Análisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
|
|
- Felipe Campos Juárez
- hace 6 años
- Vistas:
Transcripción
1 Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1
2 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo hacer que las computadoras hagan cosas que los humanos hacemos mejor hasta ahora. Inteligencia computacional es una rama de la IA que estudia mecanismos adaptativos inspirados en la naturaleza para habilitar comportamiento inteligente en ambientes complejos y cambiantes. Sistemas inmunes artificiales Modela el sistema inmune humano Modela los sistemas neuronales biológicos Redes neuronales artificiales Computación evolutiva Modela la selección natural Modela la interacción de los organismos con el ambiente Sistemas difusos Inteligencia de enjambre Modela el comportamiento social de organismos Modelos probabilísticos Paradigmas de inteligencia computacional 2
3 Neurona biológica La neurona es una célula nerviosa cuya función es recolectar y procesar señales eléctricas. Las neuronas presentan una morfología típica: un cuerpo celular llamado soma, prolongaciones cortas que transmiten impulsos hacia el soma denominadas dendritas y una prolongación larga llamado axón que conduce impulsos desde el soma hacia otras neuronas u órganos. Dendrita Terminal del axón Soma Núcleo Axón Mielina Modelo de una neurona biológica. 3
4 Neurona biológica El cerebro humano posee aproximadamente neuronas conectadas por aproximadamente sinapsis. La sinapsis es el enlace electro-químico para la transmisión del impulso nervioso entre neuronas. Las redes neuronales en el cerebro forman un sistema de procesamiento paralelo de información masiva. El aprendizaje puede deberse al cambio en la fuerza en las conexiones neuronales, es decir, agregar o eliminar conexiones (plasticidad sináptica). La eficacia de la sinapsis puede cambiar debido a la experiencia, dotando de memoria y aprendizaje a través de la potenciación a largo plazo. 4
5 Neurona artificial Tres trabajos sentaron las bases de las redes neuronales artificiales (RNA) actuales: McCulloch & Pitts (1943). Primer modelo neuronal simplificado. Podía resolver las operaciones lógicas AND, OR y NOT. Hebb (1949). Propone un modelo matemático que incluye el concepto de aprendizaje por medio de refuerzo o asociación. Rosenblatt (1959, 1962). Origen del concepto machine learning. Propuso el modelo perceptrón, el cual al ser entrenado converge en un número finito de iteraciones. 5
6 Neurona de McCulloch-Pitts McCulloch y Pitts (1943) propusieron el primer modelo simplificado de una neurona artificial con comportamiento binario, es decir, dado un umbral de activación, θ, la respuesta de la neurona sufre un cambio abrupto de estado de 0 1 ó viceversa: Entradas excitatorias a 2 a 1 a n b 1 Entradas inhibitorias Σ θ b 2 b m y donde la respuesta de la neurona es: y = 1 si a i θ y b j = 0 McCulloch & Pitts (1943), A Logical Calculus and the Ideas Immanent in the Nervous Activity, Bulletin of Mathematical Biophysics, vol. 5, pp n i=1 0 otro caso m j =1 (1) 6
7 Neurona de McCulloch-Pitts La implementación de las funciones lógicas AND, OR y NOT utiliza la siguiente configuración de la neurona: AND OR a 1 a 2 b 1 θ=2 θ= a 1 Σ a 2b1 θ y NOT a 1 a 2 b 1 θ= Las principales limitantes del modelo de McCulloch-Pitts son: Los umbrales son determinados analíticamente, es decir, no existe un mecanismo de aprendizaje. Únicamente trabaja con problemas binarios 7
8 Teoría Hebbiana La teoría Hebbiana describe el mecanismo básico de plasticidad sináptica, el valor de una conexión sináptica se incrementa si las neuronas de ambos lados de la sinapsis se activan repetidas veces de forma simultánea y se debilita si se activan por separado. Conexión fuerte Apple Conexión débil Marca Fruta Probablemente, en países de habla hispana, la palabra Apple esté más relacionada con la marca de computadoras que con la fruta. 8
9 Perceptrón simple El modelo de aprendizaje Hebbiano establece cómo modificar los pesos sinápticos, w=[w 0,w 1,,w d ], entre neuronas y se aplica para entrenar la neurona artificial de McCulloch-Pitts (1943), dando origen al modelo perceptrón introducido por Rosenblatt en 1958: w 1 w 0 Función de transferencia Entradas x 3 w 2 w 3 Σ φ f x d w d donde la respuesta de la neurona para un patrón x es: f (x) = ϕ w 0 + d i=1 w i x i (2) 9
10 Perceptrón simple El proceso de aprendizaje de una neurona consiste en adaptar los pesos sinápticos para realizar un mapeo entrada salida: w j = 1 n n, j = 1,,d (3) i=1 y i x i,j donde n es el número de muestras de aprendizaje y y i es la salida deseada del patrón xi=[1,x i,1,x i,2,,x i,d ] T (aumentado). La función de transferencia define la salida de la neurona como: ϕ(z) = +1 si z > θ 1 otro caso (4) donde θ es un umbral predeterminado. 10
