Tema: Aprendizaje Supervisado.
|
|
- Domingo Ortíz Márquez
- hace 6 años
- Vistas:
Transcripción
1 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos Aprender a entrenar a la neurona, haciendo uso de ecuaciones matemáticas, para balancear sus pesos, en este caso entrenamos a la neurona sobre qué debe aprender y qué valores debe mostrarnos. Identificar en forma clara, como es que aprende un sistema inteligente. Implementar redes neuronales que utilicen aprendizaje supervisado en Microsoft Visual C#. Materiales y Equipo Guía Número 9. Computadora con programa Microsoft Visual C#. Introducción Teórica El aprendizaje es esencial para la mayoría de las arquitecturas de redes neuronales, por lo que la elección de un algoritmo de aprendizaje es un punto central en el desarrollo de una red, este implica que una unidad de procesamiento es capaz de cambiar su comportamiento entrada/salida como resultado de los cambios en el medio. La regla de aprendizaje de una red son criterios que se siguen para cambiar el valor asignado a las conexiones (o sea cómo se modifican los valores de los pesos). Existen dos tipos de reglas de aprendizaje: El aprendizaje supervisado, y El aprendizaje no supervisado. Así el aprendizaje puede ser: supervisado, se provee una respuesta correcta durante su entrenamiento, necesita de un humano que mida el funcionamiento del sistema, y no
2 2 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 supervisado, el objetivo a alcanzar no está presente, no se necesita de un humano, el sistema debe organizarse a sí mismo y por sí solo, se le conoce también como aprendizaje por hechos. Qué es aprendizaje? Es el proceso por el cual los parámetros libres de una red neuronal son adaptados a través de un proceso de estimulación por el ambiente en el cual la red se encuentra inmersa. El tipo de aprendizaje es determinado por la manera en la cual el cambio de parámetros tiene lugar. El aprendizaje, además, es el proceso por el cual modifica sus pesos en respuesta a una modificación en los datos de entrada. Los tipos de aprendizaje supervisado son: Aprendizaje por corrección de error. Aprendizaje por refuerzo. Aprendizaje estocástico. Aprendizaje por corrección de error. El entrenamiento consiste en presentar al sistema un conjunto de pares de datos, representando la entrada y la salida deseada para dicha entrada. Este conjunto recibe el nombre de conjunto de entrenamiento. Este aprendizaje consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseados y los obtenidos en la salida de la red. Ejemplos: La regla de aprendizaje del Perceptrón; regla delta o regla del mínimo error cuadrado o regla de Widrow-Hoff, ADALINE y MADALINE. Objetivo: Se trata de minimizar el error entre la salida deseada y la actual. Aprendizaje por Refuerzo Es un tipo de aprendizaje más lento que el anterior. No se dispone de un ejemplo completo del comportamiento deseado. No se conoce la salida deseada exacta para cada entrada. Se conoce cómo debería ser el comportamiento de manera general entre diferentes entradas.
3 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 3 Es un aprendizaje on-line. Relación de entrada salida a través de un proceso de éxito o fracaso, produciendo una señal de refuerzo, que mide el buen funcionamiento del sistema. Esta señal de refuerzo está caracterizada por el hecho de que es menos informativa que en el caso del aprendizaje supervisado mediante ejemplos. Es una variante de aprendizaje supervisado a la cual se informa a la red solamente una crítica de corrección de salida de red y no la respuesta correcta en sí. Aprendizaje Estocástico. Consiste básicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de las distribuciones de probabilidad. Ejemplo: la red Máquina de Cauchy. El proceso es el siguiente: Se realiza un cambio aleatorio en los pesos. Se determina la nueva energía de la red. Si la energía decrece: se acepta el cambio. Si la energía no decrece: se aceptaría el cambio en función de una determinada y preestablecida distribución de probabilidades.
