SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario
|
|
- Julián Montero Ojeda
- hace 6 años
- Vistas:
Transcripción
1 TASS 2017: Workshop on Semantic Analysis at SEPLN, septiembre 2017, págs SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario SINAI in TASS 2017: tweet polarity classification integrating user information M. García-Vega, A. Montejo-Ráez, M.C. Díaz-Galiano, S.M. Jiménez-Zafra Universidad de Jaén Jaén (Spain) Resumen: Este artículo describe el sistema de clasificación de la polaridad utilizado por el equipo SINAI en la tarea 1 del taller TASS En esta edición hemos explorado dos nuevas soluciones al problema de la clasificación de polaridad en Español, con lo que se han llevado a cabo tres experimentos: clasificación con SVM sobre vectores de palabras, mismo que en el anterior pero integrando vectores de palabras generados a partir de la historia del usuario, y una nueva propuesta aplicando una estructura de red neuronal profunda. Los resultados indican que la primera propuesta es la mejor. Palabras clave: Análisis de sentimientos, clasificación de la polaridad, deeplearning, vectores de palabras, perfil de usuario Abstract: This paper introduces the polarity classification system used by the SI- NAI team for the task 1 at the TASS 2017 workshop. This year, we have tried two new approaches to the polarity classification problem in Spanish, so three experiments have been accomplished: SVM classification over word embeddings, same as before, but adding word embeddings from user s timeline, and a new approach applying a neural network with a deep architecture. Results show that the first approach is the best. Keywords: Sentiment analysis, polarity classification, deep learning, word embeddings, user profile 1 Introducción En este trabajo describimos las aportaciones realizadas para participar en la tarea 1 del taller TASS (Sentiment Analysis at global level), en su edición de 2017 (Martínez-Cámara et al., 2017), si bien este año se facilita una nueva colección para la tarea 1 (clasificación de polaridad a nivel de tweet), con 1008 tweets de entrenamiento, 506 tweets de desarrollo y 1899 tweets de test. Nuestro trabajo mantiene las técnicas aplicadas en el TASS 2014 (Montejo-Ráez, García-Cumbreras, y Díaz-Galiano, 2014), 2015 (Díaz-Galiano y Montejo-Ráez, 2015) y TASS 2016 (Montejo- Ráez y Díaz-Galiano, 2016) utilizando aprendizaje profundo para representar el texto mediante vectores de palabras. Para ello utilizamos el método Word2Vec, ya que ha obtenido los mejores resultados en años anteriores, si bien este año hemos utilizado, en lugar de Wikipedia para el modelo de vectores ISSN de palabras, el Spanish Billion Words Corpus and Embeddings (SBWCE 1 ) preparado por Cristian Cardellino (Cardellino, 2016). Por lo tanto, generamos un vector de pesos para cada palabra del tweet utilizando Word2Vec, y realizamos la media de dichos vectores para obtener una única representación vectorial. Nuestros resultados demuestran que el rendimiento del sistema de clasificación puede verse sensiblemente mejorado gracias a la introducción de estos datos en la generación del modelo de palabras, no así en el entrenamiento del clasificador de polaridad final. La tarea del TASS en 2017 denominada Sentiment Analysis at global level consiste en el desarrollo y evaluación de sistemas que determinan la polaridad global de cada tweet del corpus general. Los sistemas presentados deben predecir la polaridad de cada tweet uti- 1 Puede descargarse desde Copyright 2017 by the paper's authors. Copying permitted for private and academic purposes.
2 M. García-Vega, A. Montejo-Ráez, M. C. Díaz-Galiano, S. M. Jiménez-Zafra lizando 4 etiquetas de clase (P, N, NEU, NO- NE). El resto del artículo está organizado de la siguiente forma. El apartado 2 describe el estado del arte de los sistemas de clasificación de polaridad en español, con una revisión breve a las distintas ediciones de TASS. A continuación, se describe el sistema desarrollado y en el apartado 4 los experimentos realizados, los resultados obtenidos y el análisis de los mismos. Finalmente, en el último apartado exponemos las conclusiones y el trabajo futuro. 2 Clasificación de la polaridad en español La mayor parte de los sistemas de clasificación de polaridad están centrados en textos en inglés. Para textos en español, el sistema más completo, en cuanto a técnicas lingüísticas aplicadas, posiblemente sea The Spanish SO Calculator (Brooke, Tofiloski, y Taboada, 2009), que además de resolver la polaridad de los componentes clásicos (adjetivos, sustantivos, verbos y adverbios) trabaja con modificadores como la detección de negación o los intensificadores. Los algoritmos de aprendizaje profundo (deep-learning en inglés) están dando buenos resultados en tareas que parecían haberse estancado (Bengio, 2009). Estas técnicas también son de aplicación en el procesamiento del lenguaje natural (Collobert y Weston, 2008), e incluso ya existen sistemas orientados al análisis de sentimientos, como el de Socher et al. (Socher et al., 2011). Los algoritmos de aprendizaje automático no son nuevos, pero sí están resurgiendo gracias a una mejora de las técnicas y la disposición de grandes volúmenes de datos necesarios para su entrenamiento efectivo. En la