Capitulo 1: Introducción al reconocimiento de patrones (Secciones )
|
|
- José Miguel Germán Soto Villalba
- hace 6 años
- Vistas:
Transcripción
1 Capitulo 1: Introducción al reconocimiento de patrones (Secciones ) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C L O D E D I S E Ñ O A D A P T A C I Ó N Y A P R E N D I Z A J E C O N C L U S I Ó N
2 Machine Perception Construir una máquina capaz de reconocer patrones: 2 Reconocimiento de frases habladas Identificación de huellas digitales Reconocimiento óptico de escritura Identificación de secuencias de ADN
3 Ejemplo o Acomodar el pescado entrante en una cinta de transporte, de acuerdo con la especie, usando sensores ópticos Especies 3 Mero (Sea Bass) Salmon
4 Análisis del Problema Montar una cámara y tomar algunas imágenes de muestra para extraer características 4 Largo Tono (color) Tamaño Numero y forma de las aletas Posición de la boca, etc Este es el conjunto de las características sugeridas para explorar en el clasificador
5 Preprocesamiento 5 o Usar segmentación para aislar los peces uno de otro y con respecto al fondo o Información de un solo pez se envía al extractor de característica cuyo propósito es reducir la información midiendo ciertas características o Las características se pasan al clasificador
6 6
7 Clasificación o Se decide el conjunto de características a usar 7 Conjunto suficiente Conjunto mínimo o Seleccionar el largo del pez como una posible característica para discriminación o Clasificación lineal, Largo(x) <I* x=salmon
8 En promedio son distintos, pero no es suficiente. 8
9 El largo es una característica muy pobre! Otras características Largo Tono (color) Tamaño Numero y forma de las aletas Posición de la boca, etc Tono de las escamas posible característica. 9 Clasificación lineal, Tono(x) <x* x=salmón
10 10
11 11 l* se calcula con muestra de entrenamiento
12 Umbral de decisión x* y Costo de clasificación 12 Mover nuestro borde de decisión hacia valores menores del Tono para minimizar el costo (reducir el numero de Meros que son clasificados como Salmones!) Teoria de la decision
13 Todavía hay algunos salmones mal clasificados. 13 Adoptar el Tono y agregar el ancho de las escamas del pez Pez x T = [x 1, x 2 ] Tono Ancho Clasificador: Decisión Lineal, x 2 < a x 1 + b, clasifica (x 1, x 2 ) en salmón
14 Clasificador lineal 14
15 Otras opciones Podríamos agregar otras características que sean no correlacionadas con las que ya tenemos. 15 Hay que tomar precauciones para no reducir el desempeño agregando características ruidosas. Idealmente, el mejor borde de decisión debería ser el que provee optimo desempeño como en la figura siguiente :
16 Clasificador óptimo 16
17 Generalización 17 Sin embargo, nuestra satisfacción es prematura porque el objetivo central es designar un clasificador que clasifique correctamente un nuevo elemento Se debe poder generalizar!
18 18
19 Objetivos del curso Lograr realizar en un grupo de datos dado distintos tipos de clasificaciones decidiendo las características a utilizar planteando las ecuaciones implementando en Matlab dichas ecuaciones generando mapas visuales de clasificación calculando tasas de error aparente y teóricas 19
20 20
21 Sistemas de reconocimiento de patrones Captacion Transducer (camera or microfono) para captar los datos Caracteristicas del transducer : ancho de banda, resolucion, sensitividad a la distorsion 21 Segmentacion y agrupamiento de muestras Patrones deberia estar separados y no solaparse Seleccion muestras de entrenamiento
22 22
23 Módulo de clasificación Extracción de características Características discriminativas Características invariantes con respecto a la traslación, rotación y escala. Clasificación 23 Regla que usa el vector de características provisto para asignar el objeto a una categoría Post Procesamiento Explotar la información de contexto del objeto para mejorar el desempeño
24 El Ciclo de Diseño 24 Recolección de datos Elección de características Elección de Modelo Entrenamiento Evaluación Reajuste complejidad computacional. errores aceptables e inaceptables
25 25
26 Recolección de Datos 26 Como sabemos cuando hemos recolectado una colección adecuada de ejemplos en tamaño representatividad, para entrenar y testear el sistema?
