Portafolio de Algoritmos Evolutivos para Problemas de Regresión
|
|
- José Manuel Ruiz Suárez
- hace 8 años
- Vistas:
Transcripción
1 Portafolio de Algoritmos Evolutivos para Problemas de Regresión Mario Graff División de Estudios de Posgrado Facultad de Ingeniería Eléctrica Universidad Michoacana de San Nicolás de Hidalgo Marzo 2013 Mario Graff (UMSNH) PIE 1 / 18
2 Índice 1 Lineas de Investigación 2 Modelado de Programación Genética 3 Selección de un Algoritmo: Predicción de Series de Tiempo 4 Predicción de Series de Tiempo 5 Trabajo futuro Mario Graff (UMSNH) PIE 2 / 18
3 Lineas de Investigación Modelado de Programación Genética Mario Graff and Riccardo Poli. Practical performance models of algorithms in evolutionary program induction and other domains. Artif. Intell., 174(15): , Mario Graff, Riccardo Poli, and Juan J. Flores. Models of performance of evolutionary program induction algorithms based on indicators of problem difficulty. Evolutionary Computation, November Selección de un Algoritmo: Predicción de Series de Tiempo Mario Graff, Hugo Jair Escalante, Jaime Cerda-Jacobo, and Alberto Avalos Gonzalez. Models of Performance of Time Series Forecasters. Neurocomputing, forthcoming Predicción de Series de Tiempo Juan J. Flores, Mario Graff, and Hector Rodriguez. Evolutive design of arma and ann models for time series forecasting. Renewable Energy, 44: , Mario Graff, Rafael Peña and Aurelio Medina. Wind Speed Forecasting using Genetic Programming. Forthcoming. Congress on Evolutionary Computation. Cancún, México, June Mario Graff (UMSNH) PIE 3 / 18
4 Lineas de Investigación Modelado de Programación Genética Mario Graff and Riccardo Poli. Practical performance models of algorithms in evolutionary program induction and other domains. Artif. Intell., 174(15): , Mario Graff, Riccardo Poli, and Juan J. Flores. Models of performance of evolutionary program induction algorithms based on indicators of problem difficulty. Evolutionary Computation, November Selección de un Algoritmo: Predicción de Series de Tiempo Mario Graff, Hugo Jair Escalante, Jaime Cerda-Jacobo, and Alberto Avalos Gonzalez. Models of Performance of Time Series Forecasters. Neurocomputing, forthcoming Predicción de Series de Tiempo Juan J. Flores, Mario Graff, and Hector Rodriguez. Evolutive design of arma and ann models for time series forecasting. Renewable Energy, 44: , Mario Graff, Rafael Peña and Aurelio Medina. Wind Speed Forecasting using Genetic Programming. Forthcoming. Congress on Evolutionary Computation. Cancún, México, June Mario Graff (UMSNH) PIE 3 / 18
5 Lineas de Investigación Modelado de Programación Genética Mario Graff and Riccardo Poli. Practical performance models of algorithms in evolutionary program induction and other domains. Artif. Intell., 174(15): , Mario Graff, Riccardo Poli, and Juan J. Flores. Models of performance of evolutionary program induction algorithms based on indicators of problem difficulty. Evolutionary Computation, November Selección de un Algoritmo: Predicción de Series de Tiempo Mario Graff, Hugo Jair Escalante, Jaime Cerda-Jacobo, and Alberto Avalos Gonzalez. Models of Performance of Time Series Forecasters. Neurocomputing, forthcoming Predicción de Series de Tiempo Juan J. Flores, Mario Graff, and Hector Rodriguez. Evolutive design of arma and ann models for time series forecasting. Renewable Energy, 44: , Mario Graff, Rafael Peña and Aurelio Medina. Wind Speed Forecasting using Genetic Programming. Forthcoming. Congress on Evolutionary Computation. Cancún, México, June Mario Graff (UMSNH) PIE 3 / 18