edición de TASS en 2012 el equipo que obtuvo mejores resultados (Saralegi Urizar y San Vicente Roncal, 2012) presentaron un sistema completo de preprocesamiento de los tweets y aplicaron un lexicón derivado del inglés para establecer la polaridad de los tweets. Sus resultados eran robustos en granularidad fina (65 % de accuracy) y gruesa (71 % de accuracy). En la edición de TASS en 2013 el mejor equipo (Fernández et al., 2013) tuvo todos sus experimentos en el top 10 de los resultados, y la combinación de ellos alcanzó la primera posición. Presentaron un sistema con 92 dos variantes: una versión modificada del algoritmo de ranking (RA-SR) utilizando bigramas, y una nueva propuesta basada en skipgrams. Con estas dos variantes crearon lexicones sobre sentimientos y los utilizaron junto con aprendizaje automático (SVM) para detectar la polaridad de los tweets. En 2014 el equipo con mejores resultados en TASS se denominaba ELiRF-UPV (Hurtado y Pla, 2014). Abordaron la tarea como un problema de clasificación, utilizando SVM. Utilizaron una estrategia uno-contratodos donde entrenan un sistema binario para cada polaridad. Los tweets fueron tokeninizados para utilizar las palabras o los lemas como características y el valor de cada característica era su coeficiente tf-idf. Posteriormente realizaron una validación cruzada para determinar el mejor conjunto de características y parámetros a utilizar. El equipo ELiRF-UPV (Hurtado, Pla, y Buscaldi, 2015) volvió a obtener los mejores resultados en la edición de TASS 2015 con una técnica muy similar a la edición anterior (SVM, tokenización, clasificadores binarios y coeficientes tf-idf). En este caso utilizaron un sistema de votación simple entre un mayor número de clasificadores con parámetros distintos. Los mejores resultados los obtuvieron con un sistema que combinaba 192 sistemas SVM con configuraciones diferentes, utilizando un nuevo sistema SVM para realizar dicha combinación. Tal y como se refleja en el resumen de las actas (García-Cumbreras et al., 2016), los sistemas en la edición de 2016 mantuvieron una técnica similar a ediciones anteriores, optando por metaclasificadores (combinación de clasificadores) basados en clasificadores con distintas configuraciones, como el equipo ELiRF-UPV (Hurtado y Pla, 2016), el cual vuelve a proponer el mejor sistema un año más. Otro aspecto a destacar es que comienza a ser más habitual el uso de vectores de palabras como características de entrada. Si bien, el uso de arquitecturas profundas de redes neuronales no ha llegado a plantear, hasta ahora, sistemas como los que pueden verse con normalidad en competiciones como SemEval (Rosenthal, Farra, y Nakov, 2017), donde el uso de redes recurrentes como LSTM o redes convolucionales son práctica común y han logrado los mejores resultados (Cliche, 2017).
3 SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario 3 Descripción del sistema 3.1 Experimento 1: vectores de palabras con SVM (w2v-nouser) Word2Vec 2 es una implementación de la arquitectura de representación de las palabras mediante vectores en el espacio continuo, basada en bolsas de palabras o n-gramas concebida por Tomas Mikolov y sus colaboradores (Mikolov et al., 2013). Su capacidad para capturar la semántica de las palabras queda comprobada en su aplicabilidad a problemas como la analogía entre términos o el agrupamiento de palabras. El método consiste en proyectar las palabras a un espacio n-dimensional, cuyos pesos se determinan a partir de una estructura de red neuronal mediante un algoritmo recurrente. El modelo se puede configurar para que utilice una topología de bolsas de palabras (CBOW) o skipgram, muy similar al anterior, pero en la que se intenta predecir los términos acompañantes a partir de un término dado. Con estas topologías, si disponemos de un volumen de textos suficiente, esta representación puede llegar a capturar la semántica de cada palabra. El número de dimensiones (longitud de los vectores de cada palabra) puede elegirse libremente. Para el cálculo del modelo Word2Vec hemos recurrido al software indicado, creado por los propios autores del método. Tal y como se ha indicado, para obtener los vectores Word2Vec representativos para cada palabra hay que generar un modelo a partir de un volumen de texto grande. Para ello, hemos utilizado el corpus SBWCE (Cardellino, 2016), que consiste en un recopilación de textos desde diversos corpus y fuentes (Wikipedia, Ancora, OPUS Project...) con un total de casi millones de palabras. Hemos utilizado el modelo que facilita este autor, que ha sido generado con los siguientes parámetros de Word2Vec: Modelo skip-gram con negative-sampling Mínima frecuencia de palabra de 5 El valor para las palabras ruido en negative-sampling es de 20 Las 273 palabras más comunes fueron reducidas 2 El número de dimensiones finales de los vectores de palabras es de 300 De esta forma, a diferencia de nuestras propuestas anteriores, optamos por un modelo de vectores de palabras ya preparado. En cualquier caso, seguimos representando cada tweet con el vector resultado de calcular la media de los vectores Word2Vec de cada palabra en el tweet y su desviación típica (por lo que cada vector de palabras por modelo es de 600 dimensiones). Se lleva a cabo una simple normalización previa sobre el tweet, eliminando repetición de letras y poniendo todo a minúsculas. La segunda fase de entrenamiento utiliza el algoritmo SVM y se entrena con la colección de entrenamiento facilitada por la organización, a diferencia de la colección de tweets con emoticonos usada en 2016 (Montejo-Ráez y Díaz-Galiano, 2016). De nuevo, la implementación de SVM utilizada es la basada en kernel lineal con entrenamiento SGD (Stochastic Gradient Descent) proporcionada por la biblioteca Sci-kit Learn 3 (Pedregosa et al., 2011). 