4 4 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 Un algoritmo bien conocido de la IA para modelar el entrenamiento de las redes neuronales es llamado Propagación hacia Atrás, Backpropagation (en inglés). Utilizaremos este algoritmo para entrenar a una red neuronal para entrenar a un detector de números primos en sus entradas. Algoritmo de aprendizaje del Perceptrón. Si la salida de la neurona iguala al valor deseado, no se modifican los pesos, mientras que en el caso general, hay una búsqueda del mínimo error. Algoritmo de la Neurona. Una red Neuronal es simulada en una computadora creando los nodos cargados que se interconectan el uno al otro con diversas capas: la capa de la entrada, algunas capas ocultas, y una capa de la salida. Una señal pasa a un nodo de entrada en la capa de la entrada y luego es multiplicada por los pesos en todas las conexiones a los nodos en la capa siguiente y sumada para formar un valor de la activación. Este valor se pasa con lo que se conoce como función delta que altera la suma cargada a un valor no lineal y simula algo cómo una señal neuronal en el cerebro. El nuevo valor de la activación se pasa encendido a la capa siguiente y es ajustado otra vez por la suma de los valores cargados. Este proceso continúa hasta que el valor ajustado alcanza la capa de la salida donde se lee. Algoritmo de aprendizaje Delta por el gradiente decreciente. Este algoritmo converge sólo asintóticamente al mínimo aun cuando el problema no es linealmente separable. Es la base del algoritmo Backpropagation. Utiliza la siguiente regla: minimizar el error cuadrático medio LMS. Cómo minimizarlo? Nos movemos en la dirección que más reduce el error, es decir, en la dirección negativa del vector gradiente.
5 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 5 Diferencias con el algoritmo del Perceptrón. Perceptrón usa una función de activación con umbral, Gradiente no. Perceptrón usa actualización por ejemplo, Gradiente utiliza todos los datos. Perceptrón: minimiza los pesos, Gradiente: minimiza error. El algoritmo es el siguiente: Entrenando a la Red. En el algoritmo Backpropagation, la neurona es entrenada comparando el valor final que ocurre en la salida de la red, al valor deseado de la salida y que alimenta el error a través de la red. Este error se usa para ajustar los pesos en los nodos de los nervios, si se envía el respaldo del error con los nodos para muchas iteraciones, los pesos convergerán eventualmente a los valores
6 6 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 que darán la salida real de la red. Hay siempre la posibilidad que los pesos pueden no converger, o los pesos convergen a un cierto mínimo local y no proporcione una solución óptima. Ajustando algunos de los parámetros de la red (número de capas ocultadas, parámetros del umbral, número de nodos ocultos), se puede mejorar la exactitud de la red. Una vez que se entrene la neurona, en ocasiones no es necesario volver a entrenarla. En estos casos, se pueden utilizar los pesos resueltos finales para todos los datos. Sin embargo, si los datos de entrada en el ambiente están cambiando constantemente (por ejemplo en las predicciones comunes), será necesario enseñar/aprender habilidades nuevas a la neurona. Otro aspecto a considerar sobre el entrenamiento es que si las entradas son correctas, las salidas también lo serán. Debemos utilizar los datos que cubran una amplia gama de posibilidades que necesitemos como entradas en la red. Recordemos que la salida generada debe ser exacta. Algoritmo Backpropagation. A continuación se explica brevemente la parte matemática y los pasos del algoritmo. 1. El primer paso es el paso hacia adelante utilizado para determinar los niveles de la activación de las neuronas. Este paso es el mismo paso utilizado para hacer funcionar la neurona después de que se entrene. En nuestro ejemplo tenemos solamente tres capas, la de entrada, la oculta, y la de salida.
7 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 7 Primero calcularemos los niveles de la activación de la capa oculta. Esto se logra con valores de la entrada por la matriz del peso entre la capa de la entrada y la capa oculta y después el funcionamiento de los resultados con una función sigmoidea: L oculta = sigmoid (L entrada * [Pesos entrada-oculta]) La función sigmoidea se acerca a 1 para los valores grandes de x, y a 0 para los valores muy pequeños de x. Esto tras todas las activaciones a una aproximación no lineal de la neurona: Esta función forma una curva, como observamos en la siguiente figura. La curva sigmoidea permite que los valores fuera de un nodo actúen como una neurona. Para valores más grandes de la entrada en la neurona, la neurona se satura y alcanza un límite del valor. Para valores más pequeños de la entrada de la neurona, la neurona es menos sensible y tiende a permanecer en un valor cerca de cero. Para los valores de la entrada a partir del -0.5 a 0.5, la curva parece ser casi lineal dando un rango proporcional entre los datos entrantes y salientes. 2. El paso siguiente en la activación hacia adelante es calcular las activaciones de la capa de la salida de la capa oculta (en el paso1) y la matriz sináptica del peso que tiende un puente sobre la capa oculta a la capa de la salida. Entonces, finalmente tenemos que aplicar el sigmoideo a la matriz del producto que resulta. L salida = sigmoid (L oculta * [Pesos oculta-salida])