6 Lineas de Investigación Modelado de Programación Genética Mario Graff and Riccardo Poli. Practical performance models of algorithms in evolutionary program induction and other domains. Artif. Intell., 174(15): , Mario Graff, Riccardo Poli, and Juan J. Flores. Models of performance of evolutionary program induction algorithms based on indicators of problem difficulty. Evolutionary Computation, November Selección de un Algoritmo: Predicción de Series de Tiempo Mario Graff, Hugo Jair Escalante, Jaime Cerda-Jacobo, and Alberto Avalos Gonzalez. Models of Performance of Time Series Forecasters. Neurocomputing, forthcoming Predicción de Series de Tiempo Juan J. Flores, Mario Graff, and Hector Rodriguez. Evolutive design of arma and ann models for time series forecasting. Renewable Energy, 44: , Mario Graff, Rafael Peña and Aurelio Medina. Wind Speed Forecasting using Genetic Programming. Forthcoming. Congress on Evolutionary Computation. Cancún, México, June Mario Graff (UMSNH) PIE 3 / 18
7 Modelado de Programación Genética Objetivo Estimar el eficiencia de programación genética en un problema. Proponer modelos entendibles que sean capaces de estimar la eficiencia. Comparar diferentes algoritmos. Seleccionar el algoritmo más eficiente para resolver un problema en particular. Mario Graff (UMSNH) PIE 4 / 18
8 Modelado de Programación Genética Performance Models La idea es predecir la eficiencia, P(t), en base a la similitud del problema a resolver, t, y un conjunto de problemas previamente seleccionados: P(t) a 0 + p S a p d(p, t), done d es una medida de similitud y a i son coeficientes a ser identificados. Los problemas de referencia y los coeficientes fueron identificados usando un conjunto de entrenamiento de pares (f, P(f )). Mario Graff (UMSNH) PIE 5 / 18
9 Modelado de Programación Genética Modelos basados en Indicadores de Dificultad Sea {ϑ 1, ϑ 2,..., ϑ n } un conjunto de indicadores de dificultad ϑ i (f ) R Se propone modelar la eficiencia de un algoritmo en el problema f como: n P(f ) a 0 + a i ϑ i (f ) i Mario Graff (UMSNH) PIE 6 / 18
10 Modelado de Programación Genética Indicadores Propuestos Basados en la derivada discreta Variando h Órdenes superiores Modelo h f (x) = ϱ i (f ) = 1 I ς i (f ) = 1 I P(f ) a 0 + f (x + h) f (x) h i f (x) x I h f (i) (x) x I n h n h ai h ςi h (f ). i Mario Graff (UMSNH) PIE 7 / 18
11 Modelado de Programación Genética Ingredientes Un conjunto de problemas La eficiencia del algoritmo modelado para cada problema del conjunto Un conjunto de características Un algoritmo de aprendizaje de máquina Mario Graff (UMSNH) PIE 8 / 18
12 Selección de un Algoritmo: Predicción de Series de Tiempo Definición del Problema Figura: Serie de Tiempo Qué pasa en el caso de varias series de tiempo? Mario Graff (UMSNH) PIE 9 / 18
13 Selección de un Algoritmo: Predicción de Series de Tiempo Selección de un Algoritmo Mario Graff (UMSNH) PIE 10 / 18
14 Selección de un Algoritmo: Predicción de Series de Tiempo Predictores Programación Genética Redes Neuronales Auto-Regressive Integrate Moving Average model (ARIMA) Exponential smoothing state space model (ETS) Exponential smoothing state space model with Box-Cox transformation, ARMA errors, Trend and Seasonal components (BATS) Mario Graff (UMSNH) PIE 11 / 18
15 Selección de un Algoritmo: Predicción de Series de Tiempo Portafolio de Algoritmos Definición Un conjunto de algoritmos que son ejecutados para resolver un problema en particular. Justificación El portafolio tiene un mejor rendimiento que todos los algoritmos que lo componen. Mario Graff (UMSNH) PIE 12 / 18
16 Selección de un Algoritmo: Predicción de Series de Tiempo Portafolio de Predictores Usar ς, performance models, AIC, Wang y Lemke descriptores. Combinación lineal de los descriptores anteriores Usarlos como características en una clasificador Sel. Un paso Multi pasos M1 M3 M1 M3 Model Perfecto Portfolio Predictor Mejora 49 % 16 % 7 % 7 % Mario Graff (UMSNH) PIE 13 / 18