3.2 Experimento 2: integrando información de usuario (w2v-user) Como segundo experimento hemos llevado a cabo una recopilación de los timeline de los usuarios. De esta forma, obtenemos mediante el uso de la API de Twitter los 200 últimos tweets de ese usuario. Con estos microtextos generamos un texto completo sobre el que calculamos también el vector de palabras medio. Esta información se concatena a los vectores de palabras de cada tweet en entrenamiento, desarrollo y test. Indicar que en nuestros experimentos hemos usado tanto la partición de entrenamiento como de desarrollo como un único conjunto de entrenamiento. De esta manera, tenemos vectores de dimensiones (300 de la media de los vectores de cada palabra, 300 de las desviaciones típicas de esas dimensiones y, de igual forma, otro par de 300 más 300 asociado al histórico reciente del usuario). Nuestra pretensión con este sistema es incorporar a los usuarios en el entrenamiento, creando un modelo para cada uno de ellos, que vendrá expresado en w2v con su vocabulario y expresiones, concatenando estas componentes con el vector del tweet que se intenta etiquetar, como for
4 M. García-Vega, A. Montejo-Ráez, M. C. Díaz-Galiano, S. M. Jiménez-Zafra ma para reconocerlos en los tweets y afinar el modelo a los propios usuarios. 3.3 Experimento 3: probando una arquitectura profunda completa (embed-rnn y tfidf-rnn) Como tercer experimento hemos realizado una primera implementación de una red neuronal profunda sencilla. Para ello hemos utilizado la biblioteca de deep learning para Python denominada Keras 4. Nuestra red neuronal se alimenta directamente de los textos de los tweets, con una primera capa que calcula los vectores de palabras, una segunda que utiliza una red recurrente LSTM clásica tal y como está definida en (Hochreiter y Schmidhuber, 1997). Hemos realizado 50 iteraciones (epochs) con un tamaño de batch igual a 32. La red se ha entrenado en pocos segundos. La capa final que genera las polaridades es una capa totalmente conectada (dense layer) con cuatro nodos, uno por clase (P, N, NEU, NONE), con una función de activación softmax de tal forma que el peso en cada neurona de salida es equivalente a la probabilidad de pertenencia a la clase que la red asigna el texto de entrada. En la Figura 1 puede verse la configuración completa de la red propuesta. Figura 1: Topología de la red neuronal profunda La red así configurada se ha entrenado mediante el método de optimización estocástico por grandiente ADAM (Kingma y Ba, 2014), que es muy eficiente desde el punto de vista computacional. Dado que no es viable entrenar una capa de vectores de palabras (word embeddings) con tan pocos datos, hemos realizado una se gunda implementación introduciendo directamente a la red LSTM atributos obtenidos siguiendo un modelo clásico TF.IDF. Este experimento es el que hemos denominado tfidfrnn. 4 Resultados obtenidos Los resultados según las medidas de Accuracy y Macro F1 obtenidas se muestran en la Tabla 1. Nuestro mejor resultado (w2v-nouser) ocupa la posición 16 del total de 48 runs enviados por todos los participantes. Experimento Accuracy Macro-F1 w2v-nouser 57,5 % 44,2 % w2v-user 56,9 % 42,8 % embed-rnn 33,3 % 39,1 % tfidf-rnn 40,4 % 14,4 % Tabla 1: Resultados obtenidos sobre la colección InterTASS La introducción de características de usuario (w2v-user) no ha mejorado los resultados con respecto a w2v-nouser, aunque tampoco ha llevado a un empeoramiento significativo de los mismos. Consideramos que, tal y como se han generado los vectores de usuario (ver descripción en la Sección 3.3), estas características añaden algo de ruido, en lugar de permitir al clasificador afinar sobre la decisión de polaridad final. Como comentamos en las conclusiones, queremos seguir estudiando la mejor forma de incorporar la información de usuario en el vector de tweet, pues en otros trabajos esto sí ha llevado a una mejoría del sistema (García-Cumbreras, Montejo-Ráez, y Díaz-Galiano, 2013). Tal vez sea conveniente una fórmula que sintetice mejor el carácter del autor. Con respecto al uso de arquitecturas profundas en redes neuronales, no encontramos tampoco una mejoría con respecto al primer experimento. En este caso, dadas las características de estas redes, consideramos que el motivo es la escasa información utilizada para su entrenamiento, con poco más de 1500 tweets. Esto se evidencia al descartar la primera capa, en la que se entrenan los vectores de palabras, y sustituirla directamente por los pesos TF.IDF. La capa LSTM, no obstante, puede que no haya sido capaz de entrenarse adecuadamente. Una posible solución a esto es entrenar esa capa con más textos (un corpus de tweets mayor) y luego reajustarla con los datos de entrenamiento.
