INFLUENCIA DE LAS PARTES DE LA ORACION EN LA CLASIFICACION DE MENSAJES DE TWITTER EN OBJETIVOS O SUBJETIVOS
|
|
- Raquel Navarrete Quiroga
- hace 6 años
- Vistas:
Transcripción
1 INFLUENCIA DE LAS PARTES DE LA ORACION EN LA CLASIFICACION DE MENSAJES DE TWITTER EN OBJETIVOS O SUBJETIVOS INFLUENCE OF PART OF SPEECH TAGS IN THE CLASSIFICATION OF TWITTER MESSAGES IN OBJECTIVE OR SUBJECTIVE Suilan Estévez-Velarde, Alejandro Piad-Morffis, Yudivián Almeida-Cruz Universidad de La Habana, Cuba, sestevez@matcom.uh.cu, Calle da entre Cruz Verde y, Rpto. Chibás, Guanabacoa Universidad de La Habana, Cuba, apiad@matcom.uh.cu Universidad de La Habana, Cuba, yudy@matcom.uh.cu RESUMEN: En este trabajo se analizan las partes de la oración más relevantes en un proceso de minería de opinión en Twitter. Para esto se emplea un corpus de mensajes de Twitter en español, etiquetados manualmente con una valencia de opinión (objetiva o subjetiva). Previamente se realiza un proceso de normalización del texto de cada mensaje para reducir al máximo las deformaciones lingüísticas. Posteriormente se emplea un modelo de Markov oculto (HMM) para etiquetar cada uno de los términos con la parte de la oración correspondiente. Finalmente se ajusta un modelo de regresión logístico con el objetivo de determinar la influencia de una parte de la oración específica en la clasificación de valencia de opinión. Este análisis permite determinar las partes de la oración que, con mayor precisión, diferencian los mensajes que expresan una opinión. Palabras Clave: Twitter, partes de la oración, minería de opinión. ABSTRACT: In this paper we analyze the most relevant part of speech tags in an opinion mining process on Twitter. We use a corpus of Spanish Twitter messages, manually labeled with respect to the presence of opinion (objective or subjective). First, a normalization process is applied to every message, in order to reduce the linguistic deformations present in Twitter. Then a hidden Markov model (HMM) is used to assign a label to every term with the corresponding part of speech. Finally, a logistic regression model is fitted to the tagged messages, in order to determine the influence that every specific part of speech tag has in the opinion classification. This analysis can help us detect the part of speech tags that, with greater precision, differentiate those message that express an opinion from the rest. KeyWords: Twitter, part of speech, opinion mining.
2 INTRODUCCIÓN Las redes sociales se han popularizado con el incremento de la cantidad de usuarios que participan activamente en las mismas. Twitter es una de las redes más conocidas y cuenta con más de 5 millones de usuarios. Los usuarios por la propia naturaleza de la red tienden a expresar sus opiniones y contar las actividades que realizan o en las que participan. Por tanto resulta interesante conocer cuando un usuario emite o no una opinión para poder realizar análisis posteriores. Debido a esto el proceso de Minería de Opinión ha incrementado su empleo sobre redes sociales como Twitter. Twitter se caracteriza por ser una red de microblogging. Esto implica una limitación en el número de caracteres de un mensaje (tweet), aproximadamente 4 caracteres. Debido a esta restricción se ha visto afectada la forma en que se escriben los mensajes, promoviendo el uso de jerga, emoticones y abreviaturas para disminuir la longitud total del texto. Además, este diseño promueve que se envíen desde dispositivos móviles, incrementando la velocidad de difusión de los mensajes y la falta de atención de los usuarios al escribirlos. En general son comunes las faltas de ortografía, las repeticiones de letras y el uso de etiquetas propias de la red social. Es en estos tweets o mensajes donde el usuario puede emitir una opinión. Para determinar si un mensaje contiene o no una opinión se utiliza un algoritmo de aprendizaje de máquina que clasifique