17 Predicción de Series de Tiempo Velocidad del Viento Programación Genética. T = {+,,, /,, exp,,, sin, cos, sigmoid, if } if (x, y, z) = s(x)(y z) + z, donde s(x) = 1 1+exp( x) Las constantes son optimizadas con RPROP Modificación al fitness Mario Graff (UMSNH) PIE 14 / 18
18 Predicción de Series de Tiempo Fitness Tradicional Propuesto x 1 x 2... x w φ( x 2 x 3... x w+1 ) =.... x w+1. x n x 1 x x w x 2 x ˆx w+1 x 3 x 3... ˆx w+1 ˆx w ˆx w+k x w+k 1 x w+k..... Mario Graff (UMSNH) PIE 15 / 18
19 Predicción de Series de Tiempo Comparación Mario Graff (UMSNH) PIE 16 / 18
20 Trabajo futuro Crear un portafolio por serie. Usar las descriptores para crear ensambles. Investigar las efectos que tiene optimizar constantes. Optimizar los parámetros de RPROP. Aplicar esto a problemas de clasificación. Mario Graff (UMSNH) PIE 17 / 18
21 Trabajo futuro Gracias Preguntas? Dr. Mario Graff Guerrero ext División de Estudios de Posgrado Facultad de Ingeniería Eléctrica Universidad Michoacana de San Nicolás de Hidalgo. Mario Graff (UMSNH) PIE 18 / 18
T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I
UNIVERSIDAD SAN MARTIN DE PORRES FACULTAD DE INGENIERIA Y ARQUITECTURA T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I A N A L I S I S D E P R O N Ó S T I C O S F O R E C A S T
Más detallesCredit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)
Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le
Más detallesOptimización de Procesos
Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 4: Optimización Multi-Objetivo Click to Introducción edit Master title style La optimización
Más detallesSimulador Interactivo para Sistemas de Generación Distribuida Basados en Energías Renovables
Simulador Interactivo para Sistemas de Generación Distribuida Basados en Energías Renovables M.C. Rafael Peña Gallardo Dr. J. Aurelio Medina Ríos Universidad Michoacana de San Nicolás de Hidalgo Facultad
Más detallesMEMORIA-RESUMEN DE TRABAJOS REALIZADOS
MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la
Más detallesAproximación evolutiva a la inducción constructiva basada en expresiones algebraicas
Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesScheduling Problem. Cuándo y dónde debo hacer cada trabajo?
Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera
Más detallesECJ GENETIC. A Java-based Evolutionary Computation and Genetic Programming Research System. Néstor Arias (naariasm@unal.edu.co)
ECJ GENETIC A Java-based Evolutionary Computation and Genetic Programming Research System Néstor Arias (naariasm@unal.edu.co) CONTENIDO Qué es ECJ? Características Generales. Características de GP. Proceso
Más detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Optimización n Tradicional Problemas
Más detallesANEXO 9. RÚBRICAS DE VALORACIÓN DE TAREAS DE
ANEXO 9. RÚBRICAS DE VALORACIÓN DE TAREAS DE TRANSICIÓN Y TRANSVERSAL Antes de definir los criterios de valoración para las tareas de transición y transversal, se describen de manera global qué se debe
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesMÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS
MÓDULO III SEIS SIGMA ESTRATEGIA PARA LA MEJORA DE PROYECTOS 1 ÍNDICE DEFINIR. 3 MEDIR.... 4 ANALIZAR..... 5 MEJORAR. 6 CONTROLAR... 7 GLOSARIO... 8 MAPA CONCEPTUAL. 10 2 DEFINIR: Iniciación del proyecto.
Más detallesTEMA 5 ESTUDIOS CORRELACIONALES.
TEMA 5 ESTUDIOS CORRELACIONALES. 1. INTRODUCCIÓN. 2. CONCEPTO DE CORRELACIÓN. 3. CASOS EN LOS QUE SE UTILIZA LA INVESTIGACIÓN CORRELACIONAL. 4. LIMITACIONES DE LOS ESTUDIOS CORRELACIONALES 1 1. INTRODUCCIÓN.