5 SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario Al revisar las matrices de confusión para cada experimento encontraremos que los cuatro sistemas propuestos tiene principalmente dificultades con la etiqueta NEU (neutral). Esto puede entenderse desde el punto de vista semántico, ya que esta etiqueta indica que hay una opinión en el tweet (es decir, una carga emocional determinada) pero que dicha opinión no es claramente positiva o negativa. La relativa ambigüedad de esta etiqueta es una dificultad y un reto para los algoritmos expuestos. 5 Conclusiones y trabajo futuro La experiencia que ganamos en la edición anterior nos desaconsejaba usar la colección de tweets etiquetada con emoticonos, además, ante la disponibilidad de una nueva colección en esta edición del TASS, hemos optado por descartar esa posibilidad. Sí que también nos resultó interesante la incorporación de texto no formal (tweets) para la generación de los modelos de palabras en los experimentos de Hemos optado por usar sólo el modelo de SBWCE dado su tamaño, si bien los textos no son tan informales como los que pueden obtenerse con una recopilación de Twitter. Nos planteamos esta posibilidad para el año que viene usando, por ejemplo, alguno de los modelos ya generados como el de Godin y sus colaboradores (Godin et al., 2015). En el proceso de análisis de los resultados, reflexionamos sobre la viabilidad de usar otros tipos de medidas de agregación diferentes a la media. Consideramos que hacer una media aritmética sobre los vectores de todas las palabras de un tweet puede no ser lo deseable según se trate de obtener un vector representativo del tweet o representativo del usuario. Puede que, de nuevo, una red neuronal sea capaz de representar al usuario, usándola como transductor. Sí que hemos realizado una primera exploración en arquitecturas profundas, tal y como nos propusimos en la participación anterior como tarea pendiente, pero los resultados no son prometedores. Esto era de esperar, sobre todo en la primera capa de la red neuronal en la que se calculan los vectores de palabras, ya que una colección de poco más de tweets es claramente insuficiente para entrenar este tipo de redes, donde el uso de gigabytes de texto son la práctica habitual. Para ello, tenemos como experimento 95 a realizar en breve el alimentar la red neuronal implementada con Keras directamente con los vectores de palabras que obtenemos de SBWCE. Agradecimientos Este estudio está parcialmente financiado por el proyecto TIN C2-1-R otorgado por el Ministerio de Economía y Competitividad y por el Ministerio de Educación, Cultura y Deporte (MECD - ayuda FPU014/00983) del Gobierno de España. Bibliografía Bengio, Yoshua Learning deep architectures for ai. Foundations and trends in Machine Learning, 2(1): Brooke, Julian, Milan Tofiloski, y Maite Taboada Cross-linguistic sentiment analysis: From english to spanish. En Galia Angelova Kalina Bontcheva Ruslan Mitkov Nicolas Nicolov, y Nikolai Nikolov, editores, RANLP, páginas RANLP 2009 Organising Committee / ACL. Cardellino, Cristian Spanish Billion Words Corpus and Embeddings, March. Cliche, Mathieu Bb twtr at semeval task 4: Twitter sentiment analysis with cnns and lstms. En Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), páginas , Vancouver, Canada, August. Association for Computational Linguistics. Collobert, Ronan y Jason Weston A unified architecture for natural language processing: Deep neural networks with multitask learning. En Proceedings of the 25th International Conference on Machine Learning, ICML 08, páginas , New York, NY, USA. ACM. Díaz-Galiano, M.C. y A. Montejo-Ráez Participación de SINAI DW2Vec en TASS En In Proc. of TASS 2015: Workshop on Sentiment Analysis at SEPLN. CEUR-WS.org, volumen Fernández, Javi, Yoan Gutiérrez, José M. Gómez, Patricio Martínez-Barco, Andrés Montoyo, y Rafael Muñoz Sentiment analysis of spanish tweets using a ranking algorithm and skipgrams. En In Proc. of the TASS workshop at SEPLN 2013.
6 M. García-Vega, A. Montejo-Ráez, M. C. Díaz-Galiano, S. M. Jiménez-Zafra García-Cumbreras, Miguel Ángel, Arturo Montejo-Ráez, y Manuel Carlos Díaz- Galiano Pessimists and optimists: Improving collaborative filtering through sentiment analysis. Expert Systems with Applications, 40(17): García-Cumbreras, Miguel Ángel, Julio Villena-Román, Eugenio Martínez- Cámara, Manuel Carlos Díaz-Galiano, M a. Teresa Martín-Valdivia, y L. Alfonso Ureña-López Overview of tass En Proceedings of TASS 2016: Workshop on Sentiment Analysis at SEPLN co-located with the 32nd SEPLN Conference (SEPLN 2016), Salamanca, Spain, September. Godin, Fréderic, Baptist Vandersmissen, Wesley De Neve, y Rik Van de Walle Multimedia lab@ acl w-nut ner shared task: named entity recognition for twitter microposts using distributed word representations. ACL-IJCNLP, 2015: Hochreiter, Sepp y Jürgen Schmidhuber Long short-term memory. Neural computation, 9(8): Hurtado, Lluís F y Ferran Pla Elirfupv en tass 2014: Análisis de sentimientos, detección de tópicos y análisis de sentimientos de aspectos en twitter. En In Proc. of the TASS workshop at SEPLN Hurtado, Lluís-F y Ferran Pla Elirfupv en tass 2016: Análisis de sentimientos en twitter. En TASS@ SEPLN, páginas Hurtado, Lluís-F, Ferran Pla, y Davide Buscaldi Elirf-upv en tass 2015: Análisis de sentimientos en twitter. En In Proc. of TASS 2015: Workshop on Sentiment Analysis at SEPLN. CEUR-WS.org, volumen 1397, páginas Kingma, Diederik P. y Jimmy Ba Adam: A method for stochastic optimization. CoRR, abs/ Martínez-Cámara, Eugenio, Manuel C. Díaz- Galiano, Miguel Á. García-Cumbreras, Manuel García-Vega, y Julio Villena- Román Overview of tass En Julio Villena Román M. Ángel 96 García Cumbreras Eugenio Martínez- Cámara M. Carlos Díaz Galiano, y Manuel García Vega, editores, Proceedings of TASS 2017: Workshop on Semantic Analysis at SEPLN (TASS 2017), volumen 1896 de CEUR Workshop Proceedings, Murcia, Spain, September. CEUR- WS. Mikolov, Tomas, Kai Chen, Greg Corrado, y Jeffrey Dean Efficient estimation of word representations in vector space. CoRR, abs/ Montejo-Ráez, Arturo y Manuel Carlos Díaz- Galiano Participación de sinai en tass En TASS@ SEPLN, páginas Montejo-Ráez, A., M.A. García-Cumbreras, y M.C. Díaz-Galiano Participación de SINAI Word2Vec en TASS En In Proc. of the TASS workshop at SEPLN Pedregosa, Fabian, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, y others Scikit-learn: Machine learning in python. The Journal of Machine Learning Research, 12: Rosenthal, Sara, Noura Farra, y Preslav Nakov Semeval-2017 task 4: Sentiment analysis in twitter. En Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), páginas , Vancouver, Canada, August. Association for Computational Linguistics. Saralegi Urizar, Xabier y Iñaki San Vicente Roncal Tass: Detecting sentiments in spanish tweets. En TASS 2012 Working Notes. Socher, Richard, Jeffrey Pennington, Eric H. Huang, Andrew Y. Ng, y Christopher D. Manning Semi-supervised recursive autoencoders for predicting sentiment distributions. En Proceedings of the Conference on Empirical Methods in Natural Language Processing, EMNLP 11, páginas , Stroudsburg, PA, USA. Association for Computational Linguistics.
UNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
SINAI-EMMA: Vectores de Palabras para el Análisis de Opiniones en Twitter
TASS 2015, septiembre 2015, pp 41-46 recibido 20-07-15 revisado 24-07-15 aceptado 27-07-15 SINAI-EMMA: Vectores de Palabras para el Análisis de Opiniones en Twitter SINAI-EMMA: Vectors of words for Sentiment
Detección del lenguaje figurativo e ironía en textos cortos
Detección del lenguaje figurativo e ironía en textos cortos Patricia Espinoza, Darnes Vilariño, Mireya Tovar, and Beatríz Beltrán Benemérita Universidad Autónoma de Puebla, Facultad de Ciencias de la Computación,
Comparativa de Aproximaciones a SVM Semisupervisado Multiclase para Clasificación de Páginas Web
Comparativa de Aproximaciones a SVM Semisupervisado Multiclase para Clasificación de Páginas Web A Comparison of Approaches to Semi-supervised Multiclass SVM for Web Page Classification Arkaitz Zubiaga,
License Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Proyecto Final: Representación de Palabras Mediante Vectores
Fundamentos de Aprendizaje Automático Proyecto Final: Representación de Palabras Mediante Vectores Cristian A Cardellino 17 de Noviembre de 2015 Resumen El presente reporte sirve como guía de seguimiento
Tema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Aprendizaje 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
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Aprendizaje 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
Integrando Información de Fuentes Relevantes para un Sistema Recomendador
Integrando Información de Fuentes Relevantes para un Sistema Recomendador Silvana Aciar, Josefina López Herrera and Javier Guzmán Obando Agents Research Laboratory University of Girona {saciar, jguzmano}@eia.udg.es,
Ensemble algorithm with syntactical tree features to improve the opinion analysis
TASS 2015, septiembre 2015, pp 53-58 recibido 20-07-15 revisado 24-07-15 aceptado 29-07-15 Ensemble algorithm with syntactical tree features to improve the opinion analysis Algoritmo de ensamble con introducción
Introducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
GUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
Un estudio cualitativo de la percepción docente acerca del clima organizacional en la BUAP
Un estudio cualitativo de la percepción docente acerca del clima organizacional en la BUAP M A U R I C I O C A S T R O C A R D O N A 1, D A V I D E D U A R D O P I N T O A V E N D A Ñ O 1, M A R T H A
EI MT1008 Programación II
GRADO EN INGENIERÍA INFORMÁTICA GRADO EN MATEMÁTICA COMPUTACIONAL EI1008 - MT1008 Programación II Curso 2010-2011 Departamento de Lenguajes y Sistemas Informáticos 1. Datos de la asignatura Carácter: Formación
MINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER. Resumen
MINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER Resumen El objetivo del presente estudio fue encontrar la similitud entre textos para asociar reclamos y determinar si estos
IIC Sistemas Recomendadores
Filtrado Basado en Contenido II IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 22 TOC En esta clase 1. Representación y Aprendizaje del Modelo de Usuario 1.
Raúl
Raúl Garreta @raulgarreta Subárea de Inteligencia Artificial, Ciencias de la Computación. Estudia métodos que permitan a las máquinas interactuar con las personas mediante lenguaje natural. Poder extraer
esolhotel: Generación de un lexicón de opinión en español adaptado al dominio turístico
Procesamiento del Lenguaje Natural, Revista nº 54, marzo de 2015, pp 21-28 recibido 24-10-14 revisado 27-01-15 aceptado 12-02-15 esolhotel: Generación de un lexicón de opinión en español adaptado al dominio
David Jordi Vallet Weadon. <david.vallet@uam.es>
David Jordi Vallet Weadon 1 Introducción Durante las últimas décadas, la personalización ha sido aplicada en diferentes campos de la informática, tanto en la rama científica como
CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México Índice general Resumen...vii Resum... ix Summary... xi Índice de
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP)
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP) Mª Carmen García y Javier Garzás www.kybeleconsulting.com 1. INTRODUCCIÓN El método de Punto de Caso de Uso (UCP - Use Case Point), está basado en los tradicionales
UNIVERSIDAD DE OVIEDO
UNIVERSIDAD DE OVIEDO ESCUELA DE INGENIERÍA INFORMÁTICA TRABAJO FIN DE MASTER JMPlib: Librería de Intercesión Estructural para Java DIRECTOR: Jose Manuel Redondo López Francisco Ortín Soler AUTOR: Ignacio
Modelos para detectar la polaridad de los mensajes en redes sociales
Modelos para detectar la polaridad de los mensajes en redes sociales Yuvila M. Sanzón, Darnes Vilariño, María J. Somodevilla, Claudia Zepeda, Mireya Tovar Benemérita Universidad Autónoma de Puebla, Facultad
Inteligencia Artificial. Grado en INFORMÁTICA 4º curso. Modalidad: Presencial
Grado en INFORMÁTICA 4º curso Modalidad: Presencial Sumario Datos básicos 3 Breve descripción de la asignatura 4 Requisitos previos 4 Objetivos 4 Competencias 5 Contenidos 6 Metodología 6 Criterios de
CONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA
CONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA Alumna: Sara García- Mina Martínez Tutor: Marta Gómez Barrero
Curso. Lingüística Aplicada III (Procesamiento inteligente de textos)
Curso Lingüística Aplicada III (Procesamiento inteligente de textos) DURACIÓN: 80 horas AUTOR DEL PROGRAMA: Dr. Alexander Gelbukh, Dr. Grigori Sidorov OBJETIVO GENERAL Describir que tipos de sistemas de
Evaluación de la revisión de transcripciones y traducciones automáticas de vídeos polimedia *
Congreso In-Red 2015 Universitat Polit`ecnica de Val`encia Doi: http://dx.doi.org/10.4995/inred2015.2015.1574 Evaluación de la revisión de transcripciones y traducciones automáticas de vídeos polimedia
Se definen los siguientes objetivos que se extraen de la propuesta anteriormente planteada:
Anexo Introducción Esta herramienta desarrollada junto con toda la información que se ha generado pertenece a un proyecto real. Este desarrollo se incluye en el proyecto MAVSEL (Minería, Análisis y Visualización
Identificación de polaridad en textos en español basada en la creación de un léxico afectivo
Centro Nacional de Investigación y Desarrollo Tecnológico Identificación de polaridad en textos en español basada en la creación de un léxico afectivo Ponente: Yolanda Raquel Baca Gómez Dra. Alicia Martínez
Hacia una Lógica de Incorporación de los Medios Digitales en la Enseñanza Proyectual.