27 Dependen Elección de características problema de clasificación, del sistema de visión que genera los datos, del costo de obtención de los datos. 27 Deben ser simples de extraer, invariantes bajo transformaciones de la imagen inmunes o resistentes al ruido de captación de la imagen.
28 Elección de Modelo Matemático 28 Lineal Cuadrático Funcional Árbol Red neuronal Máquina de soporte vectorial etc
29 Entrenamiento 29 Usamos datos para determinar los clasificadores. Muchos procedimientos diferentes para entrenar los clasificadores y elegir los modelos
30 Evaluación 30 Medidas de desempeño bajo un modelo Tasas de error Costos Medidas de desempeño al cambiar de un grupo de características a otro
31 Complejidad computacional 31 Cual es el balance entre computación fácil y desempeño? Como escala un algoritmo en función del numero de características, patrones y categorías?
32 Adaptación y Aprendizaje Aprendizaje supervisado 32 Un oráculo provee las etiquetas de categoría y costo de cada patrón en el conjunto de entrenamiento Aprendizaje no supervisado El sistema forma grupos naturales de los patrones ingresados.
33 Clasificación y Segmentación Etiquetar toda una imagen como una clase 33 Imagen de interiores o de exteriores; Imagen de Salmon o Imagen de Mero Clasificación Dividir una imagen en regiones de diferente tipo. Diferentes tipos de tejido en una imagen medica, Diferentes ejemplares de peces en la cinta de transporte. Segmentación
34 Clasificación en Imágenes Nombres distintos porque son problemas distintos 34 Técnicas parecidas, podemos usar las mismas técnicas en ambos problemas.
35 Clasificación 35 Clase 1 Clase 2 Clase 3?
36 Segmentación 36 fondo perno
37 Problema actual 37 Anotación de características Palabras claves Clasifico una imagen como correspondiente a una bolsa de palabras
38 Estudiar el problema de clasificación de flores Iris Características al recolectar los datos Número de clases hipotéticas Estudiar cargado de datos y muestra de datos en pantalla según características elegidas. Matlab R studio Ejercicios Cargue los datos de los ejercicios computaciones del capítulo 2. 38
Bloque temático: Sistemas de Reconocimiento de Patrones
Bloque temático: Sistemas de Reconocimiento de Patrones 1 Sistemas de Reconocimiento de Patrones PRACTICAS 6)Estudio de ejemplos en Matlab 7)Adquisición de imágenes reales: generación de una librería de
Más detallesReconocimiento visual de ademanes usando MS Kinect - Introducción. Dr. Héctor Avilés Escuela de Invierno de Robótica 2015
Reconocimiento visual de ademanes usando MS Kinect - Introducción Dr. Héctor Avilés Escuela de Invierno de Robótica 2015 Contenido Motivación Dispositivos de captura Reconocimiento visual de ademanes Resumen
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
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 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 detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Introducción Ingeniería de Sistemas y Automática Universidad Miguel Hernández Tabla de Contenidos 2 Definición de Visión por Computador Captación Información Luminosa Imagen Digital
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 detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesReconocimiento automático de rostros
Reconocimiento automático de rostros Ponente: Dr. Wilfrido Gómez Flores Investigador CINVESTAV wgomez@tamps.cinvestav.mx Ciudad Victoria,, 15 de junio de 2016 1 Introducción 2 Reconocimiento de rostros
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 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 detallesExperimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
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 detalles1. Manipulación simple de imágenes
1 ELO 385 Laboratorio de Procesamiento Digital de Señales Laboratorio 7: Procesamiento Digital de Imágenes En este laboratorio se introducirá el procesamiento digital de imágenes y se extenderán conceptos
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 detallesDra. Patricia Eugenia Jiménez Gallegos Página 1