en Objetivo-Subjetivo. En la minería de opinión se han utilizado varios enfoques: no supervisado, semi-supervisado y supervisado. Utilizando fundamentalmente un enfoque supervisado para la clasificación en objetivo o subjetivo [4]. Sobre Twitter también se han realizado varios trabajos de minería de opinión []. En Twitter la longitud de los mensajes puede considerarse similar a la de una oración. Por lo tanto se puede asumir que contienen una única idea en todo el texto []. Una de las características que consideramos podría tener más influencia, en la presencia de opinión, es la utilización de distintos elementos gramaticales (adjetivos, sustantivos, entre otros). Por tanto este artículo se concentra en analizar la influencia de estos componentes en el proceso de minería de opinión. Para esto se analiza la importancia de cada uno de estos componentes de forma independiente. Además se comparan los resultados de incluir el conocimiento de las partes de la oración o emplear el texto original.. DETECCIÓN DE LAS PARTES DE LA ORACIÓN Para analizar la incidencia de los elementos gramaticales en la identificación de tweets que reflejen una opinión fue necesario un proceso de tres etapas: Preprocesamiento, Reconocimiento de Elementos Gramaticales y Clasificación. Cada una de estas etapas se describe a continuación: Preprocesamiento: Las características de la escritura en los tweets presenta irregularidades que pueden ser consideradas errores gramaticales y sintácticos. En esta etapa se modifica el texto original de los mensajes para normalizarlo y facilitar el reconocimiento y aprendizaje posterior. Los términos que contienen jerga, emoticones o etiquetas particulares de Twitter son detectados y etiquetados para la siguiente etapa. Usualmente, en esta fase se eliminan los stopwords y se hace la reducción a lexemas (stemming). Sin embargo, dado que ambos procesos modifican los términos originales, tienen una influencia negativa en el reconocimiento de partes de la oración, que depende fundamentalmente de la morfología de los términos y las relaciones entre estos. Por este motivo, estos procesos no se realizan en nuestra propuesta. Reconocimiento de elementos gramaticales: En esta fase se emplea un algoritmo basado en un modelo de Markov oculto, para detectar las partes de la oración (POS-tagging en inglés). El etiquetador se entrena en un corpus estándar en español [], y luego se aplica al corpus de mensajes de Twitter []. Se emplea una implementación presente en la biblioteca nltk []. El etiquetador reconoce categorías gramaticales []. A estas se adicionan las categorías correspondientes a las etiquetas particulares de Twitter (URL, nombres de usuarios, hash-tags) y etiquetas especiales para los emoticones y expresiones de jerga. Además, se incluye una etiqueta adicional (NING) para los términos desconocidos, para un total de categorías.
3 min w,c Clasificación: En el proceso de clasificación se utiliza un algoritmo de aprendizaje automático basado en regresión logística. Este algoritmo se escoge a partir de los resultados obtenidos en investigaciones anteriores relacionados con la minería de opinión en Twitter [9]. Regresión Logística se basa en la solución de un problema de optimización equivalente a (), que consiste en un problema de clasificación binario con penalización cuadrática L. Se emplea una implementación presente en la herramienta sklearn [5]. n wt w i= log(exp( y i (X i T w+c))+) (). ANÁLISIS COMPUTACIONAL Para analizar la importancia del conocimiento de las partes de la oración en el proceso de clasificación, se realizan varios experimentos con diferentes representaciones de los mensajes. El primero consiste en entrenar un clasificador de regresión logística en el corpus de mensajes, empleando un modelo de bolsa de palabras, sin adicionar la información asociada a las formas gramaticales. Este experimento servirá de base comparativa