Aprendizaje inductivo
|
|
- Lucas Salazar Benítez
- hace 6 años
- Vistas:
Transcripción
1 Inteligencia Artificial Aprendizaje inductivo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
2 Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción al aprendizaje automático 3.2 Árboles de decisión 3.3 Redes neuronales 3.4 Algoritmos genéticos 3.5 Aprendizaje por refuerzo
3 Aprendizaje: motivación 1. Es difícil especificar el conocimiento necesario para realizar una determinada tarea Ejemplo: diagnosis de cáncer de mama a partir de imágenes 2. Organizar, analizar y estructurar los datos y la información 3. Automatizar los sistemas y personalizarlos a los individuos Solución: sistemas que aprendan y se adaptan
4 Clasificación: Aprendizaje: posibles tareas clasificar productos de una fábrica en correctos y erróneos Predicción: predecir el tráfico en una ciudad Diagnostico: diagnosticar enfermedades de pacientes a partir de síntomas Agrupación: agrupar páginas Web en función de su contenido Caracterización: Determinar las características de las personas que compren determinados tipos de productos Mejorar la eficiencia: mejorar un robot que tiene que encontrar caminos a una determinada posición en un edificio para que encuentre los caminos más rápido
5 Aprendizaje Representación de los datos Simbólico Sub-simbólico Representación de los datos por características y atributos E.g.: estado de trafico tiempo día de la semana hora <lluvia viernes 8:00> <sol sábado 12:00> Representación no directamente interpretable E.g.: estado de trafico tiempo día de la semana hora < > < >
6 Aprendizaje Tipo de datos Supervisado No supervisado Tenemos un conjunto de ejemplos para los que conocemos los resultados E.g.: estado de trafico tiempo día de la semana hora tráfico <lluvia viernes 8:00 mucho> <sol sábado 12:00 poco> Tenemos un conjunto de ejemplos sin etiquetas E.g.: agrupar objetos
7 Aprendizaje Supervisado No supervisado Simbólico Árboles de decisión Aprendizaje por refuerzo Sub-simbólico Redes neuronales Algoritmos genéticos
8 Aprendizaje supervisado: ejemplo Ejemplos Casos nuevos sí sí no sí sí no no Algoritmo de aprendizaje Concepto objetivo: objetos con 3 lados son triángulos
9 Aprendizaje supervisado: notación básica Objetivo: aprender un cierto concepto objetivo (por ejemplo: determinados objetos son triángulos ), a partir de ejemplos, definidos como un conjunto de atributos, de los que conocemos los resultados (p. e.: objeto nº1=triángulo, objeto nº2=triángulo, objeto nº3=no triángulo, ) Problema: encontrar una descripción del concepto objetivo (hipótesis) que I) concuerda con los ejemplos presentados II) generaliza a casos nuevos
10 Aprendizaje supervisado: notación básica Matemáticamente: Suponemos que el concepto objetivo es una función f:x Y X es un espacio de entradas (posibles casos) (p.e.: {objeto azul nº1, objeto verde nº5, }) Y el espacio de salidas (resultados) {p.e.:{triángulo, no triángulo}) Tenemos como entrada una secuencia de ejemplos de pares (entrada,salida): { (x 1,y 1 ), (x 2,y 2 ), } con x i X e y i Y p.e.:{(objeto rojo nº22, triángulo), (objeto verde nº34, no triángulo), } Objetivo del algoritmo de aprendizaje: encontrar función hє H que aproxime f, tal que: h(x i )=f(x i ) para todos (o la mayoría de los) ejemplos presentados h tenga expectativas de comportase igual (o similar) a f para casos aun desconocidos (generalización) H : espacio de hipótesis
11 Formalización de un problema de aprendizaje supervisado Clase de problemas: Que se debe aprender (concepto objetivo), cómo se representan los elementos (atributos y posible valores de cada atributo)? Información presentada (ejemplos de entrenamiento): Ejemplos positivos, negativos o ambos Espacio de las hipótesis: En qué lenguaje se presentan las hipótesis (árbol de decisión, red neuronal), cuál es el conjunto de hipótesis? Algoritmo de aprendizaje: Qué algoritmo /arquitectura se usa? Características del aprendizaje Cuándo se ha aprendido? Cuándo se aprende correctamente?
