Segmentación de una cartera de clientes usando aprendizaje de máquina
|
|
- Juan José Ángel Alvarado Romero
- hace 6 años
- Vistas:
Transcripción
1 Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014
2 Inicio Inicio 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
3 Inicio Aprendizaje de máquina Fundamentos Planteamiento del problema 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
4 Aprendizaje y clasificación Fundamentos Planteamiento del problema El aprendizaje es el proceso de adquirir o modificar conocimiento, como resultado de la experiencia. En nuestro caso buscamos un conjunto de funciones del siguiente tipo y/o ClienteconRiesgo(Juan) = Si ClienteconRiesgo(Roxana) = No ClienteFiel(María) = No ClienteFiel(Pedro) = Si Ambas funciones pueden formar parte del Conocimiento del Cliente. Aprendizaje de máquina El aprendizaje de máquina es una rama de la IA que desarrolla técnicas que permitan a las computadoras aprender.
5 Fundamentos Planteamiento del problema Idea geométrica (Aprendizaje de máquina) 1 Se cuenta con un conjunto de datos de clientes ya clasificados, que denominaremos conjunto de entrenamiento DNI Edad Renta Clase NO NO SI SI 2 Se busca a partir de este conjunto construir una función f que clasifique nuevos clientes. DNI Edad Renta Clase f(45, 4500) Y Figura: Mapeo del conjunto de entrenamiento X
6 Inicio Aprendizaje de máquina Fundamentos Planteamiento del problema 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
7 Problema de clasificación binaria Fundamentos Planteamiento del problema Se estructura a continuación la idea geométrica ya expuesta Aprendizaje de máquina Estructura matemática Se tienen lo siguientes elementos El espacio con producto interno R n como nuestro conjunto universo de datos. El conjunto S donde S R n un conjunto de muestra. Una función f : S {1, 1} que denominaremos función de etiquetado. Un conjunto D de entrenamiento, donde D = {( x, y) / x S, y = f ( x)} Debemos hallar una función ˆf : R n {1, 1}, a partir de D tal que ˆf = f ( x) para todo x S. Vamos a denominar a f como la función de decisión. Cuando el conjunto de entrenamiento D es linealmente separable el problema anterior es denominado problema de clasificación binaria lineal.
8 Fundamentos Planteamiento del problema Solución al problema de clasificación binaria lineal Suponemos que el conjunto de entrenamiento D R n es linealmente separable g( x) = w x = 0 w γ ā Si a pertenece a la clase 1, entonces w a < 0 Si a pertenece a la clase 1, entonces w a > 0 Función de decisión de una clasificación binaria lineal La función de decisión ˆf para el problema, cuya superficie de decisión es L : w x = b está dada por ˆf ( x) = sgn( w x b)
9 Fundamentos Planteamiento del problema Algoritmos de Clasificación binaria lineal Hoy en día, existen varios métodos para construir una superficie de decisión, entre los más reconocidos se mencionan: Redes Neuronales Árboles de decisión Naive Bayes, etc. La teoría de aprendizaje estadístico postula geométricamente lo siguiente: Una superficie de decisión es óptima si es equidistante a los hiperplanos de soporte y maximiza el margen entre las clases.
10 Inicio Aprendizaje de máquina Clasificador de máximo margen Máquina de soporte vectorial 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
11 Clasificador de máximo margen Clasificador de máximo margen Máquina de soporte vectorial Superficie de decisión 2 Hiperplanos de soporte 3 Vectores de soporte 4 Margen Figura: Conjunto de entrenamiento
12 Clasificador de Máximo Margen Clasificador de máximo margen Máquina de soporte vectorial Clasificador de Máximo Margen Dado un conjunto de entrenamiento linealmente separable: D = {( x 1, y 1 ), ( x 2, y 2 ), ( x 3, y 3 ),..., ( x l, y l )} R n { 1, 1} Podemos calcular una superficie de decisión w x = b que maximice el margen resolviendo el siguiente problema de optimización 1 mín φ( w, b) = mín w w w,b w,b 2 S.a y i ( w x i b) La función objetivo no depende de b 2 El término independiente b aparece en las restricciones 3 Vamos a tener tantas restricciones como puntos de entrenamiento La alternativa para superarlo es resolver el problema dual
13 Inicio Aprendizaje de máquina Clasificador de máximo margen Máquina de soporte vectorial 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
14 Clasificación no lineal Clasificador de máximo margen Máquina de soporte vectorial φ φ( x i) x i Figura: Clasificación no lineal Podremos usar un clasificador lineal en el espacio de características Cómo calculamos la función φ?