ÁREA ACADÉMICA UNIVERSIDAD AUTÓNOMA DE ZACATECAS PLAN ANALÍTICO Ciencias Básicas UNIDAD ACADÉMICA PROGRAMA ACADÉMICO Matemáticas Licenciatura en Matemáticas CICLO ESCOLAR ENERO-JUNIO UNIDAD DIDÁCTICA GEOMETRIA
Más detallesPRESENTACIÓN SOFTWARE. Área de Recursos Educativos Digitales ENLACES
PRESENTACIÓN SOFTWARE Área de Recursos Educativos Digitales ENLACES THE BEST OF EDMARK Descripción del producto Colección de software que promueve el desarrollo de habilidades de razonamiento y de resolución
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 detalles300CIG007 Computabilidad y Lenguajes Formales: Autómatas Finitos
300CIG007 Computabilidad y Lenguajes Formales: Autómatas Finitos Pontificia Universidad Javeriana Cali Ingeniería de Sistemas y Computación Prof. Gloria Inés Alvarez V. Qué es un computador? Todos lo sabemos!!!
Más detallesDe cuántas maneras podemos elegir tres sabores diferentes de helados de una selección de 15 sabores para colocar en un bol?
Materia: Matemática de 5to Tema: Teoría Combinatoria Marco Teórico Las combinaciones de un subconjunto de un conjunto más amplio de objetos se refieren al número de formas en que podemos elegir los artículos
Más detallesCLASIFICACION DE PATRONES. M. Cabrera, J. Vidal Dept. TSC ETSETB UPC Febrero-Mayo 2007
CLASIFICACION DE PATRONES M. Cabrera, J. Vidal Dept. TSC ETSETB UPC Febrero-Mayo 2007 1 TEMA 1: INTRODUCCIÓN Objetivo: Aplicar algoritmos de clasificación a diversos problemas de clasificación que aparecen
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 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 detallesCURSO: PROCESAMIENTO DIGITAL DE IMÁGENES NIVEL BÁSICO CON SPRING
CURSO: PROCESAMIENTO DIGITAL DE IMÁGENES NIVEL BÁSICO CON SPRING 1. DATOS GENERALES: 1.1 Nivel de Estudios : Post Grado 1.2 Año : 2011 1.3 Mes : Julio 1.4 Total horas académicas : 40 Hrs. 1.5 Profesor
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica
Más detalles1. Introducción. 1.1 Motivación
1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer
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 detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesPLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Matemáticas en la Ingeniería: álgebra y Cálculo (I)
CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Matemáticas en la Ingeniería: álgebra y Cálculo (I) 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA.
Más detallesObjetivos. Criterios de evaluación. Contenidos. Actitudes. Conceptos. Procedimientos
P R O G R A M A C I Ó N D E L A U N I D A D Objetivos 1 Identificar relaciones de divisibilidad entre números naturales y reconocer si un número es múltiplo o divisor de otro número dado. 2 Utilizar los
Más detallesReconstrucción Tridimensional a Partir de Varias Imágenes
Reconstrucción Tridimensional a Partir de Varias Imágenes Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV 22 de noviembre,
Más detallesTema 7: Problemas clásicos de Programación Lineal
Tema 7: Problemas clásicos de Programación Lineal 1.- Características generales de un problema de transporte y asignación Surgen con frecuencia en diferentes contextos de la vida real. Requieren un número
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesPROCESAMIENTO DE IMÁGENES DIGITALES
PROCESAMIENTO DE IMÁGENES DIGITALES 1 4 º C U R S O D E G R A D O I N G E N I E R Í A I N F O R M Á T I C A - T E C N O L O G Í A S I N F O R M Á T I C A S O P T A T I V A ( C U A T R I M E S T R E 1 )
Más detallesCARRERA DE CIECNIAS DE LA COMPUTACIÓN PROGRAMA DE ESTUDIO. Teóricos: 2 Práctico: 1 Total 3
ARQUITECTURA DE COMPUTADORES CÓDIGO Y CCO301 Total 3 Las matemática aplicada a la computación es el modelado, simulación y optimización de procesos o fenómenos, para procesos complejos, costosos, riesgosos,
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 detallesRepresentantes de la academia de sistemas y computación de los Institutos Tecnológicos. Academia de sistemas y computación.