12 Encontrar una hipótesis que: Espacio de hipótesis Concuerda con los ejemplos de entrenamiento Generaliza bien a casos aún desconocidos Cómo encontrar esta hipótesis hє H? y y y Navaja de Ockham: x x x Entre varias hipótesis posibles, preferir la hipótesis más sencilla.
13 Clasificación Clasificación: f:x Y, Y es discreto Clasificación binaria: Problema: decidir la pertenencia de casos a una clase f:x {0,1} Posible información presentada (ejemplos de entrenamiento): Casos positivos: (x,1) (x pertenece a la clase) Casos negativos: (x,0) (x no pertenece a la clase) La clasificación binaria tiene muchas aplicaciones reales: Frecuentemente se identifica aprendizaje supervisado con la clasificación Árboles de decisión y redes neuronales son algoritmos de clasificación
14 Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción al aprendizaje automático 3.2 Árboles de decisión 3.3 Redes neuronales 3.4 Algoritmos genéticos 3.5 Aprendizaje por refuerzo
15 Ejemplo Decidir si se puede dar una tarjeta de crédito a clientes de un banco Saldo act. Edad Saldo med. Años cliente Dar tarjeta? bajo <18 alto <1 no alto alto >1 si alto medio >1 no alto >25 bajo >1 no bajo >25 medio >1 si alto alto >1 si bajo alto <1 no medio <18 medio <1 no medio >25 alto <1 si Objetivo: aprender un clasificador de clientes
16 Un ejemplo: NO NO NO Árboles de decisión como clasificadores <18 bajo, medio bajo, medio <1 NO edad saldo med. alto >25 bajo saldo med. medio alto saldo act. NO años cliente SI alto años cliente >1 SI <1 >1 NO Clasificar un caso: (saldo act.=bajo, edad=>25, saldo med.=medio, años cliente=>1) SI
17 Aprendizaje de árboles de decisión Problema: inducir (encontrar/aprender) árboles de decisión (hipótesis) a partir de ejemplos de entrenamiento Algoritmo 1: para cada ejemplo de entrenamiento añadir la rama completa del ejemplo Ejemplo 1: ((bajo,<18,alto,<1),no) saldo act. edad bajo <18 saldo med. alto años cliente hipótesis 1 NO <1
18 Aprendizaje de árboles de decisión Problema: inducir (encontrar/aprender) árboles de decisión (hipótesis) a partir de ejemplos de entrenamiento Algoritmo 1: para cada ejemplo de entrenamiento añadir la rama completa del ejemplo Ejemplo 1: ((bajo,<18,alto,<1),no) Ejemplo 2: ((alto,18-25,alto,>1),si) Las hipótesis concuerdan con los ejemplos, pero: no generalizan a casos nuevos saldo act. edad bajo saldo med. años cliente NO <18 alto <1 hipótesis 2 alto edad saldo med. años cliente SI alto >1
19 Aprendizaje de árboles de decisión Algoritmo de aprendizaje de árboles de decisión: crear el árbol de forma recursiva de arriba abajo utilizar en cada nodos el atributo más importante el atributo más importante es él que mejor discrimina los ejemplos que han llegado hasta este nodo clasifica los ejemplos y sigue en el siguiente nivel {(E1,si),(E2,si),(E3,no),(E4,no),(E5,si), } A 2 A 1 A 1 =a A 1 =b {(E1,si),(E2,si),(E4,no), } {(E3,no),(E5,si), } A 2 =c A 2 =d {(E1,si),(E2,si)} {(E4,no), } 2
20 Aprendizaje de árboles de decisión: algoritmo ID3 Seleccionar el mejor atributo A i Crear un nodo para ese atributo con tantos sucesores como valores tenga Introducir los ejemplos en los sucesores según el valor que tenga el atributo A i Por cada sucesor, Si sólo hay ejemplos de una clase c k entonces etiquetarlo con c k Si no, llamar recursivamente el algoritmo con una tabla formada por los ejemplos de ese nodo, eliminando la columna del atributo A i
21 Aprendizaje de árboles de decisión: ejemplo Ej.: edad s_a s_m tarjeta E1 <18 alto alto NO E2 <18 bajo bajo NO E alto alto SI E bajo alto SI E alto bajo NO {E1,E2,E3,E4,E5,E6} edad < E bajo bajo NO NO s_m >25 alto bajo medio NO {E1,E2} {E3,E4,E5,E6} {} SI NO SI/NO {E3,E4} {E5,E6} {}