para medir la importancia de conocer las partes de la oración. Además se representa cada mensaje únicamente con las formas gramaticales presentes, eliminando por completo las palabras y reemplazándolas por la parte de la oración que representan. Esto permitirá valorar cuánto de la carga de opinión asociada a un mensaje es capturado únicamente por las partes de la oración, sin importar la semántica de los términos en sí. Los dos experimentos restantes consisten en dos maneras de combinar los términos del mensaje original con las formas gramaticales correspondientes. En el primero se adicionan al mensaje las formas gramaticales como rasgos independientes, y en el segundo se adicionan emparejadas a la palabra correspondiente. En todos los casos se emplea un corpus estándar de mensajes en español [] clasificado por expertos según la presencia de opinión y la valencia de la misma. Para el entrenamiento del algoritmo de detección de partes de la oración (POS, part-of-speech) se emplea un corpus presente en la herramienta nltk [] diseñado para este propósito. La Tabla I muestra la precisión alcanzada (media y desviación estándar) tras corridas de validación cruzada, de cada uno de los experimentos mencionados. Se adiciona además el p-valor de un test estándar de comparación de medias (t de Student) para medir la significación de los resultados obtenidos. Para valorar la influencia que tiene cada forma gramatical en el proceso de clasificación, se analizan los pesos asociados por el algoritmo a cada una de las partes de la oración. Para esto, se entrena el algoritmo de regresión logística con la representación basada solamente en las partes de la oración, y se reportan los pesos asignados durante la regresión a cada forma gramatical. Esto permite determinar cuáles son las formas gramaticales que más influencian la elección de una u otra categoría en el proceso de clasificación. La primera columna en la Tabla II muestra los pesos asignados a cada forma gramatical. Tabla I: Comparación de la precisión de clasificación empleando distintas representaciones. Representaci ón Original. Sólo POS. Original + POS Original * POS μ σ p-valor e- 5.5e- 9.e- Tabla III: Frecuencias relativas de aparición de cada forma gramatical, en función de la presencia o no de opinión en un mensaje. Tipo Peso μ - Ob j ADJ.49 9 μ - S u b 54 p-valor.4e- VER...45e-
4 B 9 5 SUS T.5 ADV.4 PRO N EMO T..9 ART. JER G NIN G USE R... 5 X 4 HAS H CON J 4 ADP NU M -. URL -. PUN T e- 4.9e-.e- 4.99e-.e-.55e-.e- 4.49e- 4.9e- 4.5e- 9e- 5 59e-.4e-.4e- 5 4.e- Se analizaron además las frecuencias relativas de aparición de cada forma gramatical agrupadas por la categoría del mensaje correspondiente. La frecuencia relativa de aparición de una forma gramatical t k está dada por la expresión (), donde M representa el conjunto de todos los mensajes, m i es el i-ésimo mensaje, y (t k,m i ) es la cantidad de términos en el mensaje m i con la etiqueta (forma gramatical) t k. Se presenta además el p-valor resultante de aplicar una prueba estándar de comparación de medias. Aparecen resaltados los valores que indican una frecuencia de aparición significativamente superior (p-valor < 5) en una u otra categoría. F k = M i (t k,m i ) () m i Finalmente, en la Tabla III se reportan los términos más influyentes en la clasificación, junto a la forma gramatical en que aparecen, y el peso asignado por el regresor logístico. Tabla IIIII: Términos más influyentes en la clasificación. Objetivo Pe s o portadasust -. reuniónsust - 4 plenosust - periódicosust - Todospron - Altoadj - entrevistasust - 9 num - Subjetivo Pe s o graciassust. ;-))emot. ;-)emot granadj 5 felizadj Buenaadj Gustaverb 5 Muyadv 5 votéisning - Buenasadj 4 Resultados no reportados de un test de normalidad (Shapiro-Wilk) demuestran que estas frecuencias no siguen una distribución normal, por lo que se aplica una prueba no paramétrica de Mann-Whitney.