15 Clasificador de máximo margen Máquina de soporte vectorial Luego usando una función núcleo reemplazando el producto interno la máquina de soporte vectorial para el caso no lineal estaría definida como ( m ) ˆf ( x) = sgn λ i y i φ( x i ), φ( x) b i=1 ( m ) = sgn λ i y i K ( x i, x) b i=1 Máquina de Soporte Vectoria no lineal Definimos a la máquina de soporte vectorial no lineal como la función de decisión dada por ( m ) ˆf ( x) = sgn λ i y i K ( x i, x) b i=1
16 Inicio Aprendizaje de máquina 1 Aprendizaje de máquina Fundamentos Planteamiento del problema 2 Máquina de soporte vectorial Clasificador de máximo margen Máquina de soporte vectorial (Caso no lineal) 3 Implementación computacional
17 del aprendizaje La biblioteca libsvm tiene implementado el algoritmo de máquina de soporte vectorial, esta b es usada por R (en los paquetes e1071 y kernlab) y WEKA. Los resultados que presentamos fueron salidas del paquete kernlab de R
18 Aprendizaje de máquina Nuestros datos fueron separados en dos grupos: Entrenamiento (1,045 registros) y Prueba (184 registros). Para las pruebas, utilizamos el núcleo denominado Radial Basic Function (RBF). K ( x i, x j ) = e σ( x i x j 2 ) Con los siguientes valores en los parámentros con σ = 0,25, Se obtuvo los siguientes resultados Afiliado* Traspaso* Afiliado Traspaso *Clasificación. El error de entrenamiento es de %.Utilizando el modelo construido, se verificó con los datos de prueba con un 13.5 % de error Afiliado* Traspaso* Afiliado Traspaso
19 Segundo ejercicio Aprendizaje de máquina Con el mismo conjunto de datos, decidimos escoger otro conjunto de entrenamiento (1,000 registros) y de prueba (229 registros), con el mismo valor en los parámetros que el ejercicio anterior, se entrenó a la máquina y se obtuvieron los siguientes resultados Afiliado* Traspaso* Afiliado Traspaso Error de entrenamiento 11 %, probamos el modelo con el conjunto de prueba: Afiliado* Traspaso* Afiliado Traspaso Error de entrenamiento %, con esta cifra, damos por válido al modelo.
20 Puesta en marcha Aprendizaje de máquina Una vez hallado los parámetros óptimos se construye la máquina de soporte vectorial con la que se va a medir la probabilidad de traspaso de un conjunto de clientes no empleado para el entrenamiento. CodigoCte Clase Clase Prob.Traspaso C001 Afiliado Traspaso % C002 Afiliado Afiliado % C003 Afiliado Afiliado % C004 Afiliado Traspaso % C005 Afiliado Traspaso % C006 Afiliado Afiliado % C007 Afiliado Afiliado % C008 Afiliado Traspaso % C009 Afiliado Afiliado % C010 Afiliado Afiliado % C011 Afiliado Afiliado % C012 Afiliado Traspaso % C013 Afiliado Afiliado % Cuadro: Probabilidad de traspaso
21 Gráficos de la clasificación Clase Traspaso en Azul Figura: Permanencia Entidad vs Permanencia en Sistema Figura: Edad vs Renta
22 Gráficos de la clasificación Figura: Permanencia Entidad vs Permanencia en Sistema Figura: Edad vs Renta
23 Gráficos de la clasificación Figura: CuotasPagadas vs MaxCuotasConsecutivas Figura: Renta vs TPHO
24 Bibliografía Aprendizaje de máquina Lutz Hamel. Knowledge Discovery with Support Vector Machines. John Wiley y Sons Inc, Ralf Herbrich. Learning Kernel Classifiers. Massachusetts Institute of Tecnology, Xindong WuVipin Kumar. The Top Ten Algorithms in Data Mining. Chapman y Hall/CRC, A.L. Peressini, F.E. Sullivan, J.J. Uhl Jr. The Mathematics of nonlinear programming. Springer Verlag New York INC, Nello Cristianini and John ShaweTaylor. An Introduction to Support Vector Machines and Other Kernelbased Learning Methods. Cambridge University Press 2000.