22 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Elección basada en la entropía de un atributo mide en contenido de información en bits Cuántos bits hacen falta para codificar una respuesta que pueda tener n valores distintos y cada valor r i tiene una probabilidad P(r i ) I[P(r 1 ),,P(r n )] = - P(r i ) log 2 [P(r i )] Para el conjunto de ejemplos E y el concepto dar tarjeta : r 1 =SI, r 2 =NO I[P(SI),P(NO)] = -2/4 log 2 [2/4] -2/4 log 2 [2/4] = 1
23 Aprendizaje de árboles de decisión: elección de los atributos El concepto objetivo tiene valores r 1,,r n (p.ej.: r 1 =SI, r 2 =NO) Cada atributo A k A tiene una serie de posibles valores v 1,,v m.. Estos dividen los ejemplos del conjunto E en m subconjuntos E 1,,E m : p. e.: A k = edad, v 1 = <18, v 2 = 18-25, v 3 = >25, E 1 ={Ej1,Ej2}, E 2 ={Ej3}, E 3 ={Ej4} Procedimiento para elegir el mejor atributo: Paso 1: Calcula la entropía de E: I E [P(r 1 ),,P(r n )] = i - P(r i ) log 2 [P(r i )] E 1 n i i 2 i Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : I Ei [P(r 1 v i ),,P(r n v i )] = j - P(r j v i ) log 2 [P(r j v i )] Paso 3: Para cada A k, se calcula la cantidad de entropía del atributo: I(A k ) = j P(v j ) I Ej [P(r 1 v j ),,P(r n v j )] Paso 4: Elegir aquel atributo que obtiene la mayor ganancia de información: Ganancia(A k ) = I E - I(A k )
24 Aprendizaje de árboles de decisión: elección de los atributos, ejemplo E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 1: Calcula la entropía de E: I[P(SI),P(NO)] = -2/4 log 2 [2/4] -2/4 log 2 [2/4] = 1
25 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : Ejemplo: edad E={Ej1,Ej2,Ej3,Ej4} edad < >25 E 1 ={Ej1,Ej2} E 2 ={Ej3} E 3 ={Ej4} I[P(SI <18),P(NO <18)] = -0/2 log 2 [0/2] -2/2 log 2 [2/2] = 0 I[P(SI 18-25),P(NO 18-25)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0 I[P(SI >25),P(NO >25)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0
26 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : Ejemplo: s_a bajo E={Ej1,Ej2,Ej3,Ej4} s_a mediano E 1 ={Ej1} E 2 ={Ej3} E 3 ={Ej2, Ej4} alto I[P(SI bajo),p(no bajo)] = -0/1 log 2 [0/1] -1/1 log 2 [1/1] = 0 I[P(SI med),p(no med)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0 I[P(SI alto),p(no alto)] = -1/2 log 2 [1/2] -1/2 log 2 [1/2] = 1
27 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Cuál es el mejor atributo: s_a o edad? Paso 3: Ej mediano SI Ej4 >25 alto SI Para cada A k,, calcular I(A k ): I[edad] = P(<18) I[P(SI <18),P(NO <18)] + P(18-25) I[P(SI 18-25),P(NO 18-25)] + P(>25) I[P(SI >25),P(NO >25)] = 2/ / /4 0 = 0 I[s_a] = P(bajo) I[P(SI bajo),p(no bajo)] + P(med) I[P(SI med),p(no med)] + P(alto) I[P(SI alto),p(no alto)] = 1/ / /4 1 = 0.5
28 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Cuál es el mejor atributo: s_a o edad? Paso 4: Ej mediano SI Ej4 >25 alto SI Elegir el atributo con mayor ganancia de información: Ganancia(edad) = I E - I(edad) = 1 0 = 1 Ganancia(s_a) = I E - I(s_a) = = 0.5 Como cabe esperar se elige el atributo edad
29 Aprendizaje de árboles de decisión: Comentarios Ventajas: decisiones basadas en la estadística (es capaz de tratar ruido) Los clasificadores aprendidos (árboles de decisión) son fácilmente interpretables Problemas: mantiene una hipótesis única /no es capaz de aprender de forma incremental (si se tienen nuevos ejemplos hay que calcular el árbol de nuevo) tratamientos de valores continuos, o atributos con un gran número de valores discretos (C4.5) tratamiento de valores desconocidos (información incompleta) árboles exponenciales para determinadas funciones (p.e.: función paridad) overfitting: generar árboles demasiado específicos ( Cuándo se debe parar de dividir los nodos?)