5 @ppopularuser - 5 Buenadj 4 opinión, con una precisión prácticamente igual a la obtenida por los medios tradicionales. Integrar la detección de partes de la oración a los procesos de minería de texto constituye un tema de investigación prometedor. DISCUSIÓN Y CONCLUSIONES Los experimentos realizados confirman la hipótesis de que las partes de la oración son una característica influyente para determinar la presencia de una opinión en un tweet. Se observan diferencias significativas, entre los mensajes objetivos y subjetivos, en de las características analizadas. Uno de los resultados más interesantes es que la presencia de emoticones no resulte significativa, aunque en ocasiones se sugiere su uso para clasificar de forma automática un corpus de entrenamiento. Al comparar la precisión de las diferentes representaciones, podemos apreciar que añadir el conocimiento de las estructuras gramaticales no representa una mejora significativa en el rendimiento. Sin embargo, empleando solamente la información de las partes de la oración se logra una precisión muy cercana a la original. Este resultado sugiere una forma alternativa de reducción de dimensiones, que permite una representación muy compacta de los mensajes. En entornos con grandes volúmenes de datos, esta forma de reducción puede ser superior a las técnicas clásicas de descomposición de matrices. Este resultado permite disminuir considerablemente los efectos de la maldición de la dimensionalidad [], sin perder las ventajas de una representación no lineal, como el empleo de bigramas o trigramas, que es imposible de realizar en el conjunto original de mensajes. En el proceso de clasificación la característica más influyente es la presencia de adjetivos, lo que resulta consistente con el uso de los mismos en el idioma español. Se puede apreciar que entre los términos subjetivos más influyentes aparecen varios sustantivos que son utilizados frecuentemente al expresar una opinión. También se aprecian emoticones particulares que expresan un estado de ánimo, usualmente empleados para expresar sentimientos positivos. Los términos más influyentes en la clase objetiva tienden a ser sustantivos asociados a medios de prensa y otros términos relacionados con la emisión de noticias. Los resultados obtenidos demuestran la importancia del análisis de las partes de la oración en el proceso de minería de opinión. La correcta detección de las formas gramaticales usadas en un mensaje permite determinar la presencia o no de 4. REFERENCIAS BIBLIOGRÁFICAS Bird, Steven, Ewan Klein, and Edward Loper. 9, Natural Language Processing with Python. First. Edited by Julie Steele. O'Reilly. Hu, Xia, Tang Lei, Tang Jiliang, and Liu Huan.. Exploiting Social Relations for Sentiment Analysis in Microblogging. Proceedings of the Sixth ACM International Conference on Web Search and Data Mining, WSDM '. New York, NY, USA: ACM, M. Antonia Martí, Mariona Taulé, Lluís Márquez Manuel Bertran.. CESS-ECE: A Multilingual and Multilevel Annotated Corpus. 4. Pang, B., and L. Lee.. Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval (-): Pedregosa, F., G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher and M. Perrot. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research : 5-.. Silva, Nádia F. F., Eduardo R. Hruschka, and Estevam Rafael Jr. Hruschka. 4. Biocom Usp: Tweet Sentiment Analysis with Adaptive Boosting Ensemble. Proceedings of the th International Workshop on Semantic Evaluation.. Slav Petrov, Dipanjan Das, and Ryan McDonald.. A Universal Part-of-Speech Tagset. Proceedings of LREC '.. Villena-Román, J., Lana-Serrano S., Martinez-Cámara E., and J.C. González- Cristóbal.. TASS Workshop on Sentiment Analysis at SEPLN." Procesamiento del Lenguaje Natural. 9. Estévez-Velarde, Suilan. 5. Minería de Opinión en Twitter: Un acercamiento desde el aprendizaje supervisado." Tesis de Maestría. Universidad de La Habana. J.Mira (editor): On the effects of dimensionality on data analysis with neural networks. Springer-Verlag,. 5. SÍNTESIS CURRICULARES DE LOS AUTORES Suilan Estévez-Velarde: La Habana, de Agosto de 99, Cuba.
