay que trabajar con la incertidumbre: la información
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesCONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O.
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O. Matemáticas 2º E.S.O. a) Contenidos comunes. Utilizar estrategias y técnicas sencillas en la resolución de problemas. b) Números. Conocer los conceptos de
Más detallesGobierno de La Rioja MATEMÁTICAS CONTENIDOS
CONTENIDOS MATEMÁTICAS 1.- Números reales Distintas ampliaciones de los conjuntos numéricos: números enteros, números racionales y números reales. Representaciones de los números racionales. Forma fraccionaria.
Más detallesClasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
Más detalles