142 Hacia una Lógica de Incorporación de los Medios Digitales en la Enseñanza Proyectual. Jaime Díaz Bonilla bonilla@uchile.cl Hernán Marchant Montenegro marchant@uchile.cl Mariana Vergara Henríquez mariverh@yahoo.es
Reducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Una aproximación supervisada para la minería de opiniones sobre tuits en español en base a conocimiento lingüístico
Una aproximación supervisada para la minería de opiniones sobre tuits en español en base a conocimiento lingüístico A supervised approach to opinion mining on Spanish tweets based on linguistic knowledge
iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain)
iclef-2002 at Universities of Alicante and Jaen University of Alicante (Spain) ! Introduction! Passage Retrieval Systems! IR-n system! IR-n system at iclef-2002! Conclusions and Future works ! Introduction!
EXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA
EXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA José Antonio Rubio García, José Manuel Pardo Muñoz, Ricardo de Córdoba Herralde, Javier Macías Guarasa Grupo de Tecnología
Aplicaci n de los Mapas Autoorganizativos al campo de la Documentaci n
Aplicaci n de los Mapas Autoorganizativos al campo de la Documentaci n SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Introducci n Objetivo: Cubrir necesidades de: Organizar, explorar y buscar
Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés
Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica
Universidad 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
ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA. Some interesting results of the measurement theory
Scientia et Technica Año XVII, No 47, Abril 2011 Universidad Tecnológica de Pereira ISSN 0122-1701 190 ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA Some interesting results of the measurement
ESCUELA DE CIENCIAS ADMINISTRATIVAS, CONTABLES, ECONÓMICAS Y DE NEGOCIOS 107030 Mercados de Capitales, riesgos y coberturas en ámbitos mundiales
GUIA DE ACTIVIDADES Fecha de Inicio: Semana 5. Fecha de Cierre: Semana 8. Peso Evaluativo: 60 Puntos. Tipo de Actividad: Colaborativa. Objetivo General de la actividad: Identificar los análisis en que
GRABACIÓN AUTOMATIZADA DE CLASES MAGISTRALES: EL PROYECTO VIDEOAPUNTES DE LA UPV
GRABACIÓN AUTOMATIZADA DE CLASES MAGISTRALES: EL PROYECTO VIDEOAPUNTES DE LA UPV Carlos Turró 1, Jaime Busquets 2 1,2 Área de Sistemas de Información y Comunicaciones. Universitat Politécnica de València
Conceptos de Algoritmos, Datos y Programas
Conceptos de Algoritmos, Datos y Programas Año 2015 Carreras: Lic. en Informática P2015 Lic. en Sistemas P2015 APU P2015 Año: 1 Duración: Cuatrimestral Coordinador: Ing. Armando De Giusti Profesores: Esp.
Clasificación de polaridad en textos con opiniones en español mediante análisis sintáctico de dependencias
Clasificación de polaridad en textos con opiniones en español mediante análisis sintáctico de dependencias Polarity classification of opinionated Spanish texts using dependency parsing David Vilares, Miguel
Introducción 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
Impacto de la ironía en la minería de opiniones basada en un léxico afectivo
Impacto de la ironía en la minería de opiniones basada en un léxico afectivo Yolanda Raquel Baca-Gómez a, Delia Irazú Hernández Farías b, Paolo Rosso b, Noé Alejandro Castro-Sánchez a, Alicia Martínez
Precisión del estado del arte. Paso imprescindible para poder escribir un artículo para una revista indexada.
Precisión del estado del arte. Paso imprescindible para poder escribir un artículo para una revista indexada. Jorge. A. González Alonso, Yudeisy Pérez González Resumen Se discute, a partir de los primeros
CRITERIOS 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,
Detección de subjetividad en noticias en línea publicadas en español utilizando clasificadores probabilísticos
Detección de subjetividad en noticias en línea publicadas en español utilizando clasificadores probabilísticos Noé Alejandro Castro-Sánchez 1, Sadher Abelardo Vázquez-Cámara 1 y Grigori Sidorov 2 1 Centro
Núcleo Académico Básico
Núcleo Académico Básico El Núcleo Académico Básico de la Maestría en Ciencias de la Computación está integrado por: 1. Betania Hernández Ocaña Doctora en Ciencias de la Computación con mención honorífica
Desambiguación Léxica de Sustantivos usando la Web
Desambiguación Léxica de Sustantivos usando la Web Aarón Pancardo-Rodríguez, Manuel Montes-y-Gómez,2, Paolo Rosso 2, Davide Bucaldi 3, Luis Villaseñor-Pineda Laboratorio de Tecnologías del Lenguaje Instituto
Nelson Londoño Ospina. Juan Bautista Martínez Suárez. Nelson David Muñoz Ceballos. Ingeniero Electrónico. Gerente unidad de negocios De-
4 Recibido 20 de septiembre de 2006, aprobado 30 de noviembre de 2006. Juan Bautista Martínez Suárez Ingeniero Electrónico. Gerente unidad de negocios De- quia, línea de Robótica y Mecatrónica (GIRAA).