6 Graduado de Ciencia de la Computación, Universidad de La Habana (UH),. Master en Ciencias de la Computación por la Universidad de La Habana, 5. Profesor Instructor de la Facultad de Matemática y Computación (MATCOM) de la UH. Dirección Postal: Calle da entre Cruz Verde y, Reparto Chibás, Guanabacoa. La Habana, Cuba. Correo electrónico: sestevez@matcom.uh.cu Alejandro Piad Morffis. La Habana, de Noviembre de 99, Cuba. Graduado en Ciencia de la Computación, Universidad de La Habana (UH),. Actualmente se encuentra cursando la Maestría en Ciencias de la Computación (UH). Profesor Instructor de la Facultad de Matemática y Computación (MATCOM) de la UH. Dirección Postal: Ave. Camagüey # e/ 9na y Pastora, Cerro, La Habana, Cuba. Correo electrónico: apiad@matcom.uh.cu Yudivián Almeida-Cruz: La Habana, de Octubre de 9, Cuba. Graduado de Ciencia de la Computación, Universidad de La Habana (UH), 4. Doctor por la Universidad de Alicante, Doctor en Ciencias Matemáticas (por homologación), Cuba,. Profesor Auxiliar de la Facultad de Matemática y Computación (MATCOM) de la UH. Vicedecano de investigación de MATCOM. Dirección Postal: Calle 44 Entre 5 y 9 #949 Apto., San Agustín, La Lisa, La Habana, Cuba. Correo electrónico: yudy@matcom.uh.cu
7
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
Más detallesUNIVERSIDAD 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
Más detallesPrecisión 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
Más detallesLicense 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
Más detalles4.1 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
Más detallesDIFERENCIAS EN LA UTILIZACIÓN DE LA BIBLIOTECA DEL IIESCA ANTE UN CAMBIO DE INFORMACIÓN
DIFERENCIAS EN LA UTILIZACIÓN DE LA BIBLIOTECA DEL IIESCA ANTE UN CAMBIO DE INFORMACIÓN Beatriz Meneses A. de Sesma * I. INTRODUCCIÓN En todo centro educativo, es de suma importancia el uso que se haga
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 detallesCurso de procesamiento del lenguaje natural
Curso de procesamiento del lenguaje natural César Antonio Aguilar Facultad de Lenguas y Letras 02/05/2012 Cesar.Aguilar72@gmail.com Qué es una palabra dentro de un corpus? (1) Un hecho que se da muchas
Más detallesCurso. 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
Más detallesSemántica española. César Antonio Aguilar Facultad de Lenguas y Letras 06/04/2016.
Semántica española César Antonio Aguilar Facultad de Lenguas y Letras 06/04/2016 caguilara@uc.cl Síntesis de la clase anterior (1) En la clase pasada, observamos de qué forma la lógica aporta a la semántica
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 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 detallesEs un conjunto de palabras y símbolos que permiten al usuario generar comandos e instrucciones para que la computadora los ejecute.
Los problemas que se plantean en la vida diaria suelen ser resueltos mediante el uso de la capacidad intelectual y la habilidad manual del ser humano. La utilización de la computadora en la resolución
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 detallesIdentificación 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
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesClasificador Jerárquico de Imágenes utilizando Naive Bayes
Clasificador Jerárquico de Imágenes utilizando Naive Bayes Hernandez Torres Julio Noe, Marin Castro Maribel Angelica Instituto Nacional de Astrofísica Óptica y Electrónica {julio.hernandez.t, mmarinc}
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 detallesWhite paper Un método para hacer corresponder entre candidatos y un puesto de trabajo Posiciones basadas en un modelado predictivo Presentado por:
White paper Un método para hacer corresponder entre candidatos y un puesto de trabajo Posiciones basadas en un modelado predictivo Presentado por: Introducción Si pregunta a dos directores de recursos
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesImpacto 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
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesANÁLISIS CUANTITATIVO POR WDFRX
ANÁLISIS CUANTITATIVO POR WDFRX El análisis cuantitativo se obtiene mediante la medida de las intensidades de las energías emitidas por la muestra. Siendo la intensidad de la emisión (número de fotones)
Más detallesDetección 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,
Más detallesSentiment Analysis para la clasificación de noticias financieras en los Mercados Argentinos. Un modelo híbrido de POST enriquecido semánticamente.