8 8 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 L salida (o los valores de la capa de la salida) contiene los resultados de alimentar nuestra entrada inicial en la neurona. 3. Una vez que hayamos calculado las activaciones para nuestras neuronas, necesitamos calcular el error que resulta entre la salida real y la salida deseada. Este error se retroalimenta a través de la red neuronal y se utiliza para ajustar los pesos para adaptarse a un modelo más exacto de nuestros datos. El primer paso es calcular el error de la capa de la salida: E salida = L salida * (1 - L salida) * (L salida - L deseada) 4. Ahora alimentamos este error en la capa oculta para calcular el error ocultado de la capa: E oculta = L oculta * (1 - L oculta) * [Pesos oculta-salida] * E salida 5. Necesitamos después ajustar la matriz del peso entre la capa oculta y la capa de salida para adaptar nuestra red y compensar el error. Para ajustar los pesos agregaremos dos factores constantes a nuestro algoritmo. El primer factor es el ratio de aprendizaje (LR), el cual ajusta cuánto afecta el error calculado del cambio del peso en un solo ciclo a través de la red neuronal. El segundo factor es un factor del ímpetu (MF) (frecuencia intermedia), usado conjuntamente con el cambio anterior del peso para afectar el cambio final en el ciclo actual a través de la red. Este factor puede ayudar a menudo a una red a entrenarse un poco más rápido. Pesos oculta-salida = Pesos oculta-salida + D [Pesos oculta-salida] Donde: D [Pesos oculta-salida] = (LR) * Loculta * Esalida + (MF) * D [Pesos oculta-salida (previa)] 6. Finalmente necesitamos ajustar los pesos para la capa de la entrada de la misma manera: Pesos entrada-oculta = Pesos entrada-oculta + D [Pesos entrada-oculta] Donde: D [Pesos entrada-oculta] = (LR) * L entrada * E oculta + (MF) * D [Pesos entrada-oculta (previa)] Después de que se ajusten los pesos, los pasos 1 a 6 se repiten para el sistema siguiente de entrada y de valores deseados de la salida.
9 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 9 El sistema entero de datos se va de una vez, y repetimos el algoritmo para todos los datos otra vez. Este proceso continúa hasta que converge la red o hasta que elegimos detener la iteración de los datos. Procedimiento Ejemplo 1. Se desea entrenar un Perceptrón multinivel con el algoritmo de aprendizaje descrito anteriormente. Considerar que nuestra red neuronal debe ser capaz de reconocer los números primos entre 0 y 100. Solución. Los datos para este ejemplo serán incorporados en formato binario. Cada número primo en el rango de (los 25 de ellos), se proporcionarán en la entrada así como todos los números no-primos en el rango de La salida deseada es "1" si el número es primo y "0" si el número no es primo. El número de los nodos en la capa de entrada necesita corresponder al número de dígitos binarios en el número más grande que será capaz de reconocer la red neuronal. Como el número mayor a reconocer es 100, el equivalente binario es alrededor 2 7 = 128. Por lo tanto necesitamos 7 nodos en la capa de entrada. Para alimentar los datos binarios en la red, es posible definir una lista de todos los números en el rango de 0 a 100, tanto primos como no primos (como enteros). Luego construimos los datos binarios de la entrada y una función que me ayude a determinar (identificar) los números primos. Es recomendable también que la cantidad de nodos en la capa oculta sea mayor que la capa de entrada (> 7), pues la red trabajará mejor (entrenamiento con menos iteraciones). La capa de salida tiene solamente un nodo que indicará si el dato de entrada es primo o no. Análisis de resultados Tomando como referencia la información presentada en el ejemplo No.1 y el algoritmo de Backpropagation, implementar un simulador (en entorno de Windows Forms) para el Perceptrón multinivel, que permita determinar si la entrada proporcionada es un número primo.
10 10 Sistemas Expertos e Inteligencia Artificial. Guía No. 9 Considerar la siguiente funcionalidad para el simulador: Debe tenerse una opción para entrenar al perceptrón. El aprendizaje del Perceptrón debe realizarse utilizando el algoritmo de Backpropagation indicado en la guía. El simulador debe permitir que el usuario introduzca el dato de entrada, es decir el número que se desea verificar si es primo. Investigación Complementaria Para la siguiente semana: Realizar una investigación sobre la metodología utilizada para modelar una Red Neuronal Artificial para Reconocer Patrones. Debe presentarse en un documento formal de reporte de investigación.