1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Fundamentos de redes Carrera: Licenciatura en informática Clave de la asignatura: IFM 0416 Horas teoría-horas práctica-créditos: 3-2-8 2.- HISTORIA
Más detallesCómo leer este libro? PARTE 1. Android Wear CAPÍTULO 1. Introducción a Android Wear y las notificaciones... 19
Contenido Cómo leer este libro?... 15 PARTE 1. Android Wear... 17 CAPÍTULO 1. Introducción a Android Wear y las notificaciones... 19 1.2.1. Relojes inteligentes... 21 1.2.2. Pulseras... 21 1.2.3. Gafas
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Word 2013 LIBRO 2
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Word 2013 LIBRO 2 Contenido INTRODUCCIÓN... 3 OBJETIVOS... 3 ÍNDICE DE CONTENIDOS... 3 ILUSTRACIONES... 3
Más detallesProcesos Básicos del Pensamiento Sesión 7
Procesos Básicos del Pensamiento Sesión 7 7. Análisis, síntesis e interpretación. Los conceptos de análisis y síntesis se refieren a dos procesos mentales o actividades que son complementarias entre sí,
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 detalles2.1 Ingreso al Sistema Menú principal de Biótica... 45
ÍNDICE Generalidades y Convenciones...vii 1. Sistema de Información Biótica 1.1 Introducción... 1 1.2 Instalación de Biótica... 4 1.3 Migración de la base de datos de Biótica a MS SQL Server... 37 1.4
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesPENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO )
PENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO 2015-2016) CRITERIOS E INDICADORES Se detallan a continuación los criterios de evaluación junto con sus indicadores de contenidos asociados. Criterio 1: Identificar
Más detallesAnalista de Vibraciones Categoría 1 Monitoreo de Estado y Diagnóstico de Equipos
Analista de Vibraciones Categoría 1 Monitoreo de Estado y Diagnóstico de Equipos 5º Edición Analista de Vibraciones - Categoría 1 Monitoreo de Estado y Diagnóstico de Equipo Por Centro de Capacitación
Más detallesMatemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 2011/ ?
Matemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 011/1 1) (1 punto) Dado el subespacio vectorial,,,,,,,,,,, a) Obtener la dimensión, unas ecuaciones implícitas, unas
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 detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesSEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA
42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba Córdoba, Argentina SEGMENTACIÓN AUTOMÁTICA
Más detallesAlgoritmo de Euclides
Algoritmo de Euclides No es necesario realizar ensayo y error para determinar el inverso multiplicativo de un entero módulo n. Si el módulo que está siendo usado es pequeño hay algunas pocas posibilidades
Más detallesSistemas Biométricos para el aula nuestro de informática.
Sistemas Biométricos para el aula nuestro de informática. La "biometría informática" es la aplicación de técnicas matemáticas y estadísticas sobre los rasgos físicos o de conducta de un individuo, para
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 detallesTema 1.- Introducción a la Visión Artificial
Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad
Más detallesActiv. 1: Buscando figuras planas (1 sesión)
IES EL PASO MATEMÁTICAS 3º ESO INTRODUCCIÓN El interés por descubrir elementos geométricos en el entorno, despertará en el alumnado la inquietud por aspectos matemáticos intrínsecos. El material para el
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2017 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA. Contenido
TEMARIOS EXAMEN DE ADMISIÓN 2017 1 Básico 1.- Reconocimiento izquierda derecha 2.- Figuras geométricas 3.- Cuerpos geométricos 4.- Establecer patrones 5.- Secuencias temporales 6.- ordinales 7.- Reconocimiento
Más detallesAlcances de una cámara de video seguridad.