30 Evaluación de métodos de aprendizaje Evaluación empírica No se puede evaluar un clasificador con los mismos ejemplos que se han utilizado para el entrenamiento Colecciones de pruebas: contienen un conjunto de ejemplos de entrenamiento ML repository: Un clasificador clasifica un conjunto de casos de la siguiente forma: Ejemplos pos. Ejemplos neg. Clasificados como positivos TP FP Clasificados como negativos FN TN TP: true positives (clasificado: positivo, realidad: positivo) TN: true negatives (clasificado: negativo, realidad: negativo) FP: false positives (clasificado: positivo, realidad: negativo) FN: false negatives (clasificado: negativo, realidad: positivo)
31 Evaluación de métodos de aprendizaje Medidas (más comunes) de evaluación: true positive rate (sensitivity, recall): [0,,1]; ideal=1 TP tpr = TP + FN false positive rate: [0,,1]; ideal=0 fpr = FP FP + TN precision: [0,,1]; ideal=1 TP precision = TP + FP corrección:[0,,1]; ideal=1 TP + TN correccion = TP + FP + TN + FN Es útil un clasificador con corrección=0.4? clasificados correctamente como positivos = todos los positivos clasificados erroneamente como positivos = todos los negativos clasificados correctamente como positivos = todos los clasificados como positivos = clasificados correctamente todos los ejemplos
32 Evaluación de métodos de aprendizaje Hay dos tipos de errores falsos positivos falsos negativos En algunos dominios es más grave un error que otro: Ejemplo: diagnostico de cáncer es muy importante identificar todos los pacientes que tienen cáncer no importa (demasiado) si se diagnostica cáncer a una persona que no lo tiene hay que evitar falsos negativos el true positive rate tiene que ser alto
33 Aumentar el true positive rate es muy fácil Por ejemplo: Evaluación de métodos de aprendizaje tpr = TP TP + FN = 9 = TP tpr = TP+ FN 6 = = 0, Entonces true_positive_rate =1 (muy bien), pero false_positive_rate=1 (muy mal) Es importante encontrar un equilibrio entre ambas medidas Ideal: true_positive_rate=1 y false_positive_rate=0
34 Aprendizaje de árboles de decisión: Ejercicio Aplique el algoritmo de aprendizaje de árboles de decisión al siguiente conjunto de ejemplos. Especifique el árbol aprendido y los valores de ganancia de los atributos elegidos en los diferentes nodos. Pelo Altura Peso Protección Quemadura rubio medio bajo no sí rubio alto medio sí no moreno bajo medio sí no rubio bajo medio no si rojo medio alto no si moreno alto alto no no moreno medio alto no no rubio bajo bajo sí no
3. 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 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 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 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 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 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 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 detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
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 detallesInteligencia en Redes de Comunicaciones - 06 Aprendizaje
El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán
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 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 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 detallesII. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva
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 detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesAprendizaje Supervisado K - Vecinos más cercanos Knn-Method
Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesQué modelo elegir? BIOCLIM. DOMAIN GARP MaxEnt. Elisa Liras Dpto. Biología Vegetal y Ecología Universidad de Almería
Grupo de investigación Ecología de Zonas Áridas CENTRO ANDALUZ PARA LA EVALUACIÓN Y SEGUIMIENTO DEL CAMBIO GLOBAL Qué modelo elegir BIOCLIM. DOMAIN GARP MaxEnt Elisa Liras Dpto. Biología Vegetal y Ecología
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 detallesAnálisis y Complejidad de Algoritmos. Arboles Binarios. Arturo Díaz Pérez
Análisis y Complejidad de Algoritmos Arboles Binarios Arturo Díaz Pérez Arboles Definiciones Recorridos Arboles Binarios Profundidad y Número de Nodos Arboles-1 Arbol Un árbol es una colección de elementos,
Más detallesAprendizaje automático mediante árboles de decisión
Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier
Más detallesUnidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS CARACTERÍSTICAS DEL ESQUEMA DE DATOS DIAGRAMA ENTIDAD RELACIÓN (D.E.R.)
Unidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS OBJETIVO DEL ESQUEMA DE DATOS Describir los datos que el sistema debe conocer para poder responder a los estímulos. CARACTERÍSTICAS DEL ESQUEMA DE
Más detallesAprendizaje de conceptos. El aprendizaje como generalización
Aprendizaje de conceptos. El aprendizaje como generalización 1 Aprendizaje de conceptos Consideraremos el problema de inferir automáticamente la definición general de un concepto o clase a partir de un
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más 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 detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
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 detallesAprendizaje Supervisado Árboles de Decisión
Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No
Más detalleshttps://dac.escet.urjc.es/docencia/etc-sistemas/teoria-cuat1/tema2.pdf
1.3 Sistemas numéricos 1.3.1. Introducción Un sistema de representación numérica es un lenguaje que consiste en: Un conjunto ordenado de símbolos (dígitos o cifras) y otro de reglas bien definidas para
Más detallesAlba Lucia Londoño Javier a. murillo m.
Grado: 7º Periodo: 04 CUARTO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Alba Lucia Londoño Javier a. murillo m. ESTANDARES P.A.I. I.B. A. Conocimiento y comprensión Conocer
Más detallesCómo se usa Data Mining hoy?
Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detallesTaller Minería de datos aplicados a la educación
Taller Minería de datos aplicados a la educación 2ª parte Presentación del software PASW Modeler 27 de junio de 2011 Mercedes Torrado Departamento Métodos de Investigación y Diagnóstico en Educación (MIDE)
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur TIPOS DE TAREAS, MODELOS Y ALGORITMOS ? Datos Entrenamiento Algoritmo Modelo Galaxia espiral TAREAS / MODELOS
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesTemas 17 y 18. Conmutación rápida de paquetes
Temas 17 y 18 Conmutación rápida de paquetes Instituto Tecnológico de Massachusetts Diapositiva 1 Conmutadores de paquetes Paquete Motor de enrutamiento Conmutador (switch) Controlador Paquete Datos Cabecera
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 detallesTema1: Introducción a La Estadística 1.1-1
1 Tema1: Introducción a La Estadística 1.1-1 Introducción Un objetivo importante de La Estadística es: aprender acerca de un grupo grande, examinando los datos de algunos de sus miembros. La Estadística
Más detallesLa lección de hoy de febrero de Notación. Solución factible básica
1.3 1 de febrero de La lección de hoy Método simplex (continuación) Entregas: material de clase Nota: el diseño de esta presentación incluye animaciones que permiten verla en forma de diapositivas. Repaso
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesBúsqueda Heurística (1ª parte)
Búsqueda Heurística (1ª parte) Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados en búsqueda
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 detallescomo les va con las practicas?
como les va con las practicas? Problemas NP-completos y Estructuras de datos básicas (representación de datos) mat-151 1 Una maquina de Turing Aceptation state Una maquina de Turing Maquina de Turing Determinística,
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 detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesAnálisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina.
Análisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina. Marcos Herrera 1 1 CONICET IELDE - Universidad Nacional de Salta (Argentina) Seminario de Investigación Nº 27 8 de
Más detallesRepresentación de Conocimientos
Representación de Conocimientos Asunción Gómez-Pérez asun@fi.upm.es Despacho 2104 Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Campus de Montegancedo
Más detallesNIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA
Copyright 2014 by TEA Ediciones AUTORES: INFORME: D. Arribas SOLUCIÓN INFORMÁTICA: X. Minguijón DISEÑO: R. Sánchez BAT-7 NIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA Informe psicopedagógico PERFIL Id: Edad:
Más detallesFACULTAD DE INGENIERÍA
FACULTAD DE INGENIERÍA II JORNADAS DE DATA MINING CONFERENCIA 7.- " CASO SNOOP CONSULTING-ORACLE Fernando Das Neves Gerente de I+D de Snoop Consulting-Oracle Data Mining Technologies IAE - Pilar, 7 y 8
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T8: Aprendizaje basado en instancias www.aic.uniovi.es/ssii Índice Aprendizaje basado en instancias Métricas NN Vecino más próximo: Regiones de Voronoi El parámetro K Problemas de
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detalles1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila 0/1 para los siguientes casos:
PROGRAMACIÓN DINÁMICA RELACIÓN DE EJERCICIOS Y PROBLEMAS 1. Diseñe algoritmos que permitan resolver eficientemente el problema de la mochila /1 para los siguientes casos: a. Mochila de capacidad W=15:
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 detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Recurrencias DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Introducción 2 Cuando un algoritmo se llama a sí mismo Su tiempo de ejecución se puede describir
Más detallesInvestigación Operativa
Investigación Operativa Unidad: Teoría de decisiones y modelos de programación lineal Docente: Johnny. Pacheco Contreras Unidad Teoría de decisiones y modelos de programación lineal. Logro Al finalizar
Más detallesTema AA-4: Sesgo inductivo
Razonamiento Automático Curso 2002 2003 Tema AA-4: Sesgo inductivo Miguel A. Gutiérrez Naranjo José A. Alonso Jiménez Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesTema. Introducción Pearson Prentice Hall. All rights reserved
Tema 1 Introducción 2010 Pearson Prentice Hall. All rights reserved Estadística descriptiva La estadística descriptiva estudia datos con el único fin de describir el grupo observado, sin inferir los hallazgos
Más detallesTema 4: Gramáticas independientes del contexto. Teoría de autómatas y lenguajes formales I
Tema 4: Gramáticas independientes del contexto Teoría de autómatas y lenguajes formales I Bibliografía Hopcroft, J. E., Motwani, R., y Ullman, J. D. Introducción a la Teoría de Autómatas, Lenguajes y Computación.
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesDiseño de Experimentos
Diseño de Experimentos p. Diseño de Experimentos Isabel Casas Despacho: 10.0.04 mcasas@est-econ.uc3m.es Hector Cañada jcanada@est-econ.uc3m.es Introducción Los modelos que vamos a estudiar son usados para
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 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 detallesTEMA N 1 LÓGICA Y CONJUNTOS
TEMA N 1 LÓGICA Y CONJUNTOS DEFINICIÓN Y NOTACIÓN DE CONJUNTOS OBJETIVOS Comprenderás, o repasarás, la idea intuitiva de conjunto. Definirás conjuntos por enumeración y por comprensión, así como su forma
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística 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 detallesProbabilidad condicional (Regla de Bayes) Universidad de Puerto Rico ESTA Prof. Héctor D. Torres Aponte
Probabilidad condicional (Regla de Bayes) Universidad de Puerto Rico ESTA 3041 Prof. Héctor D. Torres Aponte 1. Regla de Bayes Utilizando el ejemplo 1.5 (semana #6), sabemos los valores de P (A) y P (A
Más detallesUNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA
UNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA I. DATOS INFORMATIVOS 1.1 Asignatura : Estadística para el Comunicador Social 1.2 Código : 1001-1023 1.3 Pre-requisito
Más detallesLÓGICA DIFUSA. Conjuntos difusos Blanca A. Vargas Govea Noviembre 2, 2012 Inteligencia Computacional
LÓGICA DIFUSA Conjuntos difusos Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 2, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación Definir
Más detallesMATEMÁTICA 6 BÁSICO MATERIAL DE APOYO PARA EL DOCENTE PATRONES Y ÁLGEBRA
MATEMÁTICA 6 BÁSICO PATRONES Y ÁLGEBRA Material elaborado por: Héctor Muñoz Adaptación: Equipo de Matemática Programa Mejor Escuela 1. BREVE PRESENTACIÓN DE LA UNIDAD El principal contenido de esta Unidad
Más detallesESTADÍSTICA CICLO 6 CAPACITACIÓN 2000
INTRODUCCIÓN La estadística día a día esta ocupando un lugar importante en nuestra sociedad colaborando así al progreso humano y su bienestar. Aunque en sus comienzos era aplicada únicamente a asuntos
Más detallesInteligencia Artificial Técnicas de clasificación
Inteligencia Artificial Técnicas de clasificación ISISTAN - CONICET Clasificación: Agenda Concepto Clasificación Predicción Evaluación Árboles de Decisión Construcción Uso Poda Clasificador Bayesiano Ejemplos
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 detalles2. Calcula las raíces o soluciones para cada ecuación cuadrática.