11 Sistemas Expertos e Inteligencia Artificial. Guía No Guía 9: Aprendizaje Supervisado. Hoja de cotejo: 9 Alumno: Máquina No: Docente: GL: Fecha: EVALUACIÓN % Nota CONOCIMIENTO Del 20 al 30% Conocimiento deficiente de los fundamentos teóricos Conocimiento y explicación incompleta de los fundamentos teóricos Conocimiento completo y explicación clara de los fundamentos teóricos APLICACIÓN DEL CONOCIMIENTO Del 40% al 60% ACTITUD Del 15% al 30% No tiene actitud proactiva. Actitud propositiva y con propuestas no aplicables al contenido de la guía. Tiene actitud proactiva y sus propuestas son concretas. TOTAL 100%
APRENDIZAJE 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 detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
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 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 detallesTema: Red Neuronal Hopfield. Reconocimiento de Patrones.
Sistemas Expertos e Inteligencia Artificial. Guía No. 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Tema: Red Neuronal Hopfield. Reconocimiento
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 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 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 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 detallesTema: Tipos Abstractos de Datos (TAD s) en C#.
Programación II. Guía No. 12 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Tipos Abstractos de Datos (TAD s) en C#. Objetivos Comprender el concepto Tipo Abstracto de Datos
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 detallesEstado civil: {casado/a, soltero/a, divorciado/a}
Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene
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 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 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 detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesTema: Algoritmos para la ruta más corta en un Grafo.
Programación IV. Guía 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 detallesTema: Autómata de Pila
Facultad: Ingeniería Escuela: Computación Asignatura: Compiladores 1 Tema: Autómata de Pila Contenido La presente guía aborda los autómatas de pila, y se enfoca en la aplicación que se le puede dar a estas
Más detallesTema: Análisis Léxico
Compiladores. Guía 2 1 Facultad: Ingeniería Escuela: Computación Asignatura: Compiladores Tema: Análisis Léxico Contenido En esta guía se dará a conocer la manera en que un compilador realiza el análisis
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 detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
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
Más detallesRedes Multicapa. Compuerta XOR
Redes Multicapa LIMITACIÓN DEL PERCEPTRÓN El perceptrón puede resolver solamente problemas que sean linealmente separables, esto es problemas cuyas salidas estén clasificadas en dos categorías diferentes
Más detallesTema: S7-1200, Valores Analógicos.
Autómatas Programables. Guía 7 1 Tema: S7-1200, Valores Analógicos. Objetivo General Conocer como se opera con valores analógicos en el PLC S7-1200 de Siemens Objetivos Específicos Conectar correctamente
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesDEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso
DEFINICIONES Y CONCEPTOS (SISTEMAS DE PERCEPCIÓN - DTE) Curso 2009-10 1. Generalidades Instrumentación: En general la instrumentación comprende todas las técnicas, equipos y metodología relacionados con
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 detallesTema: Uso del analizador espectral.
Sistemas de Comunicación I. Guía 1 1 I Facultad: Ingeniería Escuela: Electrónica Asignatura: Sistemas de comunicación Tema: Uso del analizador espectral. Objetivos Conocer el funcionamiento de un Analizador
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 detallesProcesos de Fabricación I. Guía 1 1 SISTEMAS DE CONTROL HIDRÁULICO Y NEUMÁTICO
Procesos de Fabricación I. Guía 1 1 SISTEMAS DE CONTROL HIDRÁULICO Y NEUMÁTICO Sistemas de Control Hidráulico y Neumático. Guía 2 1 Tema: UTILIZACIÓN DE SOFTWARE PARA DISEÑO Y SIMULACIÓN DE CIRCUITOS NEUMÁTICOS.
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 detallesTema: Plantillas en C++.
Programación II. Guía 11 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Plantillas en C++. Objetivos Específicos Conocer los tipos de plantillas Utilizar las plantillas de
Más detallesTema: Configuración de red AD-HOC
Tema: Configuración de red AD-HOC Contenidos Configuración del servidor AD-HOC. Conexión de una segunda computadora a la red AD-HOC. Compartiendo la conexión a Internet. Objetivo Redes de datos inalámbricas.
Más detallesGuía de Matemática Tercero Medio
Guía de Matemática Tercero Medio Aprendizaje Esperado: 1. Plantean y resuelven problemas que involucran ecuaciones de segundo grado; explicitan sus procedimientos de solución y analizan la existencia y
Más detallesTema: Sobrecarga. Objetivos. Materiales y Equipo. Introducción Teórica. Programación II. Guía No. 7
Programación II. Guía No. 7 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Sobrecarga. Objetivos Describir como redefinir (sobrecargar) operadores para que funcionen con
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 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 detallesElectrónica II. Guía 4
Electrónica II. Guía 4 1 Facultad: Ingeniería. Escuela: Electrónica. Asignatura: Electrónica II. Lugar de ejecución: Fundamentos Generales (Edificio 3, 2da planta). COMPARADORES Objetivo General Verificar
Más detallesTema: Repaso sobre el uso del IDE de Microsoft Visual C#.