Más detallesUN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR
UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR Manuel González y Javier Cuadrado Departamento de Ingeniería Industrial II, Campus de Esteiro, 15403 Ferrol Universidad de
Más detallesAn Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem
An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem Maria L. Ivanissevich UNPA Antonio S. Cofiño José Manuel Gutiérrez Universidad de Cantabria http://personales.unican.es/~gutierjm
Más detallesPRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES
PRODUCTIVIDAD DE PROYECTOS DE DESARROLLO DE SOFTWARE: FACTORES DETERMINANTES E INDICADORES Raúl Palma G. y Guillermo Bustos R. Escuela de Ingeniería Industrial Universidad Católica de Valparaíso Casilla
Más detallesUNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLÍN FACULTAD DE MIAS ESCUELA DE LA INGENIERÍA DE LA ORGANIZACIÓN
UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MEDELLÍN FACULTAD DE MIAS ESCUELA DE LA INGENIERÍA DE LA ORGANIZACIÓN TALLER PREPARATORIO: SEGUNDO EXAMEN DE INVERSIONES BAJO RIESGO 1. Usted es el encargado de administrar
Más detallesModelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software
Modelos de Ciclo de Vida de Desarrollo de Software en el Contexto de la Industria Colombiana de Software Hugo F. Arboleda Jiménez. MSc. Docente-Investigador, Facultad de Ingenierías, Universidad de San
Más detalles1.2 Algoritmo. Proceso de solución de un problema. Resolviendo problemas con la computadora. Programación
Universidad Autónoma de Baja California Facultad de Ingeniería Mexicali Programación Unidad I - Metodología para la solución de s 1.2 Algoritmo 1. Definición de 2. Características de un 3. Pruebas de escritorio
Más detalles? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a
350 MR Versión 1 1 Prueba Parcial 1/5 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA: INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Computación Evolutiva CÓDIGO: 350 MOMENTO: Primera Parcial VERSIÓN:
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesNombre de la asignatura: Robótica Industrial. Carrera: Ingeniería Electrónica
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Robótica Industrial Carrera: Ingeniería Electrónica Clave de la asignatura: Horas teoría - horas práctica créditos: 3 2 8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesDesarrollo de Programas Eficientes
Desarrollo de Programas Eficientes Diplomado en Software Libre Ernesto Hernández-Novich Universidad Simón Bolívar Copyright c 2010 Hernández-Novich (USB) Desarrollo de Programas Eficientes
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesAPLICACIÓN DE REDES NEURONALES EN EL CONTROL DE VERTIDOS DE SALMUERAS
APLICACIÓN DE REDES NEURONALES EN EL CONTROL DE VERTIDOS DE SALMUERAS R. Molina M. Navarro, M. Martín, J. M. Hernández, A. B. Hernández Mascarell, J.Mª. García-Valdecasas, N. Medina, G. López, M. Pes Avances
Más detallesIntroducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento
Más detallesIntercluster y el Design Thinking una experiencia por Xperience
Intercluster y el Design Thinking una experiencia por Xperience Una agencia de diseño Xperience es una agencia de diseño que usa los enfoques del diseño centrado en lo humano para ayudar a nuestros clientes
Más detallesT E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA
OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación
Más detallesÁrea Académica: Licenciatura Sistemas Computacionales. Profesor: Lic. Virginia Arguelles Pascual
Área Académica: Licenciatura Sistemas Computacionales Materia: Gestión de Proyectos Profesor: Lic. Virginia Arguelles Pascual Periodo: Julio-Diciembre Tema: El proceso de software y métricas del proyecto.
Más detallesDesarrollo de un cluster computacional para la compilación de. algoritmos en paralelo en el Observatorio Astronómico.
Desarrollo de un cluster computacional para la compilación de algoritmos en paralelo en el Observatorio Astronómico. John Jairo Parra Pérez Resumen Este artículo muestra cómo funciona la supercomputación
Más detallesERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES
ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES DE BÁSICA PRIMARIA EN LA CIUDAD DE PEREIRA José R. Bedoya Universidad Tecnológica de Pereira Pereira, Colombia La formación estadística en la ciudadanía,
Más detallesAnexo N 4 Metodología para el cálculo de indicadores de las empresas con ventas netas hasta 300 UIT
Anexo N 4 Metodología para el cálculo de indicadores de las empresas con ventas netas hasta 300 UIT 306 Instituto Nacional de Estadística e Informática INDICADORES PARA EMPRESAS CON VENTAS NETAS HASTA
Más detallesCASO II: : INNOVACIÓN EDUCATIVA EN LA FACULTAD DE INGENIERÍA UNIVERSIDAD DE PIURA. Dr. Ing. Dante Guerrero Chanduví
CASO II: : INNOVACIÓN EDUCATIVA EN LA FACULTAD DE INGENIERÍA UNIVERSIDAD DE PIURA Dr. Ing. Dante Guerrero Chanduví 1 ESQUEMA DE PRESENTACIÓN INTRODUCCIÓN METODOLOGÍAS ACTIVAS ESTRATEGIAS DE INNOVACIÓN
Más detallesTrabajo final de Ingeniería
UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción
Más detallesVI PLAN DE PRUEBAS, RESULTADOS Y RECOMENDACIONES
VI PLAN DE PRUEBAS, RESULTADOS Y RECOMENDACIONES En la presente sección, se realiza el correspondiente plan de pruebas del prototipo con la finalidad de exponer las estrategias y recursos necesarios para
Más detallesCMM - Capability Maturity Model. Estructura de CMM... Componentes de CMM. Estructura de CMM
CMM - Capability Maturity Model Estructura de CMM... Es un marco que describe los elementos claves de un proceso de software efectivo. Describe un camino de mejora evolutivo desde un proceso ad hoc inmaduro
Más detallesSOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE TRANSPORTE Y ASIGNACION.