Matemáticas 3 Bloque I Instrucciones. Lee y contesta correctamente lo que se te pide. 1. Cuánto tiempo tardará en llegar al suelo un objeto que se deja caer verticalmente desde la azotea de un edificio
Más detallesUna dirección IP es una secuencia de unos y ceros de 32 bits. La Figura muestra un número de 32 bits de muestra.
DIRECCIONAMIENTO IP Un computador puede estar conectado a más de una red. En este caso, se le debe asignar al sistema más de una dirección. Cada dirección identificará la conexión del computador a una
Más detallesEste documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción.
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
Más detallesPREGUNTAS DE EJEMPLO EDUCACIÓN MATEMÁTICA SEGUNDO NIVEL MEDIO
PREGUNTAS DE EJEMPLO EDUCACIÓN MATEMÁTICA SEGUNDO NIVEL MEDIO VALIDACIÓN DE ESTUDIOS DECRETO Nº257 1. A cuál de las siguientes expresiones es equivalente 12? LEA LA TABLA Y RESPONDA LAS PREGUNTAS 2 A LA
Más detallesMateria: Matemática de Tercer Año Tema: Pendiente
Materia: Matemática de Tercer Año Tema: Pendiente Suponga que tiene un avión de juguete sobre el despegue, que se eleva 5 pies por cada 6 metros que recorre a lo largo de la horizontal. Cuál sería la pendiente
Más detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesA B MIN C D E F MAX x E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO
E.T.S.I. INFORMÁTICA 4º CURSO. INTELIGENCIA ARTIFICIAL E INGENIERÍA DEL CONOCIMIENTO UNIVERSIDAD DE MÁLAGA Dpto. Lenguajes y Ciencias de la Computación RELACIÓN DE PROBLEMAS. TEMA IV. PROBLEMAS DE JUEGOS.
Más detallesINGENIERÍA DEL SOFTWARE I Práctica 5 Modelado de Diseño
INGENIERÍA DEL SOFTWARE I Práctica 5 Modelado de Diseño Univ. Cantabria Fac. de Ciencias Patricia López Introducción al Diseño Modelamos la estructura software del sistema (incluida la arquitectura) para
Más detallesProgramación lineal: Algoritmo del simplex
Programación lineal: Algoritmo del simplex Se considera la formulación estándar de un problema de programación lineal siguiendo la notación utilizada en las clases teóricas: Minimizar c t x sa: Ax = b
Más detallesCurso de Formación Continua Nº identificación Propuesta nueva/reedición
Curso de Formación Continua Nº identificación Propuesta nueva/reedición Aplicaciones Industriales con Minería de Datos y Sistemas Expertos FC1011195 Propuesta nueva Tipo de Créditos Créditos ECTS Campo
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
Estimado alumno: Aquí encontrarás las claves de corrección, las habilidades y los procedimientos de resolución asociados a cada pregunta, no obstante, para reforzar tu aprendizaje es fundamental que asistas
Más detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesMETODOLOGÍAS PARA EL DESARROLLO DE SISTEMAS
!387" APÉNDICE A, APARTADO 1 METODOLOGÍAS PARA EL DESARROLLO DE SISTEMAS DOCUMENTACIÓN 1. La necesidad de los diagramas Los diagramas o representaciones gráficas representan una parte fundamental en el
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesAPUNTES DE CATEDRA: SISTEMAS DE NUMERACION - REPRESENTACION INTERNA DE NUMEROS Y CARACTERES
Cátedra de COMPUTACION Carreras: Licenciatura en Matemática Profesorado en Matemática Profesora: Mgr. María del Carmen Varaldo APUNTES DE CATEDRA: SISTEMAS DE NUMERACION - REPRESENTACION INTERNA DE NUMEROS
Más detallesDistrito Escolar Unificado de Berkeley GUIA PARA FAMILIAS TARJETA DE CALIFICACIÓN 5 GRADO
Distrito Escolar Unificado de Berkeley El Distrito Escolar Unificado de Berkeley ha hecho algunos cambios en las Tarjetas de Calificaciones de este año escolar. El propósito de esta guía es dar a las familias
Más detalles