Alcances de una cámara de video seguridad. En muchas ocasiones los clientes nos piden una cámara de 20m de alcance, o de 100m de alcance. No vamos a encontrar dentro de las especificaciones de una cámara
Más detallesUniversidad Nacional de Córdoba Facultad de Ciencias Exactas, Físicas y Naturales Escuela de Biología Departamento de Física
Universidad Nacional de Córdoba Facultad de Ciencias Exactas, Físicas y Naturales Escuela de Biología Departamento de Física Carrera: Ciencias Biológicas Plan: 1990 Código de la Carrera: 261 Código de
Más detallesALGORITMOS DIGITALES II. Ing. Hugo Fdo. Velasco Peña Universidad Nacional 2006
ALGORITMOS DIGITALES II Ing. Hugo Fdo. Velasco Peña Universidad Nacional 2006 OBJETIVOS Conocer los principios básicos de los algoritmos. Establecer paralelos entre los algoritmos, los programas y las
Más detallesCAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN
CAPÍTULO 4. ANÁLISIS DE LA INFLUENCIA DEL INTERVALO DE TIEMPO UTILIZADO EN EL SEGUIMIENTO EN LOS RESULTADOS DE LA PREVISIÓN En este capítulo se analiza la influencia del intervalo de tiempo utilizado para
Más detallesFORMATO DE CONTENIDO DE CURSO PLANEACIÓN DEL CONTENIDO DE CURSO
FACULTAD DE: CIENCIAS DE LA EDUCACIÓN PROGRAMA DE: LICENCIATURA EN MATEMÁTICAS 1. IDENTIFICACIÓN DEL CURSO PLANEACIÓN DEL CONTENIDO DE CURSO NOMBRE : ALGEBRA LINEAL CÓDIGO : 22141 SEMESTRE : CUARTO NUMERO
Más detallesDISCIPLINAR Naturaleza: TI TEORICO - PRACTICA. Trabajo 3. Presencial 48. Habilitable NO
010-14-04 1 de 1. IDENTIFICACIÓN Nombre de la Asignatura: INVESTIGACIÓN DE OPERACIONES Código: 80503 Área: FORMACION DISCIPLINAR Naturaleza: No de Créditos: TP TD TI TEORICO - PRACTICA Trabajo Trabajo
Más detallesÍNDICE DE CONTENIDOS. sistema Los Subsistemas de la Empresa El entorno empresarial Funciones Directivas LA EMPRESA COMO SISTEMA. FUNCIONES DIRECTIVAS
ÍNDICE DE CONTENIDOS 1 2 3 4 5 6 Concepto y Propiedades de los Sistemas Tipología de los Sistemas Elementos Conceptuales de la empresa como sistema El entorno empresarial Funciones Directivas 1 Concepto
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesPHOTSHOP CS4 PARA RETOQUE FOTOGRÁFICO
PHOTSHOP CS4 PARA RETOQUE FOTOGRÁFICO Código Nombre Categoría DS_0011 PHOTOSHOP CS4 PARA RETOQUE FOTOGRÁFICO DISEÑO Duración 60 HORAS Modalidad ONLINE Audio SI Vídeo SI Objetivos EL ENTORNO DE TRABAJO
Más detallesINGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA
INGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA UNIDADES DE APRENDIZAJE 1. Competencias Automatizar procesos de producción mediante la implementación
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 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 detallesCORPORACIÓN UNIVERSITARIA REMINGTON
1 Programa: Asignatura: Contaduría Pública. Algebra Lineal. Nivel: 03 Créditos: 3 OBJETIVOS - Estudiar la representación matricial del modelo lineal para optimizar el manejo operativo del mismo. - Analizar
Más detallesITS-200 Innovative Training System
ITS-200 Innovative Training System Desarrolle sus habilidades con la última tecnología industrial en sensórica y servoaccionamientos En las siguientes TECNOLOGÍAS... CUADROS ELÉCTRICOS NEUMÁTICA VACÍO
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 detallesDESCRIPCIÓN ESPECÍFICA NÚCLEO: Núcleo Sector Comercio y Servicios.