Sentiment Analysis para la clasificación de noticias financieras en los Mercados Argentinos. Un modelo híbrido de POST enriquecido semánticamente. Juan Pablo Braña, Alejandra M.J. Litterio y Alejandro
Más detallesModelos 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
Más detallesDesambiguación 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
Más detallesNUEVAS ESTRATEGIAS DE OPTIMIZACIÓN PARA EL PROCESO DE ENVASADO EN PESADORAS MULTICABEZALES IMPLEMENTADAS EN EMPRESAS DE ALIMENTOS
NUEVAS ESTRATEGIAS DE OPTIMIZACIÓN PARA EL PROCESO DE ENVASADO EN PESADORAS MULTICABEZALES IMPLEMENTADAS EN EMPRESAS DE ALIMENTOS 1. INTRODUCCIÓN Alexander De Jesús Pulido Rojano alpuro@doctor.upv.es Estudiante
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesItinerario: 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
Más detallesCómo escribir un artículo investigativo
Cómo escribir un artículo investigativo Prof. Fabio A. González O. Ph.D. Seminario de Investigación I Maestría en Ingeniería--Ingeniería de Sistemas y Computación Depto. Ing. de Sistemas e Industrial Universidad
Más detallesLa importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de
La importancia de las factorizaciones matriciales no negativas en la minería de datos y el procesamiento de imágenes Humberto Madrid, Irma García, Federico Garza Centro de Investigación en Matemáticas
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 detallesArgentina Factores asociados TERCE
Factores asociados TERCE a) Desempeño de los estudiantes La tabla 1 expone los resultados de en las pruebas TERCE y su comparación con el promedio de rendimiento regional. Como se observa, los estudiantes
Más detallesClasificación Semi-Supervisada de Documentos
Clasificación Semi-Supervisada de Documentos Roxana K. Aparicio Carrasco Ciencias e Ingeniería de la Información y la Computación, Universidad de Puerto Rico Mayagüez, 00681-5000, Puerto Rico roxana.aparicio@ece.uprm.edu
Más detallesMINERIA 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
Más detallesPanamá Factores asociados TERCE
Panamá Factores asociados TERCE a) Desempeño de los estudiantes La tabla 1 expone los resultados de Panamá en las pruebas TERCE y su comparación con el rendimiento promedio regional. Como se muestra, Panamá
Más detallesCostes Promedios Comparativos Litro sin Botella 3/4 Li
IX CONCLUSIONES 148 ESTRUCTURA DE COSTES DE LAS BODEGAS DE LA D.O TACORONTE-ACENTEJO Como resultado general de este proceso de estimación de los costes de producción de vino en la comarca Tacoronte-Acentejo,
Más detallesDetección 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
Más detallesUn método de caracterización del patrón de color en la elastografia de nódulos mamarios.
Un método de caracterización del patrón de color en la elastografia de nódulos mamarios. Poster no.: S-1431 Congreso: SERAM 2012 Tipo del póster: Presentación Electrónica Científica Autores: F. Sendra
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 detallesEvaluación 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
Más detallesX N USO DE LA ESTADÍSTICA
Química Analítica (93) USO DE LA ESTADÍSTICA ormalmente el experimentador hace uso de las herramientas estadísticas para establecer claramente el efecto del error indeterminado. En QUÍMICA AALÍTICA las
Más detallesTema 1 Magnitudes físicas y actividad científica
Tema 1 Magnitudes físicas y actividad científica Guía de Actividades Cada tema tendrá una serie de actividades que representan los distintos tipos de actividades que podrás encontrar en los exámenes. Estas
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesINSTRUCCIONES PARA LA SELECCIÓN MANUAL DE BILLETES EN EUROS APTOS PARA LA CIRCULACIÓN
INSTRUCCIONES PARA LA SELECCIÓN MANUAL DE BILLETES EN EUROS APTOS PARA LA CIRCULACIÓN 2016 INSTRUCCIONES PARA LA SELECCIÓN MANUAL DE BILLETES EN EUROS APTOS PARA LA CIRCULACIÓN Departamento de Emisión
Más detallesElementos para la estimación de una tabla de mortalidad de inválidos
Elementos para la estimación de una tabla de mortalidad de inválidos La Superintendencia Financiera de Colombia (SFC) ha presentado para comentarios el proyecto de actualización de la tabla de mortalidad
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
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 detallesEtiquetado gramatical
Etiquetado gramatical ITALICA Universidad de Sevilla José A. Troyano Índice Introducción Etiquetado con el modelo de Markov Etiquetado con el modelo de Markov oculto Etiquetado transformacional Precisión
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 detallesEn ciencias e ingeniería (experimentales) es imprescindible realizar mediciones, que consisten en obtener
ERRORES DE MEDICION Y SU PROPAGACION En ciencias e ingeniería (experimentales) es imprescindible realizar mediciones, que consisten en obtener la magnitud fisica de algun atributo de objetos ( proceso,
Más detallesLa redacción de un trabajo científico
La redacción de un trabajo científico Índice 1. Investigación y Publicación 2. Definición del artículo científico 3. Redacción científica 4. Principios de la redacción científica 5. Autores Título Palabras
Más detallesAnálisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina.