CLASIFICACIÓN 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
DIGITALIZACIÓN Y DIVULGACIÓN DIGITAL ACERVOS ANTIGUOS
DIGITALIZACIÓN Y DIVULGACIÓN DIGITAL DE ACERVOS ANTIGUOS PROGRAMA PARA IMPULSAR PROYECTOS COLABORATIVOS ENTRE LOS MIEMBROS DE LA CORPORACIÓN UNIVERSITARIA PARA EL DESARROLLO DE INTERNET, A. C. (CUDI) Reporte
UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS
UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS ASIGNATURA : ELECTIVA I - PROGRAMACION CÓDIGO : 8104661 SEMESTRE : IV CRÉDITOS : 4 FECHA DE
Antonio Juárez González
e-mail: antjug@inaoep.mx Antonio Juárez González Información personal Estado civil: Soltero Fecha de nacimiento: 8 de marzo de 1982 Lugar de nacimiento: Tlaxcala, Tlaxcala Nacionalidad: Mexicano CURP:
Reconocimiento 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,
MANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH OSMAN K. EROL IBRAHIM EKSIN Istanbul Technical University GABRIEL LEIVA FRANCISCO ORTIZ SERGIO FERNANDEZ 1 OBJETIVO DE LA INVESTIGACIÓN Mejorar el criterio
PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías
PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías Rafael Cano Instituto Nacional de Meteorología, CMT/CAS, Santander Antonio S. Cofiño
Andres 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
Itinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Representación de Palabras en Espacios de Vectores
PROYECTO DE GRADO INSTITUTO DE COMPUTACIÓN FACULTAD DE INGENIERÍA UNIVERSIDAD DE LA REPÚBLICA Representación de Palabras en Espacios de Vectores Agustín AZZINNARI (aazzinnari@gmail.com) Alejandro MARTÍNEZ
Scientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0122-1701 scientia@utpeduco Colombia VALENCIA ANGULO, EDGAR ALIRIO; ESCUDERO, CARLOS ARTURO; POVEDA, YURI ALEXANDER ALGUNOS RESULTADOS INTERESANTES DE LA TEORÍA DE LA MEDIDA
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Syllabus de Base de Datos Espaciales
Materia: Base de Datos Espaciales Objetivo(s) del curso: El alumno utilizará los principios de las Bases de Datos Espaciales para representar datos espaciales, así como e implementar bases de datos geográficas.
2 OBJETIVOS TERMINALES Como resultado de aprender adecuadamente los contenidos del curso el estudiante estará en capacidad de:
MATERIA: Matemáticas para el diseño CÓDIGO: 08287 REQUISITOS: Algebra y funciones (08272) PROGRAMAS: Diseño Industrial, Diseño de Medios Interactivos. PERÍODO ACADÉMICO: 2016-2 INTENSIDAD SEMANAL: 4 Horas
Comparación de métodos de detección de actos de diálogo
Comparación de métodos de detección de actos de diálogo David Vilar, María José Castro, Emilio Sanchis Departament de Sistemes Informàtics i Computació Universitat Politècnica de València dvilar, mcastro,
Desigualdad de Chebyshev bidimensional
Scientia et Technica Año XVII, No 51, Agosto de 2012. Universidad Tecnológica de Pereira. ISSN 0122-1701 242 Desigualdad de Chebyshev bidimensional Two - dimensional Chebyshev Inequality Edgar Alirio Valencia,
Weka como herramienta de data mining
Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data
Probabilidad y Estadística
Probabilidad y Estadística Tema 9 Experimentación y presentación de datos Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de experimentación y determinación
CURRÍCULUM VITAE TÍTULOS EN POSESIÓN: -TÍTULO: LICENCIADO EN FÍSICA CENTRO: UNIVERSIDAD DE GRANADA PERIODO DE OBTENCIÓN: 2000-2005
CURRÍCULUM VITAE NOMBRE: JORGE F. MEJÍAS PALOMINO NACIONALIDAD: ESPAÑOL LUGAR Y FECHA DE NACIMIENTO: CÁCERES 06/06/1982 DOMICILIO PARA NOTIFICACIONES: DEPTO. DE ELECTROMAGNETISMO Y FÍSICA DE LA MATERIA,
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS Ramón Cantú Cuéllar Luis Chávez Guzmán José Luis Cantú Mata Resumen En este artículo se propone un nuevo método numérico, para obtener
Área Académica: Ingeniería en Computación. Materia: Introducción a la Electrónica Digital
Área Académica: Ingeniería en Computación Materia: Introducción a la Electrónica Digital Semestre: 1o Tema: Sistemas numéricos Profesor: Mtro. Alonso Ernesto Solis Galindo soliser@uaeh.edu.mx Periodo:
BOOK OF ABSTRACTS LIBRO DE RESÚMENES
BOOK OF ABSTRACTS LIBRO DE RESÚMENES 19 th International Congress on Project Management and Engineering XIX Congreso Internacional de Dirección e Ingeniería de Proyectos AEIPRO (Asociación Española de
Ingeniería de Software II
Ingeniería de Software II Segundo Cuatrimestre de 2008 Clase 19 Evaluación de Arquitecturas y ATAM Buenos Aires, 6 de Noviembre de 2008 Por qué evaluar una arquitectura? Para tomar mejores decisiones!