DESCRIPCIÓN ESPECÍFICA NÚCLEO: Núcleo Sector Comercio y Servicios. SUBSECTOR: Informática y Comunicación. Nombre del Módulo: Lógica Computacional Código: CSTI0167 total: 60 horas Objetivo General: Resolver
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detalles3. Espacios de color. 3.Espacios de color. El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores:
3. Espacios de color El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores: El color es un poderoso descriptor que, en la mayoría de los casos simplifica la identificación
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 detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
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 detallesI. CONSIDERACIONES GENERALES
MATRIZ DE ESPECIFICACIONES DE LA PRUEBA NACIONAL DE SUFICIENCIA EN COMPRENSIÓN DE TEXTOS Y RAZONAMIENTO LÓGICO MATEMÁTICO PARA LA INCORPORACIÓN AL COLEGIO MAYOR SECUNDARIO PRESIDENTE DEL PERÚ I. CONSIDERACIONES
Más detallesTunascan. 3D Laser system Sistema de clasificación automática de túnidos
Se acabó el error humano. Primer escáner del mundo que clasifica los atunes por especie, talla y calidad Equipo autónomo. Clasifica piezas de entre menos de 1 kg y 80 kg a velocidades de hasta 50 toneladas
Más detalles28/08/2014-16:52:22 Página 1 de 5
- NIVELACION 1 MATEMATICA - NIVELACION FISICA - NIVELACION AMBIENTACION UNIVERSITARIA 1 - PRIMER SEMESTRE 71 REPRESENTACION GRAFICA 1 - PRIMER SEMESTRE 1 INTRODUCCION A LA INGENIERIA Para Cursarla debe
Más detallesCAPITULO 1 INTRODUCCION AL PROYECTO
CAPITULO 1 INTRODUCCION AL PROYECTO 1 INTRODUCCION AL PROYECTO 1.1 Marco Teórico Los procesadores digitales de señales ganaron popularidad en los años sesentas con la introducción de la tecnología de estado
Más detallesINGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES
INGENIERÍA EN ENERGÍAS RENOVABLES EN COMPETENCIAS PROFESIONALES ASIGNATURA DE DISEÑO DE SISTEMAS UNIDADES DE APRENDIZAJE 1. Competencias Desarrollar sistemas de Energía Renovable considerando las necesidades
Más detallesCURSO CORTO DE PHOTOSHOP CC
CURSO CORTO DE PHOTOSHOP CC JUSTIFICACIÓN: En este curso aprenderá a usar todas las herramientas para seleccionar partes de imágenes, y moverá, duplicara y redimensionara imágenes. Aprenderá a usar capas
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 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 detallesPROGRAMA DEL CURSO EXCEL 2013
EXCEL 2013 DESCRIPCIÓN: Excel 2013 es una aplicación que permite realizar hojas de cálculo que se encuentra integrada en el conjunto ofimático de programas Microsoft Office. Esto quiere decir que si ya
Más detallesTABLA DE CONTENIDO. POSICIONAMIENTO ESTRATÉGICO DE LA ORGANIZACIÓN Clientes, usuarios y beneficiarios... 23
TABLA DE CONTENIDO TABLA DE CONTENIDO... 5 INDICE DE ILUSTRACIONES... 11 INDICE DE TABLAS... 14 INTRODUCCIÓN... 17 Contexto del sistema de justicia criminal... 18 Contexto de la organización... 21 Análisis
Más detallesExpositor: Mauricio Galvez Legua