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA DE LA PRODUCCIÓN INGENIERÍA INDUSTRIAL SOLUCION DE MODELOS DE PROGRAMACION LINEAL EN UNA HOJA DE CALCULO. PROBLEMAS DE
Más detallesPlaneación de la Recolección de Datos. Planeacion de Recoleccion de Datos
Planeación de la Recolección de Datos Qué Son los datos? Recolección de Datos Contenido Por Qué Es Importante la Recolección de Datos? Estrategias de Muestreo Estrategias para la Definición de Datos Base
Más detallesTecnológico de Estudios Superiores de Ecatepec
Tecnológico de Estudios Superiores de Ecatepec Aplicaciones de algoritmos evolutivos en visión artificial División de Ingeniería Industrial y Mecatrónica Posgrado de Ingeniería Mecatrónica M. en C. Eddie
Más detallesRevista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia
Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia Tabares, Héctor; Hernández, Jesús Pronóstico puntos críticos de
Más detallesImplementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen
Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Arturo Gómez Cortés y Raúl Leal Ascencio ITESO, Guadalajara Resumen El presente trabajo describe una arquitectura
Más detallesFunciones de dos variables. Gráficas y superficies.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Funciones de dos variables. Gráficas y superficies. Puede ser conveniente la visualización en pantalla
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES
Más detallesArtículo dedicado a la Innovación y Mejores Prácticas en la Ingeniería de Negocios
Herramienta para Indicadores de Gestión Se ha dado cuenta de lo difícil que es conseguir que todos los miembros de su organización vean "la gran foto" y trabajen juntos para lograr los objetivos estratégicos
Más detallesTema 7. Introducción al reconocimiento de objetos
Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción
Más detallesMÁQUINAS DE VECTORES DE SOPORTE
MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican
Más detallesLINEAMIENTOS ESTÁNDARES APLICATIVOS DE VIRTUALIZACIÓN
LINEAMIENTOS ESTÁNDARES APLICATIVOS DE VIRTUALIZACIÓN Tabla de Contenidos LINEAMIENTOS ESTÁNDARES APLICATIVOS DE VIRTUALIZACIÓN... 1 Tabla de Contenidos... 1 General... 2 Uso de los Lineamientos Estándares...
Más detallesMODELOS DE INVENTARIO
MODELOS DE INVENTARIO Los modelos de inventarios son métodos que ayudan a reducir o minimizar los niveles de inventario requeridos en la producción. Existen varios métodos que nos ayudan a conseguir dicho
Más detallesCarrera: Licenciatura en Sistemas. Materia: INGENIERIA DE SOFTWARE III
Carrera: Licenciatura en Sistemas Materia: INGENIERIA DE SOFTWARE III Profesor Titular: Dr. Ramón García-Martínez Instructor JTP: Lic. Dario Rodriguez Año: 2011 Cuatrimestre: Primer - 1 - Fundamentación
Más detallesFICHA TOPOGRÁFICA: TITULO: ANÁLISIS COMPARATIVO DE LA MAESTRÍA DE INGENIERÍA INDUSTRIAL CON PROGRAMAS SIMILARES A NIVEL NACIONAL E INTERNACIONAL
RAE No. FICHA TOPOGRÁFICA: TITULO: ANÁLISIS COMPARATIVO DE LA MAESTRÍA DE INGENIERÍA INDUSTRIAL CON PROGRAMAS SIMILARES A NIVEL NACIONAL E INTERNACIONAL AUTORES: GARZÓN, Angela Viviana ALTERNATIVA: PRACTICA
Más detallesASSESSMENT CENTERS: recurso para la evaluación y selección de personal
ASSESSMENT CENTERS: recurso para la evaluación y selección de personal Dr. Nelson Rodríguez Trujillo Universidad Latina de Panamá II Convención Nacional de Psicología Chitré, abril 2013 SITUACIÓN DE OBSERVACIÓN
Más detallesPropuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos
Propuesta Matriz de Actividades para un Ciclo de Vida de Explotación de Datos Britos, P. 1,2 ; Fernández, E. 2,1 ; García Martínez, R 1,2 1 Centro de Ingeniería del Software e Ingeniería del Conocimiento.