11 Perceptrón simple La implementación de las funciones lógicas AND, OR y NOT utiliza la siguiente configuración de la neurona: w 0 w AND = [ 0.5,0.5,0.5] T w OR = [0.5,0.5,0.5] T w NOT = [0,0, 1] T w 1 Σ θ=0 w 2 f AND OR NOT w T x f w T x f w T x f
12 Perceptrón simple El perceptrón simple es un clasificador lineal, donde los pesos pueden ser ajustados mediante un algoritmo de descenso de gradiente Fronteras de decisión generadas por el perceptrón simple para los problemas AND (izquierda) y OR (derecha). 12
13 Perceptrón simple Uno de los resultados mostrados en el trabajo de Minsky y Papert (1969) fue que el perceptrón simple no es capaz de representar la compuerta XOR, ya que no existe separabilidad lineal entre clases. 1 XOR En el problema XOR no existe una única recta que separe a los puntos negros de los blancos. *M. L. Minsky & S. A. Papert (1969). Perceptrons. Cambridge, MA: MIT Press. 13
14 Perceptrón multicapa 0.5 AND Capa de entrada Capa oculta Σ Σ θ 0.5 Σ θ f θ Capa de salida La capa de entrada distribuye las variables del patrón de entrada hacia la capa oculta. En la capa oculta se entrenan dos perceptrones para resolver la compuerta AND (rojo) y OR (negro) cuyas respuestas son combinadas en la capa de salida generando una solución bilineal al problema XOR. El umbral θ=0 para todos los perceptrones. OR
15 Perceptrón multicapa Aunque el perceptrón multicapa es capaz de resolver el problema XOR, surge un problema en la generalización a problemas no linealmente separables: cómo calcular los pesos sinápticos de las neuronas ocultas sin conocer su salida deseada? En 1974 P. Werbos planteó una solución para el entrenamiento del perceptrón multicapa, aunque fue hasta 1986 cuando Rumelhart propuso un algoritmo similar al que llamó retropropagación del error (backpropagation algorithm). El algoritmo backpropagation está basado en el método de descenso de gradiente para minimizar el error. Es un algoritmo ampliamente utilizado para entrenamiento supervisado de RNA. P. J. Werbos. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. PhD thesis, Harvard University, D. E. Rumelhart, G. E. Hinton, R. J. Williams, "Learning representations by back-propagating errors". Nature 323 (6088): ,
16 Red neuronal prealimentada El perceptrón multicapa da origen a la red neuronal prealimentada (feedforward neural network, FNN) que utiliza el algoritmo backpropagation en el entrenamiento. z z Una red de dos capas sólo genera fronteras de decisión lineales, mientras que una red con dos o más capas produce fronteras de decisión arbitrarias. 16
17 Red neuronal prealimentada w ji y 1 w kj z 1 Salida de la red Referencia t 1 y 2 y 3 z 2 t 2 x i x i z k t k x d x d y j z c t c y h Entrada Oculta Salida Una red FNN d-h-c totalmente conectada de tres capas y la notación utilizada para la derivación del algoritmo backpropagation. 17
18 Función de activación Un nodo oculto o nodo de salida genera una respuesta no lineal a una variable de entrada ponderada con un peso sináptico. Dicha respuesta no lineal está dada por una función de activación, siendo la función sigmoidal la más utilizada en FNN y se define como: y su primera derivada es: σ(x) = exp( x) (5) σ(x ) = σ(x)(1 σ(x)) (6) Se asume la misma no linearidad para todos los nodos ocultos y de salida. 18
19 Aprendizaje de la FNN El entrenamiento de la FNN consiste en encontrar el conjunto de pesos que reduzca el error de entrenamiento entre la salida de la red y la referencia (etiqueta de clase): J(w) 1 2 c (t k z k ) 2 = 1 2 t z 2 (7) k=1 donde t y z son los vectores de referencia (target) y salida de la red y w representa todos los pesos en la red. La regla de entrenamiento backpropagation está basada en descenso de gradiente. Los pesos se inicializan aleatoriamente y cambian en la dirección que reduce el error: Δw = η J (8) donde η es la taza de aprendizaje. Entonces la regla de actualización en la iteración t es: w(t + 1) = w(t) + Δw(t) (9) w 19
20 Aprendizaje de la FNN Tomando el problema de entrenamiento de una FNN con tres capas, primero se derivan los pesos de las capas oculta salida mediante la regla de la cadena: Derivando J se tiene: y derivando z k se tiene: J w kj = J z k J = 1 z k z k 2 (t z k k )2 z k = σ(!y ) j w kj w kj z k w kj (10) = (t z ) k k (11) (12) donde!y j = w kj y j. = σ(!y j )(1 σ(!y j ))y j 20