ó Expositor: Mauricio Galvez Legua mgl10may62@hotmail.com 1 Qué es la ó La Robótica es una ciencia aplicada que se ocupa del estudio, desarrollo y aplicaciones de los robots. El estudio de la robótica
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesAndres Felipe Rojas / Nancy Gelvez. UNESCO UNIR ICT & Education Latam Congress 2016
Distributed processing using cosine similarity for mapping Big Data in Hadoop (Procesamiento distribuido usando similitud de coseno para mapear Big Data en Haddop) Andres Felipe Rojas / Nancy Gelvez UNESCO
Más detallesSISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS
IIC3712 GESTIÓN de las TEC. de INFORMACIÓN SISTEMAS DE APOYO A LA TOMA DE DECISIONES : DSS y EIS Ignacio Casas R. Escuela de Ingeniería Pontificia Universidad Católica de Chile Mayo, 2002 Qué es la Toma
Más detallesSeñales y Sistemas. Señales y Clasificación Sistemas y Clasificación Respuesta al impulso de los sistemas. 5º Curso-Tratamiento Digital de Señal
Señales y Sistemas Señales y Clasificación Sistemas y Clasificación Respuesta al impulso de los sistemas Señales El procesamiento de señales es el objeto de la asignatura, así que no vendría mal comentar
Más detalles3. Clasificación no supervisada
3. El presente capítulo y el siguiente tratan de clasificación, es por ello que antes de abordar el tema específico de este capítulo, previamente se hará una introducción al tema de clasificación. 3.1
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 detallesUnidad I: Introducción a las estructuras de datos
Unidad I: Introducción a las estructuras de datos 1.1 Tipos de datos abstractos (TDA) Los tipos de datos abstractos (TDA) encapsulan datos y funciones que trabajan con estos datos. Los datos no son visibles
Más detallesCompras Solicitudes de compra y Asistente de ofertas de compra SAP Business One, Versión 9.1
Compras Solicitudes de y Asistente de ofertas de SAP Business One, Versión 9.1 Objetivos Al finalizar este módulo, podrá realizar lo siguiente: Crear solicitudes de y ofertas de Utilizar el asistente de
Más detallesT7. PROGRAMACIÓN LINEAL
T7. PROGRAMACIÓN LINEAL MATEMÁTICAS PARA 4º ESO MATH GRADE 10 (=1º BACHILLERATO EN ATLANTIC CANADA) CURRÍCULUM MATEMÁTICAS NOVA SCOTIA ATLANTIC CANADA TRADUCCIÓN: MAURICIO CONTRERAS PROGRAMACIÓN LINEAL
Más detallesTEMARIO CURSO PHOTOSHOP CS4 RETOQUE FOTOGRÁFICO
TEMARIO CURSO PHOTOSHOP CS4 RETOQUE FOTOGRÁFICO LECCIÓN 1 El entorno de trabajo LECCIÓN 2 1. Introducción 2. Requisitos del sistema 3. Abrir el programa 4. Cerrar el programa 5. Interfaz de Photoshop CS4
Más detallesMapa Curricular / Matemáticas Quinto Grado
ESTADO LIBRE ASOCIADO DE PUERTO RICO DEPARTAMENTO DE EDUCACIÓN Programa de Matemáticas Mapa Curricular / Matemáticas Quinto Grado Estándar, Dominio UNIDAD I : Conociendo más los números y las operaciones
Más detallesUNIVERSIDAD NACIONAL DE ITAPÚA FACULTAD DE HUMANIDADES, CIENCIAS SOCIALES Y CULTURA GUARANÍ
I. IDENTIFICACIÓN PROGRAMA DE ESTUDIOS CARRERA: Licenciatura en Ciencias de la Educación con énfasis en Matemática ASIGNATURA: Informática II CURSO: 2 PRE REQUISITO: Informática I CARGA HORARIA: Semanales:
Más detalles