Programación IV. Guía No. 2 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Repaso sobre el uso del IDE de Microsoft Visual C#. Objetivos Específicos Identificar los principales
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 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 detalles1. Conecte la tarjeta EB-111 introduciéndola por las guías del PU-2000 hasta el conector.
1 Facultad: Ingeniería. Escuela: Electrónica. Asignatura: Electrónica I. Lugar de ejecución: Fundamentos Generales (Edificio 3, 2da planta). DIODO ZENER Objetivos específicos Trazar la curva característica
Más detallesTema: S7-200, Escalado de Valores analógicos
Autómatas Programables. Guía 8 1 Tema: S7-200, Escalado de Valores analógicos Objetivo General Configurar las entradas analógicas del módulo EM235 en el S7-200 Objetivos Específicos Conectar correctamente
Más detallesADALINE Y PERCEPTRON
Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.
Más 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 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 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 detalles3. ANÁLISIS DE SEÑALES
3. ANÁLISIS DE SEÑALES 3.1 REGISTRO Y TRATAMIENTO DE SEÑALES Una señal se define como la historia de los valores de aceleración que mide un acelerómetro en determinado tiempo para un punto específico.
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más 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 detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesUNIVERSIDAD DON BOSCO DEPARTAMENTO DE CIENCIAS BÁSICAS LABORATORIO DE FÍSICA ASIGNATURA: ELECTRICIDAD Y MAGNETISMO
UNIVERSIDAD DON BOSCO DEPARTAMENTO DE CIENCIAS BÁSICAS LABORATORIO DE FÍSICA ASIGNATURA: ELECTRICIDAD Y MAGNETISMO I. OBJETIVOS LABORATORIO 7: REGLAS DE KIRCHHOFF Comprobar experimentalmente que en un
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 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesTema: Métodos de Ordenamiento. Parte 1.
Programación IV. Guía 2. 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Métodos de Ordenamiento. Parte 1. Objetivos Específicos Identificar la estructura de algunos algoritmos
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 detalles1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Más detallesTema 9: Introducción a las redes neuronales
D. Balbontín Noval F. J. Martín Mateos J. L. Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Neuronas artificiales: inspiración biológica El aprendizaje en
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 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 detallesDOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Más detallesTema: Configuración de spanning tree
Tema: Configuración de spanning tree Contenidos Verificación del STP por defecto en los switchs Reasignación del puente raíz Objetivos Específicos Comunicación de datos II. Guía 3 1 Facultad: Ingeniería
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 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 detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas ITESM Métodos Iterativos para Resolver Sistemas Lineales Álgebra Lineal - p. 1/30 En esta lectura veremos
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 detallesTema: Fuente de Alimentación de Rayos X
Facultad Escuela Lugar de Ejecución : Ingeniería. : Biomédica : Laboratorio de Biomédica Tema: Fuente de Alimentación de Rayos X Objetivos Analizar la fuente de alimentación de un sistema de rayos X Conocer
Más detalles1 Fuente Trifásica ST M. 1 Motor asíncrono de jaula de ardilla 1 Variador de velocidad G110 de Siemens 1 Alambre, tenazas.
Contenido Facultad: Ingeniería Escuela: Ingeniería Electrónica Asignatura: Electrónica industrial Variador de velocidad G110 de Siemens. Objetivos Específicos Utilizar el variador de velocidad G110 de
Más detallesAplicación de un sistema de control de velocidad en un motor hidráulico.
Sistemas de Control Automático. Guía 8 1 Facultad: Ingeniería. Escuela: Electrónica. Asignatura: Sistemas de Control Automático. Lugar de ejecución: Hidráulica y Neumática (Edificio 6, 2da planta). Aplicación
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesUNIDAD 5. Problema de Transporte
UNIDAD 5 Problema de Transporte En matemáticas y economía, un problema de transporte es un caso particular de problema de programación lineal en el cual se debe minimizar el coste del abastecimiento a
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesLa asignatura proporciona al alumno los conceptos básicos de estadística. Se organiza el temario en cinco unidades.