Análisis de Estructuras Espaciales Persistentes. Desempleo Departamental en Argentina. Marcos Herrera 1 1 CONICET IELDE - Universidad Nacional de Salta (Argentina) Seminario de Investigación Nº 27 8 de
Más detallesDR. JESÚS FABIÁN LÓPEZ PÉREZ
DR. JESÚS FABIÁN LÓPEZ PÉREZ A. DATOS PERSONALES 1. Nombre Jesús Fabián López Pérez 2. Domicilio 3. Teléfono Particular 4. E-mail : fabian.lopezpz@gmail.com 5. Teléfono y fax trabajo 6. Fecha de Nacimiento
Más detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesTransformaciones de Potencia
Transformaciones de Potencia Resumen El procedimiento Transformaciones de Potencia está diseñado para definir una transformación normalizadora para una columna de observaciones numéricas que no provienen
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 1 Representación de la Información
Más detallesLas escalas de equivalencia en la medición de la pobreza Síntesis de tesis de Maestría en Estadística, UCR. Nancy Pérez Valverde
Las escalas de equivalencia en la medición de la pobreza Síntesis de tesis de Maestría en Estadística, UCR Nancy Pérez Valverde Actualmente en Costa Rica, para delimitar los hogares pobres, el Instituto
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesQUE ES Y COMO SE ELABORA UNA MONOGRAFIA?
QUE ES Y COMO SE ELABORA UNA MONOGRAFIA? 1 Definición Etapas para la realización de una monografía científica Elección del tema Planificación Búsqueda bibliográfica Análisis, evaluación, interpretación
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesUniversidad Autónoma Metropolitana Unidad Azcapotzalco. División de Ciencias Básicas e Ingeniería. Licenciatura en Ingeniería en Computación
Universidad Autónoma Metropolitana Unidad Azcapotzalco División de Ciencias Básicas e Ingeniería Licenciatura en Ingeniería en Computación Propuesta de Proyecto Terminal Clasificación de servicios web
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
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 detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesEnfoque Conceptual Borroso en Recuperación de Información
I Workshop Virtual de Ingeniería Linguística UNAB-NAACL Enfoque Conceptual Borroso en Recuperación de Información Prof. Dr. Andrés Soto Villaverde Universidad Autónoma del Carmen Cd. Carmen, Campeche,
Más detallesANÁLISIS DE DATOS DE LOS ENTORNOS VIRTUALES DE APRENDIZAJE, USANDO TÉCNICAS DE MINERÍA DE DATOS.
ANÁLISIS DE DATOS DE LOS ENTORNOS VIRTUALES DE APRENDIZAJE, USANDO TÉCNICAS DE MINERÍA DE DATOS. Bernabé Ortega, Rodrigo Aguilar, Viviana Quevedo Facultad de Sistemas Mercantiles, Universidad Autónoma
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesHacia un sistema de marketing dirigido más eficaz y personalizado en redes sociales
Hacia un sistema de marketing dirigido más eficaz y personalizado en redes sociales Patxi Galán-García, Dr. Carlos Laorden Gómez, and Dr. Pablo García Bringas DeustoTech Computing - S 3 Lab, University
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesDavid 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
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesIntroducción a la Lógica y la Computación
Introducción a la Lógica y la Computación Parte III: Lenguajes y Autómatas Clase del 4 de Noviembre de 2015 Parte III: Lenguajes y Autómatas Introducción a la Lógica y la Computación 1/21 Lenguajes Formales
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesUNED LSI @ TASS 2013: Considerations about Textual Representation for IR based Tweet Classification
UNED LSI @ TASS 2013: Considerations about Textual Representation for IR based Tweet Classification UNED LSI en TASS 2013: Consideraciones acerca de la Representación Textual para la clasificación de Tweets
Más detallesPROYECTO DE INVESTIGACION por Universidad Nacional del Callao se encuentra bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 2.
PROYECTO DE INVESTIGACION por Universidad Nacional del Callao se encuentra bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 2.5 Perú. Permisos que vayan más allá de lo cubierto por
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detalles1.- Sistemas Numéricos 2.- Diferencia entre señal analógica y Digital 3.- Postulados básicos del Algebra de Boole
Profesor/a(s) Nivel o Curso/s Ramon E. Flores Pino 4º D GUÍA Nº 1 Unidad/Sub Unidad 1. Fundamentos de Electronica Digital Contenidos 1.- Sistemas Numéricos 2.- Diferencia entre señal analógica y Digital
Más detallesIIC 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.