21 Aprendizaje de la FNN Entonces sustituyendo (11) y (12) en (10) se obtiene la regla de aprendizaje para los pesos de las capas oculta salida: Δw kj = η(t k z k )σ(!y j )(1 σ(!y j ))y j = ηδ k y j (13) donde δ k es la sensibilidad de la neurona k y describe cómo el error cambia con la activación de la neurona. Derivando los pesos de las capas entrada oculta se vuelve aplicar la regla de la cadena: J w ji = J y j y j w ji (14) 21
22 Aprendizaje de la FNN Derivando J se tiene: J = 1 y j y j 2 c k=1 c (t k z k ) 2 = (t z ) z k k k k=1 y j c z = (t k z k ) k!y c j = (t k=1!y j y k z k ) j k=1 Derivando y j se tiene: y j = σ(!x ) i = σ(!x w ji w i )(1 σ(!x i ))!x i ji w ji Δw ji = η σ(!y j )(1 σ(!y j ))w kj (15) = σ(!x i )(1 σ(!x i ))x i (16) donde!x i = w ji x i. Entonces, la regla de aprendizaje para los pesos de las capas entrada oculta es: c k=1 w kj δ k σ(!x i )(1 σ(!x i ))x i (17) = ηδ j x i 22
23 Aprendizaje de la FNN El cálculo del bias involucra una entrada ficticia cuyo valor es siempre la unidad para cada neurona de la red, de modo que todos los pesos bias se actualizan exactamente igual que los pesos sinápticos durante las iteraciones. 1 z Se considera una entrada unitaria para el cálculo del bias. 23
24 Aprendizaje de la FNN En el algoritmo backpropagation, todos patrones de entrenamiento se presentan primero para generar una salida de la red con los pesos actuales y sólo entonces se actualizan los pesos. Este proceso se itera hasta que se cumpla una condición de paro. Algoritmo backpropagation. Begin initialize: w, n #patrones, umbral θ, η, t 0 do t t+1 // Incrementa la época p 0; w ji 0; w kj 0 do p p+1 x p selecciona un patrón w ji w ji + ηδ j x i w kj w kj + ηδ k y j until p=n w ji w ji + w ji w kj w kj + w kj until J(w) <θ return w end 24
25 Conjunto de validación Para evitar el sobreentrenamiento de la red, adicionalmente al conjunto de entrenamiento, se debe usar un conjunto independiente denominado conjunto de validación, de modo que el entrenamiento se detiene en el mínimo error de validación. J/n validación entrenamiento prueba épocas Una curva de entrenamiento muestra la función de costo en función del número de épocas. Los errores de validación y prueba son generalmente más altos que el error de entrenamiento. 25
26 Funciones discriminantes Para clasificar un patrón desconocido, se tendrán c neuronas de salida, una para cada clase, y la señal de cada neurona de salida es la función discriminante g k (x). Para un patrón de entrada x la respuesta de la k-ésima neurona de salida para una FNN d-h-c es: h d g k (x) z k = σ w kj σ w ji x i + w j 0 i=1 + w k 0 j =1 (18) Entonces, el patrón x es clasificado en ω p, p=1,,c, si g p (x) > g q (x), p q (19) 26
27 Funciones discriminantes FNN FNN
28 Ventajas de las RNAs Las RNAs son relativamente fáciles de implementar y presenta las siguientes ventajas: No linealidad. Dependiendo de la función de activación, una neurona puede tener una respuesta no lineal, de manera que con la interconexión de varias neuronas se pueden generar fronteras de decisión no lineales. Relación entrada-salida. Las RNAs aprenden de ejemplos, los cuales son introducidos como un conjunto de muestras etiquetadas donde a cada entrada le corresponde una salida. Adaptabilidad. Debido a su capacidad de aprendizaje continuo, las RNAs tienen la habilidad de adaptarse a problemas no estacionarios en el tiempo, adaptando sus pesos al entorno que las rodea. Tolerancia a fallos. El alto grado de paralelismo les confiere una gran robustez, ya que si una neurona o peso sináptico falla, el daño se ve amortiguado por las neuronas vecinas. 28
29 Desventajas de las RNAs Por otro lado, las RNAs presentan los siguientes problemas: Sobreentrenamiento. Cuando la red no es capaz de generalizar, es decir, que calcule correctamente las relaciones entrada-salida para muestras no presentadas durante el entrenamiento, se dice que se ha sobreentrenado. Número de neuronas. No existe una forma sencilla de definir el número adecuado de neuronas y capas ocultas. Mínimos locales. Durante el entrenamiento existe la posibilidad de caer en un mínimo local, es decir, la solución no alcanzó el mínimo error posible. 29
Inteligencia 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 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 detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesIntroducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
Más detallesCONCEPTOS 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
Más detallesen el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA
COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información
Más detallesCAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS
CAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS La idea de ser parte constituyente de la estructura cerebral la introducen Ramón y Cajal en 9. El tamaño de una neurona es de cinco a seis veces más
Más detalles2. PRINCIPALES TIPOS DE REDES NEURONALES
33 2. PRINCIPALES TIPOS DE REDES NEURONALES 2.1 PERCEPTRÓN 2.1.1 Antecedentes. La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; ésta consistía en una suma
Más detallesTema 9: Introducción a las redes neuronales
D. Balbontín Noval F. J. Martín Mateos J. L. Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Neuronas artificiales: inspiración biológica El aprendizaje en
Más detallesPredicción de índices de futuros financieros mediante redes neuronales
Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de
Más detallesIntroducción a las Redes Neuronales. Tomás Arredondo Vidal Depto. Electronica UTFSM 4/5/12
Introducción a las Redes Neuronales Tomás Arredondo Vidal Depto. Electronica UTFSM 4/5/2 Introducción a las Redes Neuronales Contenidos Introducción a las neuronas Introducción a las redes neuronales artificiales
Más detallesLección 6 Redes Neuronales Artificiales Curso Básico
Lección 6 Redes Neuronales Artificiales Curso Básico Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6-10 diciembre 2010 Federico Morán Departamento de Bioqímica
Más detallesTEMA 6 Redes de Neuronas Artificiales
TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios
Más detallesALGUNOS HECHOS INTERESANTES DE LAS NEURONAS. La idea de ser parte constituyente de la estructura cerebral la introducen Ramón y Cajal en 1911.
ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS La idea de ser parte constituyente de la estructura cerebral la introducen Ramón y Cajal en 9. El tamaño de una neurona es de cinco a seis veces más pequeño
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesAprendizaje 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 detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesTema 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
Más detallesConceptualizando la integración de la Inteligencia Colectiva y Artificial con I3geo
Conceptualizando la integración de la Inteligencia Colectiva y Artificial con I3geo Pedro Robles, Juan Daniel Castillo, María Amparo Núñez y Josep María Monguet BarcelonaTech Introducción. Objetivo. Agenda
Más detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detalles4 Método propuesto basado en el Perceptrón Multicapa
Capítulo 4 4 Método propuesto basado en el Perceptrón Multicapa En este capítulo se presenta el nuevo enfoque que se propone en esta tesis para la generación de series sintéticas de radiación solar. Está
Más detallesMODELOS DE COMPUTACION II
INGENIERIA INFORMATICA ÁREA: CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL MODELOS DE COMPUTACION II Presentación del profesor y de la asignatura JUAN LUIS CASTRO PEÑA 2010-11 Información: http://decsai.ugr.es/~castro/mcii
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesCOMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION)
COMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION) Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve COMPUTACIÓN INTELIGENTE METODOLOGÍA COMPUTISTA
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 detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesIntroducción. 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
Más detallesDesarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional
Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional Titulación: Ingeniero Técnico Industrial Intensificación: Electrónica industrial
Más detallesNUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN..-Redes Neuronales Artificiales vs Redes Neuronales Biológicas
NUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN.-Redes Neuronales Artificiales vs Redes Neuronales Biológicas 1) Comparación entre humanos y máquinas 2) Las neuronas y el aprendizaje 3) Activación de las
Más detallesAPRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES
UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA APRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES TESIS PARA OBTENER EL TÍTULO DE: LICENCIADO EN MATEMÁTICAS APLICADAS PRESENTA: NORMA PELÁEZ
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2010/2 2009/2
Lógica difusa Semestre 2010/2 Bibliografía básica (módulo sistemas Difusos) Neuro-Fuzzy and soft computing, J.S. Roger Jang, C. Tsai Sun, Eiji Mizutami, Prentice Hall, 1997. Learning and soft computing:
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
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 detallesCapítulo 1.- Redes Neuronales y Reconocimiento de Patrones.