1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Clave de la asignatura: Muestreo y Regresión. Ingeniería Forestal. FOC-1027 SATCA: 2 2 4 2.- PRESENTACIÓN. Caracterización de la asignatura.
Más detallesInteligencia Artificial
Mayo 21 de 2008 El estudiante de la Pontificia Universidad Javeriana, como agente de su propia formación, es corresponsable de la Identidad Institucional, uno de cuyos cimientos es tener como hábito un
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesTema: Autómatas de Estado Finitos
Compiladores. Guía 2 1 Facultad: Ingeniería Escuela: Computación Asignatura: Compiladores Tema: Autómatas de Estado Finitos Contenido En esta guía se aborda la aplicación de los autómatas en el campo de
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 detallesEstructuras de datos utilizando JAVA
1 Sistemas Expertos e Inteligencia Artificial / Guía II / Ciclo 01-2017 Centro de Investigación y Transferencia de Tecnología Estructuras de datos utilizando JAVA Facultad: Ingeniería Escuela: Computación
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
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 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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesCAPITULO V CONCLUSIONES Y RECOMENDACIONES. Índice Verificación de hipótesis Conclusiones Recomendaciones.
CAPITULO V CONCLUSIONES Y RECOMENDACIONES Índice 5.1.- Verificación de hipótesis. 5.2.- Conclusiones. 5.3.- Recomendaciones. 5.1.- Verificación de hipótesis. Hipótesis.- El diseño de un sistema de información
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 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 detallesReCAD Revista electrónica de Ciencias Aplicadas al Deporte, Vol. 5, N 17, junio 2012
NUEVAS HERRAMIENTS DE INVESTIGACION: LAS REDES NEURONALES. Nelio Bazán. Instituto Superior de Deportes, Buenos Aires, 2012. Contacto: nelio_bazan@yahoo.com.ar Las redes neuronales A pesar de la evolución
Más detallesIA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC
Práctica Final de IRC Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
Más detallesFUNCIÓN EXPONENCIAL. Ing. Caribay Godoy Rangel
FUNCIÓN EXPONENCIAL Definir e identificar una función exponencial, establecer su dominio y rango. Conocer las características de la gráfica de una función exponencial. Explorar el cambio gráfico que se
Más detallesEjercicios de optimización sin restricciones
Ejercicios de optimización sin restricciones Programación Matemática Licenciatura en Ciencias y Técnicas Estadísticas Curso 5/6 Indica la dirección que el método de Newton (sin modificaciones calcularía
Más detallesUniversidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación EJERCICIOS RESUELTOS DE ECUACIONES NO LINEALES Profesor: Jaime Álvarez Maldonado Ayudante: Rodrigo
Más detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesPROGRAMACIÓN ESTRUCTURADA
FACULTAD DE INGENIERÍA Universidad Nacional de Jujuy PROGRAMACIÓN ESTRUCTURADA Trabajo Práctico Nº 10 Tema: Arreglos. Actualización y Búsqueda Apellido y Nombre: Fecha: / / Conceptos Teóricos RESPONDA
Más detallesGUIA 2: Repaso sobre uso de C#. Funciones, métodos y arreglos.
1 Programación II, Guía 2 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II GUIA 2: Repaso sobre uso de C#. Funciones, métodos y arreglos. Objetivos Utilizar la sintaxis de las funciones
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesDra. Ma. del Pilar Gómez Gil
C6-69 Tópicos Avanzados: Redes Neuronales Artificiales Neurodinámica: Las Redes de Hopfield Dra. Ma. del Pilar Gómez Gil V:4--7 P. Gómez Gil. INAOE (c) 7 Neurodinámica Se refiere al estudio de RNA vistas
Más detallesTema: Grafos en C#. Objetivos Específicos. Materiales y Equipo. Introducción Teórica. Programación IV. Guía 7
Programación IV. Guía 7 1 Tema: Grafos en C#. Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Objetivos Específicos Definir el concepto de Grafo. A partir de una clase agregar la
Más detallesCurso: POBLACIÓN Y DESARROLLO Conferencia 8
Tema 2: Dinámica y perspectivas de la población. Sumario: Las proyecciones de población. Tipos, usos y clasificación. Las proyecciones de la población mediante métodos matemáticos. Introducción El cálculo
Más detallesRepresentación y aplicaciones de las funciones tipo
Representación y aplicaciones de las funciones tipo Actividad Interdisciplinar Córdoba, junio de 2009 1 de 10 1. Introducción En este trabajo vamos a ver la forma de representar funciones matemáticas con
Más detalles