25 Bibliografía Aprendizaje de máquina Ingo Steinward and Andreas Christmann. Support Vector Machines. Springer ScienceBusiness Media, LLC, WilliHansSteeb. The Nonlinear Workbook 3rd Edition. World Scientific Publishing Co. Pte. Ltd, 2005.
26 Muchas gracias por su atención
TEMA 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 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 detallesSVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid
SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
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 detallesLuis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.
Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.
Más detallesProcesos Estocásticos I
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Procesos Estocásticos I Clave 0630 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
Más detallesCurso de Introducción a R Módulo 4: simulaciones estocásticas
Curso de Introducción a R Módulo 4: simulaciones estocásticas Alejandro Piedrahita H. Seminario de Análisis Estocástico Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesIntroducción a los Computadores (CNM-130) Estructuras selectivas en Matlab
Introducción a los Computadores (CNM-130) Estructuras selectivas en Matlab Alejandro Piedrahita H. Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft 2013.
Más detallesESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
Más detalles1. DATOS DE LA ASIGNATURA
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente
Más detallesProblemas de clasificación: problemas de localización
Problemas de clasificación: problemas de localización Emilio Carrizosa Facultad de Matemáticas Universidad de Sevilla ecarrizosa@us.es Belén Martín-Barragán Facultad de Matemáticas Universidad de Sevilla
Más detallesENSIA 605 Inteligencia de Negocios y Minería de Datos
ENSIA 605 Inteligencia de Negocios y Minería de Datos Profesor: Jaime Miranda P. E mail profesor: jmirandap@fen.uchile.cl OBJETIVOS DEL CURSO OBJETIVO GENERAL Estudiar, analizar, diseñar y aplicar tecnologías
Más detallesClases de complejidad computacional: P y NP
1er cuatrimestre 2006 La teoría de Se aplica a problemas de decisión, o sea problemas que tienen como respuesta SI o NO (aunque es sencillo ver que sus implicancias pueden extenderse a problemas de optimización).
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Programación Lineal
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Programación Lineal I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Programación
Más detallesModelos predictivos y de optimización de estructuras de hormigón
http://optimizacionheuristica.blogs.upv.es 1 Modelos predictivos y de optimización de estructuras de hormigón Dr. Ing. Víctor Yepes Piqueras Departamento de Ingeniería de la Construcción y Proyectos de
Más detallesMÁQUINAS DE VECTORES DE SOPORTE
MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican
Más detallesAprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Más detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Ciencias. Plan de estudios de la Licenciatura en Actuaría. Teoría de Redes
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Teoría de Redes Clave 0442 Modalidad Semestre 7 u 8 Créditos 10 Área Campo de conocimiento Etapa
Más detallesComparación de métodos de clasificación aplicados a textos Científicos y No Científicos
I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among
Más detalles1. Unidad Académica: Facultad de Ciencias
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA COORDINACIÓN DE FORMACIÓN BÁSICA COORDINACIÓN DE FORMACIÓN PROFESINAL Y VINCULACIÓN UNIVERSITARIA PROGRAMA DE UNIDADES DE APRENDIZAJE POR COMPETENCIAS 1. Unidad
Más detallesLínea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura
Nombre de la asignatura: INVESTIGACIÓN DE OPERACIONES Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 1. Historial de la asignatura
Más detallesOptimización de Problemas de Producción
Optimización de Problemas de Producción Pedro Piñeyro - Luis Stábile Colaboran: Héctor Cancela - Antonio Mauttone - Carlos Testuri Depto. Investigación Operativa. Instituto de Computación. Facultad de
Más detallesTareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360
Más detallesGraficación. Carrera: SCM - 0416 3-2-8. Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Graficación Ingeniería en Sistemas Computacionales SCM - 0416 3-2-8 2.- HISTORIA
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Álgebra Lineal
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Álgebra Lineal I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Álgebra Lineal
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesMétodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones
Métodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones Dr. Gonzalo Hernández Oliva UChile - Departamento de Ingeniería Matemática 07 de Mayo 2006 Abstract En este apunte veremos
Más detallesOPTATIVA I: MINERIA DE DATOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Teoría de Grupos