Más detallesO jeto de apre r ndizaje
Herramientas de Gestión para Objetos de Aprendizaje. Plataforma AGORA Victor Hugo Menéndez Domínguez Universidad Autónoma de Yucatán, México :: mdoming@uady.mx Manuel Emilio Prieto Méndez Universidad de
Más detallesFACULTAD DE INGENIERIAS Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERIA AERONAUTICA : DIBUJO ASISTIDO POR COMPUTADOR.
FACULTAD DE INGENIERIAS Y ARQUITECTURA ESCUELA PROFESIONAL DE INGENIERIA AERONAUTICA I. DATOS GENERALES DIBUJO ASISTIDO POR COMPUTADORA (AUTOCAD) SILABO CODIGO CARRERA PROFESIONAL : 33 ASIGNATURA. : DIBUJO
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 detallesCorrelación entre variables
Correlación entre variables Apuntes de clase del curso Seminario Investigativo VI Por: Gustavo Ramón S.* * Doctor en Nuevas Perspectivas en la Investigación en Ciencias de la Actividad Física y el Deporte
Más detallesDETECCIÓN DE PÉRDIDAS EN LA INDUSTRIA PETROLERA
DETECCIÓN DE PÉRDIDAS EN LA INDUSTRIA PETROLERA Luis Alejandro Benavides Vázquez Yasmín Agueda Ríos Solís Resumen Las redes de proceso de las refinerías son complejas ya que involucran una serie procesos
Más detallesRandom Forests. Felipe Parra
Applied Mathematics Random Forests Abril 2014 Felipe Parra Por que Arboles para Clasificación PERFIL DE RIESGO: definir con qué nivel de aversión al riesgo se toman decisiones Interpretación intuitiva
Más detallesTRANSDUCTORES DE POSICIÓN Y DESPLAZAMIENTO (I)
PARTE III. 1 DESPLAZAMIENTO (I) Los sensores de posición y desplazamiento que veremos aquí, que pueden ser con o sin contacto con el punto cuya posición se quiere medir, pueden ser de distintos tipos,
Más detallesCAPÍTULO VI PROCEDIMIENTO PARA PROGRAMAR LA PRODUCCIÓN. Las expectativas de ventas, como se acaba de reflejar, y
CAPÍTULO VI PROCEDIMIENTO PARA PROGRAMAR LA PRODUCCIÓN El programa de producción se define en función de: 1 Las expectativas de ventas, como se acaba de reflejar, y Las características técnicas de la empresa.
Más detallesCMMI (Capability Maturity Model Integrated)
CMMI (Capability Maturity Model Integrated) El SEI (software engineering institute) a mediados de los 80 desarrolló el CMM (modelo de madurez de la capacidad de software). CMMI: CMM integrado, una mezcla
Más detallesAplicaciones de la Simulación en la Industria Petrolera
Aplicaciones de la Simulación en la Industria Petrolera Profesor Ebert Brea, PhD ebert.brea@ucv.ve Universidad Central de Venezuela Facultad de Ingeniería Escuela de Ingeniería Eléctrica Caracas, 26 de
Más detallesTema: Detección de billetes con OpenCV en Android.