Procesamiento de Texto y Modelo Vectorial
Felipe Bravo Márquez 6 de noviembre de 2013 Motivación Cómo recupera un buscador como Google o Yahoo! documentos relevantes a partir de una consulta enviada? Cómo puede procesar una empresa los reclamos
VALIDACIÓN MEDIANTE CAE DE PARÁMETROS DE PROCESO DE INYECCIÓN DE PLÁSTICO PARA DESARROLLO DE UN MOLDE
VALIDACIÓN MEDIANTE CAE DE PARÁMETROS DE PROCESO DE INYECCIÓN DE PLÁSTICO PARA DESARROLLO DE UN MOLDE R. Martín del Campo Vázquez a*, R. Alvarado Almanza a, V.H. López Enríquez a, V. Granados Alejo a.
FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA
FILTRADO DE CONTENIDOS WEB EN ESPAÑOL DENTRO DEL PROYECTO POESIA Enrique Puertas epuertas@uem.es Francisco Carrero fcarrero@uem.es José María Gómez Hidalgo jmgomez@uem.es Manuel de Buenaga buenga@uem.es
Predicción del índice IBEX-35 aplicando Máquinas de Soporte Vectorial y Redes Neuronales.
6th International Conference on Industrial Engineering and Industrial Management. XVI Congreso de Ingeniería de Organización. Vigo, July 18-20, 2012 Predicción del índice IBEX-35 aplicando Máquinas de
Sistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
XVIII Congreso Nacional de Metrología y Normalización
Caracterización de Elementos Elásticos para la Medición de Fuerza Jorge C. Torres Guzmán, Francisco J. Flores Martínez Centro Nacional de Metrología, CENAM, México Introducción La caracterización de elementos
Herramienta de gestión para la Ciudad Inteligente basada en el Sensor Ciudadano
CIUDAD2020: HACIA UN NUEVO MODELO DE CIUDAD INTELIGENTE SOSTENIBLE PROYECTO INNPRONTA www.innprontaciudad2020.es Herramienta de gestión para la Ciudad Inteligente basada en el Sensor Ciudadano Julio Villena,
Combinación de clasificadores para el análisis de sentimientos
Combinación de clasificadores para el análisis de sentimientos Monserrat Ramirez García 1, Maya Carrillo Ruiz 1 y Abraham Sánchez López 1 Benemérita Universidad Autónoma de Puebla, Facultad de Ciencias
Método Supervisado orientado a la clasificación automática de documentos. Caso Historias Clínicas
Método Supervisado orientado a la clasificación automática de documentos. Caso Historias Clínicas Roque E. López Condori 1 Dennis Barreda Morales 2 Javier Tejada Cárcamo 2 Luis Alfaro Casas 1 1 Universidad
CONCLUSIONES 5. CONCLUSIONES.
5. CONCLUSIONES. Entre los sistemas de referencia empleados para el cálculo de las fuerzas elásticas, para un elemento finito de dos nodos que utiliza la teoría de Euler- Bernoulli [11], basándose en las
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: PROGRAMACIÓN ORIENTADA A OBJETOS FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:
INVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 5 Nombre: Planeación de la investigación de mercados Contextualización Hablar de metodología resulta imposible en mercadotecnia,
TITULO: The social responsibility performance of ethical and solidarity fund: an approach to the case of Spain
María Jesús Muñoz Torres Catedrática de Universidad del Departamento de Finanzas y Contabilidad de la Universitat Jaume I de Castellón. Ingeniero Agrónomo (1989, Politécnica de Valencia). Doctora Ingeniera
Aplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Técnicas 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.
VI. Appendix VI English Phrases Used in Experiment 5, with their Spanish Translations Found in the Spanish ETD Corpus
VI. Appendix VI English Phrases Used in Experiment 5, with their Spanish Translations Found in the Spanish ETD Corpus App. VI. Table 1: The 155 English phrases and their Spanish translations discovered
PE: INGENIERIA ELECTROMECANICA
PE: INGENIERIA ELECTROMECANICA 1) PROFESORES INVESTIGADORES ADSCRITOS AL PROGRAMA Nombre del Docente NICOLAS ORTEGA MIRANDA GERARDO DANIEL PEREZ ALFONSO LOZANO LUNA FRANCISCO JAVIER ORTEGA HERRERA JUAN
Capítulo 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
Guía práctica de estudio 03: Algoritmos
Guía práctica de estudio 03: Algoritmos Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 03: Algoritmos Objetivo:
PROGRAMA INSTRUCCIONAL INTELIGENCIA ARTIFICIAL
UNIVERSIDAD FERMIN TORO VICE RECTORADO ACADEMICO UNIVERSIDAD FACULTAD DE INGENIERIA ESCUELA DE MANTENIMIENTO MECÁNICO ESCUELA DE TELECOMUNICACIONES ESCUELA DE ELÉCTRICA ESCUELA DE COMPUTACIÓN PROGRAMA
PROJECT 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
Universidad de Matanzas. Camilo Cienfuegos. Facultad de Informática. Título:
Universidad de Matanzas Camilo Cienfuegos Facultad de Informática Título: La Matemática: una posibilidad para la creación de productos informáticos y la integración de asignaturas en la Educación Superior.
CLASIFICACIÓN TEXTUAL BASADA EN TÉRMINOS JERÁRQUICOS
XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 CLASIFICACIÓN TEXTUAL BASADA EN TÉRMINOS JERÁRQUICOS Francisco Javier Panizo, José R. Villar, Ángel Alonso Área de Ingeniería de