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Teoría de Grupos I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Teoría de
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 detallesGUÍA DOCENTE. Ingeniería Informática en Sistemas de Información Doble Grado:
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: Ingeniería Informática en Sistemas de Información Doble Grado: Asignatura: Estructuras de Datos Módulo: Modulo 1 Departamento: Deporte e Informática Año académico:
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
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 detallesautómatas finitos y lenguajes regulares LENGUAJES FORMALES Y
CONTENIDO Reconocedores [HMU2.1]. Traductores [C8]. Diagramas de Estado [HMU2.1]. Equivalencia entre AF deterministas y no deterministas [HMU2.2-2.3]. Expresiones [HMU3]. Propiedades de [HMU4]. Relación
Más detallesEspacios vectoriales y aplicaciones lineales
resumen05 1 Espacios vectoriales y aplicaciones lineales Espacios y subespacios vectoriales Un espacio vectorial sobre un conjunto de números K es intuitivamente un conjunto en el que tenemos definida
Más detalleses el lugar geométrico de los puntos p tales que p 0 p n o p 0 p o. p x ; y ; z perteneciente a y un vector no
El Plano y la Recta en el Espacio Matemática 4º Año Cód. 145-15 P r o f. M a r í a d e l L u j á n M a r t í n e z P r o f. J u a n C a r l o s B u e P r o f. M i r t a R o s i t o P r o f. V e r ó n i
Más detallesInteligencia 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
Más detallesLICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
LICENCIATURA ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS PROGRAMA DE LA ASIGNATURA MODELIZACIÓN Y OPTIMIZACIÓN CURSO 2012-13 ASIGNATURA: CURSO: OPTATIVA 2º - 3º (2º Semestre) 1.- DATOS INICIALES DE IDENTIFICACIÓN
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 detallesMODELOS PREDICTIVOS PARA LA DETECCIÓN TEMPRANA Y GESTIÓN DE ACCIDENTES LABORALES Susana Blanco, Walter Rudolph
MODELOS PREDICTIVOS PARA LA DETECCIÓN TEMPRANA Y GESTIÓN DE ACCIDENTES LABORALES Susana Blanco, Walter Rudolph 25 de Noviembre de 2014 AGENDA Contexto Marco Conceptual Metodología Metodología aplicada
Más detallesGUÍA 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
Más detallesDiagonalización simultánea de formas cuadráticas.
Diagonalización simultánea de formas cuadráticas Lucía Contreras Caballero 14-4-2004 Dadas dos formas cuadráticas, si una de ellas es definida positiva, se puede encontrar una base en la que las dos diagonalizan
Más detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesAPUNTE: Introducción a la Programación Lineal
APUNTE: Introducción a la Programación Lineal UNIVERSIDAD NACIONAL DE RIO NEGRO Asignatura: Matemática Carreras: Lic. en Administración Profesor: Prof. Mabel Chrestia Semestre: do Año: 06 Definición La
Más detallesSistemas polinomiales
Sistemas polinomiales (Elementos básicos) ALBERTO VIGNERON TENORIO Dpto. de Matemáticas Universidad de Cádiz Índice general 1. Introducción 2 2. Generalidades sobre polinomios 5 2.1. Orden monomial.........................
Más detallesIntroducción a los Computadores (CNM-130) Estructuras algorítmicas selectivas
Introducción a los Computadores (CNM-130) Estructuras algorítmicas selectivas Alejandro Piedrahita H. Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft
Más detallesEstudio e Implementación de una Máquina de Soporte Vectorial.
Estudio e Implementación de una Máquina de Soporte Vectorial. Lázaro Bustio Martínez, Alejandro Mesa Rodríguez lbustio@ccc.inaoep.mx, amesa@ccc.inaoep.mx Resumen. En este trabajo se presentan las Máquinas
Más detallesSistemas lineales de ecuaciones diferenciales. Juan-Miguel Gracia
Sistemas lineales de ecuaciones diferenciales Juan-Miguel Gracia Índice Sistemas lineales 2 Búsqueda de una solución especial 3 Aplicación a sistemas 4 Problema de condiciones iniciales 2 / 2 Sistemas
Más detallesSupport Vector Machines
Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de
Más detallesMáquinas de Vectores de Soporte
Máquinas de Vectores de Soporte Support Vector Machines (SVM) Introducción al Reconocimiento de Patrones IIE - FING - UdelaR 2015 Bishop, Cap. 7 Schölkopf & Smola, Cap 7 Motivación Limitantes del perceptrón:
Más detallesTrabajo No 1. Derivados Financieros
Trabajo No 1. Derivados Financieros Norman Giraldo Gómez Escuela de Estadística - Universidad Nacional de Colombia ndgirald@unal.edu.co Marzo, 2010 1. Introducción Este trabajo consiste de un punto asignado
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 detallesExtensión de la Morfología Matemática a imágenes en Color
Departamento de Física, Ingeniería de Sistemas y Teoría de la Señal Grupo de Automática, Robótica y Visión Artificial Extensión de la Morfología Matemática a imágenes en Color Introducción. Imágenes en
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 detalles1. Comprender las definiciones y principios básicos de la teoría de conjuntos. 3. Diferenciar entre las diferentes tipos de relaciones.