TRABAJO FINAL PARA APROBACION DEL CURSO DE POSTGRADO: INTRODUCCION AL PROCESAMIENTO DIGITAL DE IMAGENES. UN ENFOQUE TEORICO - PRACTICO UTILIZANDO OPEN CV. FACULTAD DE INGENIERÍA. 2013. Autor: Vera, José
Más detallesPROGRAMA DE CAPACITACIÓN AÑO 2013 GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN
PROGRAMA DE CAPACITACIÓN AÑO 2013 GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN GERENCIA Y PLANIFICACIÓN DE PRODUCCIÓN DISEÑADO PARA Ingenieros de Producción, completación, yacimientos y perforación; geólogos
Más detallesHERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN
HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN Análisis del Entorno. Es el análisis de grandes cantidades de información del medio ambiente para detectar tendencias emergentes y crear escenarios. Análisis del
Más detallesANALISIS DE UN FONDO DE INVERSION MEDIANTE LA REGRESION Y LA GENERACION DE NUMEROS ALEATORIOS
V JORNADAS ASEPUMA ANALISIS DE UN FONDO DE INVERSION MEDIANTE LA REGRESION Y LA GENERACION DE NUMEROS ALEATORIOS Rodriguez Aviles, Rafael 1 1. Introducción El origen de esta comunicación está en una entrevista
Más detallesSoftware Filtración rápida
UNIVERSIDAD VERACRUZANA Manual de instalación y uso Software Filtración rápida Autores: Dr. Eduardo Castillo González Dra. Lorena De Medina Salas L.I. Víctor Fernández Rosales Dr. Rabindranarth Romero
Más detallesSeries Temporales Curso 2014 2015
Universidad del País Vasco Aeman ta zabal zazu Euskal Herriko Unibertsitatea Programa de la asignatura Series Temporales Curso 2014 2015 Profesores: Ana Cebrián (Univ. de Zaragoza) Fernando Tusell (UPV/EHU)
Más detallesLas 10 preguntas más habituales sobre los Sistemas de Captación de Datos en planta
Las 10 preguntas más habituales sobre los Sistemas de Captación de Datos en planta 1. Que son los sistemas de captación de datos en planta? Los sistemas de captación de planta permiten simplificar y automatizar
Más detallesRegresión múltiple. Modelos y Simulación. I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía
Regresión múltiple I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía I.- INTRODUCCIÓN Como la Estadística Inferencial nos permite trabajar con una variable a nivel de intervalo
Más detallesData Mining Técnicas y herramientas
Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos
Más detallesEvaluación de modelos para la predicción de la Bolsa
Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario
Más detallesAnálisis de expansión de redes de telefonía móvil basándose en indicadores claves de desempeño, utilizando Procesos Gaussianos
Análisis de expansión de redes de telefonía móvil basándose en indicadores claves de desempeño, utilizando Procesos Gaussianos Jhouben Janyk Cuesta Ramírez. Director: PhD. Mauricio Alexander Álvarez. Facultad
Más detallesMejora la eficiencia de los parques eólicos mediante el análisis de los datos SCADA
Mejora la eficiencia de los parques eólicos mediante el análisis de los datos SCADA Primer Congreso Internacional Investigación Sostenible Energías Renovables y Eficiencia Energética. 28/11/2013 Carlos
Más detallesProcesos Estacionarios. Francisco J. González Serrano. Universidad Carlos III de Madrid
PREDICCIÓN DE SEÑALES Procesos Estacionarios Francisco J. González Serrano Universidad Carlos III de Madrid Procesos Estacionarios A la hora de hacer predicciones parece obvio suponer que algo debe permanecer
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesAplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI
Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad
Más detallesÁrea Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano
Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre
Más detallesCómo ahorrar en la factura energética?
Cómo ahorrar en la factura energética? Cruz Enrique Borges Hernández cruz.borges@deusto.es Tercer Encuentro de Jóvenes Investigadores en Matemáticas La Laguna, 18 de octubre de 2013 This work is licensed
Más detallesAprobar la siguiente reglamentación para la Comisión Académica de Posgrado, las Subcomisiones Académicas de Posgrado de Área, y el Director de
Fecha de emisión EL CONSEJO DE LA FACULTAD DE INGENIERÍA DE LA UNIVERSIDAD DE LA REPÚBLICA EN SESIÓN ORDINARIA DE FECHA 26 DE ABRIL DE 2012, ADOPTO LA SIGUIENTE RESOLUCIÓN: 803. (Exp. Nº 061900-000581-11)