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesINSTITUTO BOLIVIANO DE METROLOGÍA ENSAYO DE APTITUD. EA-LI-019 Determinación de Grados Brix INFORME FINAL
INSTITUTO BOLIVIANO DE METROLOGÍA ENSAYO DE APTITUD EA-LI-019 Determinación de Grados Brix INFORME FINAL DIRECCIÓN DE METROLOGÍA INDUSTRIAL Y CIENTÍFICA DMIC Año 2015 Elaborado por: Lic. Liliana Flores
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesFUNDAMENTOS SMARTGRIDS: Caso de Negocio Análisis Costo - Beneficio
FUNDAMENTOS SMARTGRIDS: Caso de Negocio Análisis Costo - Beneficio Eduardo Caicedo Bravo Profesor Titular eduardo.caicedo@correounivalle.edu.co Introducción CASO DE NEGOCIO? Introducción CASO DE NEGOCIO?
Más detallesNIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA
Copyright 2014 by TEA Ediciones AUTORES: INFORME: D. Arribas SOLUCIÓN INFORMÁTICA: X. Minguijón DISEÑO: R. Sánchez BAT-7 NIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA Informe psicopedagógico PERFIL Id: Edad:
Más detallesde 1 a 3 15 Desarrollo de ideas y precisión proposi Conclusión de 0 a 1 de 1 a 3
Resultados de la aplicación de la Expresión Escrita (EXPRESC) a la generación 16/Primavera de la División de Ciencias Sociales y Humanidades (DCSH), Unidad Cuajimalpa. La EXPRESC evalúa la expresión escrita
Más detallesDIRECCIÓN ACADÉMICA. Competencia Genérica:
DIRECCIÓN ACADÉMICA SECUENCIA FORMATIVA Plantel: Clave: Asignatura: Química II Clave: QI2102 Docente: Semestre: Segundo Periodo: 2009 Fecha: Unidad IV: Estado gaseoso Tiempo Asignado: 12 sesiones Grupo:
Más detallesMediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
Más detallesNuevo León, México Factores asociados TERCE
Nuevo León, México Factores asociados TERCE a) Desempeño de los estudiantes La tabla 1 expone los resultados del estado mexicano de Nuevo León en las pruebas TERCE y su comparación con el rendimiento promedio
Más detallesAnálisis sobre el idioma español en México, con base en la frecuencia de palabras azules, rojas, obscenas y vulgares en Twitter
Análisis sobre el idioma español en México, con base en la frecuencia de palabras azules, rojas, obscenas y vulgares en Twitter Orlando Ramos, Luis Alfredo Moctezuma, Jesús García, David Pinto, Rodolfo
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesInteligencia artificial
Inteligencia artificial Proceso de Lenguaje Natural Qué es el Lenguaje? Qué es el Lenguaje Natural? Procesamiento del lenguaje Natural (PLN) Aplicaciones PLN Niveles del Lenguaje Arquitectura de un sistema
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Excel 2013 LIBRO 10
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Excel 2013 LIBRO 10 Contenido GRÁFICOS... 3 GRÁFICOS DESCRIPCION... 4 TIPOS DE GRÁFICOS... 6 GRÁFICOS DE
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesC A P Í T U L O 3 CONTENIDOS QUE DEBEN ENSEÑARSE DE LOS SISTEMAS DE ECUACIONES LINEALES Y MÉTODOS DE SOLUCIÓN. Neevia docconverter 5.
C A P Í T U L O 3 CONTENIDOS QUE DEBEN ENSEÑARSE DE LOS SISTEMAS DE ECUACIONES LINEALES Y MÉTODOS DE SOLUCIÓN CAPITULO 3. CONTENIDOS QUE DEBEN ENSEÑARSE DE LOS SISTEMAS DE ECUACIONES LINEALES Y MÉTODOS
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesFÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico.
FÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico. OBJETIVOS 1. Reconocer las etapas del trabajo científico y elaborar informes
Más detalles