Página 1 UNIVERSIDAD INTERAMERICANA DE PUERTO RICO RECINTO METROPOLITANO FACULTAD DE CIENCIAS Y TECNOLOGÍA DEPARTAMENTO DE CIENCIAS DE COMPUTADORAS Y MATEMÁTICAS I. INFORMACIÓN GENERAL PROGRAMA DE MATEMÁTICAS
Más detallesDES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:
: : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesEXAMEN DE SEPTIEMBRE, MATEMÁTICAS I. 1. (2.5 ptos) Sean f y g funciones con derivadas primeras y segundas continuas de las que se sabe que
EXAMEN DE SEPTIEMBRE, MATEMÁTICAS I DEBE CONTESTAR ÚNICAMENTE A 4 DE LOS SIGUIENTES 5 EJERCICIOS 1. (.5 ptos) Sean f y g funciones con derivadas primeras y segundas continuas de las que se sabe que Sea
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 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 detallesor t o G o n a l i d a d y
Unidad 6 or t o G o n a l i d a d y o r t o n o r M a l i d a d Objetivos: Al inalizar la unidad, el alumno: Determinará cuándo un conjunto de vectores es ortogonal u ortonormal. Obtendrá las coordenadas
Más detallesMétodos basados en Kernels para el Procesamiento de Lenguaje Natural
para el Procesamiento de Lenguaje Natural Métodos basados en para el Procesamiento de Lenguaje Natural G. Moncecchi 1 Grupo PLN, Instituto de Computación, Facultad de Ingeniería, Universidad de la República,
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 detallesGUÍA DE EXAMEN DE NUEVO INGRESO. Maestría en Optimización de Procesos
GUÍA DE EXAMEN DE NUEVO INGRESO Maestría en Optimización de Procesos ANTECEDENTES La presente guía de estudio tiene como objeto establecer los temas que serán evaluados en el proceso de selección de estudiantes
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
Más detallesEsta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS
Cambios de base 3 3. CAMBIOS DE BASE Dada una aplicación lineal : y la base,,, se ha definido matriz en bases canónicas de la aplicación lineal a la matriz,, cuyas columnas son las coordenadas de en la
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesNombre de la asignatura: Diseño Estructurado de Algoritmos. Carrera: Ingeniería en Sistemas Computacionales. Clave de la asignatura: SCB-9316
. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura: Diseño Estructurado de Algoritmos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: SCB-9 Horas teoría Horas práctica
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesTema 2: Análisis Discriminante
Tema 2: Análisis Discriminante P 1 P 2 Problema de clasificación: Ténemos observaciones que corresponden a 2 grupos P_1, P_2. Si nos dan uno nuevo x_0 a que grupo pertenece? Guión 1. Motivación 2. Clasificación
Más detallesTeoria de Errores. Hermes Pantoja Carhuavilca. Facultad de Ingeniería Mecanica Universidad Nacional de Ingeniería. Hermes Pantoja Carhuavilca 1 de 31
Hermes Pantoja Carhuavilca Facultad de Ingeniería Mecanica Universidad Nacional de Ingeniería Métodos Numérico Hermes Pantoja Carhuavilca 1 de 31 CONTENIDO Introducción Hermes Pantoja Carhuavilca 2 de
Más detallesPráctica 6. Extremos Condicionados
Práctica 6. Extremos Condicionados 6.1 Introducción El problema que nos planteamos podría enunciarse del modo siguiente: Sean A R n, f : A R una función de clase C 1 y M A. Consideremos la restricción
Más detallesGeometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas
Geometría combinatoria de cuadrados mágicos, latinos, sudokus y otras tablas curiosas Jesús A. De Loera University of California, Davis trabajo conjunto con Shmuel Onn (Technion Haifa Israel) Cuadrados
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN PRINCIPIOS Y TECNICAS DE INTELIGENCIA ARTIFICIAL OBJETIVOS Los objetivos específicos es el estudio
Más detallesFILTRADO 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
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesINFORME TAREA N 4 CLUSTERING
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL4106 Inteligencia Computacional INFORME TAREA N 4 CLUSTERING Nombre Alumno : Profesor : Profesor Auxiliar
Más detallesTeoría de Geometría Afín y Proyectiva (G.A.P.) L A TEX
Teoría de Geometría Afín y Proyectiva (G.A.P.) L A TEX Juan Miguel Ribera Puchades 2 de julio de 2007 1 Índice 1. Introducción 4 2. Tema 1: Espacio Afín 5 2.1. Definición, ejemplos y notación.................