Más detallesAsignatura: Diseño de Máquinas [320099020]
Universidad de Huelva ESCUELA POLITECNICA SUPERIOR Departamento de Ingeniería Minera, Mecánica y Energética Asignatura: Diseño de Máquinas [320099020] 3º curso de Ingeniería Técnica Industrial (Mecánicos)
Más detallesSIMULACIÓN DE ACCIDENTES NO FATALES EN UNA ÁREA DE TRABAJO CON O SIN EQUIPO DE PROTECCIÓN
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA POSGRADO EN INGENIERÍA DE SISTEMAS SIMULACIÓN DE ACCIDENTES NO FATALES EN UNA ÁREA DE TRABAJO CON O SIN EQUIPO DE PROTECCIÓN
Más detallesEditores * : Francisco Meneses Alvaro Parra Luis Zenteno
Se Puede Mejorar el Sistema de Ingreso a las Universidades Chilenas? El uso del ranking en la Universidad Católica de Chile, Universidad de Chile y Universidad de Santiago de Chile Editores * : Francisco
Más detallesMODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL
MODELO PREDICTIVO DE DESERCIÓN ESTUDIANTIL APLICACIÓN DE TÉCNICAS DE MINERÍA DE DATOS Yegny Amaya, Edwin Barrientos, Universidad Francisco de Paula Santander, Colombia Diana Heredia Vizcaíno, Universidad
Más detallesIntroducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09
Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones
Más detallesISO 9000 Escuela de Ingeniería de Sistemas y Computación Desarrol o de Software II Agosto Diciembre 2007
ISO 9000 ISO ISO: International Standards Organization. ISO 9000: Normas que enuncian exigencias en materia del manejo y de la garantía de la calidad en una organización. La Norma ISO 9000 NO especifica
Más detallesEvaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial
Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de
Más detallesRECOMENDACIONES DE INVESTIGACIÓN FUTURA.
Capítulo 6 CONCLUSIONES Y RECOMENDACIONES DE INVESTIGACIÓN FUTURA. 212 METODOLOGÍA PARA LA DETECCIÓN DE REQUERIMIENTOS SUBJETIVOS EN EL DISEÑO DE PRODUCTO. CAPÍTULO 6. CONCLUSIONES, APORTACIONES Y RECOMENDACIONES.
Más detallesRubén Ruiz, Miguel Angel Edo.
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8 11 de abril de 2003 ANÁLISIS Y PREVISIÓN DE VENTAS EN EL SECTOR AZULEJERO Rubén Ruiz, Miguel Angel Edo. Departamento de Estadística
Más detallesAprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Más detallesRediseño del Proceso de Desarrollo de Software en la Subgerencia de Proceso de Cuentas de BancoEstado
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA INDUSTRIAL Rediseño del Proceso de Desarrollo de Software en la Subgerencia de Proceso de Cuentas de BancoEstado
Más detallesANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960
ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.
Más detallesUNIVERSIDAD DEL SALVADOR PROGRAMA. UNIDAD ACADÉMICA: Campus San Roque González de Santa Cruz. CARRERA: Veterinaria. DIVISIÓN / COMISIÓN: Primer Año
UNIVERSIDAD DEL SALVADOR PROGRAMA UNIDAD ACADÉMICA: Campus San Roque González de Santa Cruz. CARRERA: Veterinaria DIVISIÓN / COMISIÓN: Primer Año TURNO: Único OBLIGACIÓN ACADÉMICA: ESTADÍSTICA Y DISEÑO
Más detallesFÁBRICA DE SOFTWARE. Presentado por: Ing. Juan José Montero Román Gerente de Fábrica de Software USMP jmonteror@usmp.pe
FÁBRICA DE SOFTWARE Presentado por: Ing. Juan José Montero Román Gerente de Fábrica de Software USMP jmonteror@usmp.pe FÁBRICA DE AUTOS Entrada Salida Autos FÁBRICA DE SOFTWARE Entrada Salida Información
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
Más detallesEJEMPLO DE REPORTE DE LIBERTAD FINANCIERA
EJEMPLO DE REPORTE DE LIBERTAD FINANCIERA 1. Introduccio n El propósito de este reporte es describir de manera detallada un diagnóstico de su habilidad para generar ingresos pasivos, es decir, ingresos
Más detallesOTRAS OPCIONES DE PREDICCIÓN
OTRAS OPCIONES DE PREDICCIÓN José Alfredo Carrillo Salazar Montecillo, México. Verano 2004 GENE HUNTER NEUROSHELL CLASSIFIER NEUROSHELL PREDICTOR José Alfredo Carrillo Salazar Montecillo, México. Verano
Más detallesParámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
Más detallesDiploma en Business Analytics
Diploma en Business Analytics JULIO 2010 FACULTAD DE INGENIERÍA Y CIENCIAS www.uai.cl Por qué un Diploma en Business Analytics? El análisis metódico e inteligente de datos es una actividad estratégica
Más detalles