Más detalles2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo.
2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo. 2.1 Formas cuadráticas. Expresión matricial y analítica. Expresiones diagonales. Definición 2.1 (Expresión matricial) Una
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 detallesPrograma. Números Complejos, Ecuaciones Diferenciales y Ecuaciones en
Contenido: Programa Módulo I: R n como Espacio Vectorial y Tópicos en Álgebra Lineal Abelardo Jordán Módulo II: Series de Taylor y Optimización Estática Eladio Ocaña Módulo III: Diferencias Números Complejos,
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesTema 5: Elementos de geometría diferencial
Tema 5: Elementos de geometría diferencial José D. Edelstein Universidade de Santiago de Compostela FÍSICA MATEMÁTICA Santiago de Compostela, abril de 2011 Coordenadas locales y atlas. Funciones y curvas.
Más detallesUniversidad Autónoma de Yucatán Facultad de Matemáticas
Universidad Autónoma de Yucatán Facultad de Matemáticas Ecuaciones Diferenciales Licenciatura en Ciencias de la Computación Cuarto semestre DESCRIPCIÓN: Durante este curso se presentarán técnicas analíticas,
Más detallesCLASIFICACIÓN AFÍN DE CÓNICAS
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS CLASIFICACIÓN AFÍN DE CÓNICAS Sea E un R-espacio vectorial de dimensión. Sean E = e 1, e un plano vectorial de E y e 0 un
Más detallesClasificador no lineal basado en redes neuronales
Clasificador no lineal basado en redes neuronales con funciones de base radial para implementación en sistemas de punto fijo Juan Sebastián Botero Valencia 1 Luis Gonzalo Sánchez Giraldo 2 Edilson Delgado
Más detallesMateria: Matemática de 5to Tema: Producto Punto. Marco Teórico
Materia: Matemática de 5to Tema: Producto Punto Marco Teórico En términos comunes, el producto punto de dos vectores es un número que describe la cantidad de fuerza que dos vectores diferentes contribuyen
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detalles+ = 0, siendo z=f(x,y).
Ecuaciones diferenciales de primer orden ECUACIONES DIFERENCIALES Definición. Se llama ecuación diferencial a toda ecuación que inclua una función, que es la incógnita, alguna de sus derivadas o diferenciales.
Más detallesLIBRO GUIA: INVESTIGACIÓN DE OPERACIONES Hamdy A. Taha. Editorial Pearson Prentice Hall, 2004
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS: ELÉCTRICA, ELECTRÓNICA, FÍSICA Y CIENCIAS DE LA COMPUTACIÓN PROGRAMA INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ASIGNATURA: INVESTIGACIÓN DE OPERACIONES
Más detallesCOMPLEMENTOS DE MATEMATICA 3 - Segundo cuatrimestre de 2007 Práctica 3 - Transformaciones lineales
Departamento de Matemática - Facultad de Ciencias Exactas y Naturales - UBA 1 COMPLEMENTOS DE MATEMATICA 3 - Segundo cuatrimestre de 27 Práctica 3 - Transformaciones lineales Ejercicio 1. Determinar cuáles
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesDiagrama de Voronoi. Ejemplo de problemas geométricos:
Diagrama de Voronoi Definición: Sea P={p1,p2,..,pn} un conjunto de puntos en el plano. Estos puntos son llamados sitios. Asignar a cada punto del plano el sitio más cercano. Todos los puntos asignados
Más detalles