Capítulo 1.- Redes Neuronales y Reconocimiento de Patrones. Autores: Dr. Luis Alonso Romero *. Dr. Teodoro Calonge Cano **. * Dpto. de Informática y Automática. Universidad de Salamanca- España ** Dpto
Más detallesTema 8. Redes Neuronales
Tema 8. Redes Neuronales Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea 8.1
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 detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más 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 detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesIntroducción a las redes neuronales aplicadas
Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos
Más detallesReconocimiento de patrones mediante redes neuronales artificiales
Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas
Más detallesIntroducción a las Redes Neuronales Aplicadas
Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Fernando Izaurieta y Carlos Saavedra Departamento de Física, Universidad de Concepción, Concepción, Chile RESUMEN En esta charla se entrega una descripción de las características
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesImplementación de redes neuronales sobre lógica reconfigurable
UNIVERSIDAD TECNOLÓGICADE LA MIXTECA DIVISIÓN DE ESTUDIOS DE POSGRADO Implementación de redes neuronales sobre lógica reconfigurable PARA OBTENER EL GRADO DE: Maestro en Electrónica, Opción: Sistemas Inteligentes
Más detallesSimulación 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.
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
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 detallesSISTEMA LOGISTICO DE PREVISIÓN ON-LINE, MEDIANTE REDES NEURONALES DEL SISTEMA DE DISTRIBUCIÓN DE UNA EMPRESA ELÉCTRICA.
Investigaciones Europeas de Dirección y Economía de la Empresa VoJ.2,W3,1996,pp.6l-79 SISTEMA LOGISTICO DE PREVISIÓN ON-LINE, MEDIANTE REDES NEURONALES DEL SISTEMA DE DISTRIBUCIÓN DE UNA EMPRESA ELÉCTRICA.
Más detalles8º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA Cusco, 23 al 25 de Octubre de 2007
8º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA Cusco, 23 al 25 de Octubre de 2007 DETECCIÓN DE DEFECTOS MEDIANTE REDES NEURONALES ARTIFICIALES EN EVALUACIONES HECHAS EN EL DOMINIO DE LA FRECUENCIA.
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesUNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO AUTORES : A LIRIO MAYORGA DELGADO Y HECTOR JULIO PEDROZA GARZON FACULTAD: INGENIERIAS PLAN DE ESTUDIOS:.
Más detallesING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES
ING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES Ing. Bruno López Takeyas ALUMNOS: Jesús Martín Buentello Vargas Oscar de Luna Quezada Jesús Antonio Galindo Palacios Daniel Villanueva Cisneros
Más detallesTRABAJO FINAL INTELIGENCIAS MÚLTIPLES. Alumno: Diego Joselito Pesantez B. Psicólogo Clínico
TRABAJO FINAL INTELIGENCIAS MÚLTIPLES Alumno: Diego Joselito Pesantez B. Psicólogo Clínico INTELIGENCIA: Palabra introducida por Cicerón para identificar el concepto de capacidad intelectual, proviene
Más detallesAplicación de Redes Neuronales al Procesamiento de Alarmas en Sistemas S.C.A.D.A.
Aplicación de Redes Neuronales al Procesamiento de Alarmas en Sistemas S.C.A.D.A. Elías Carnelli Este trabajo es el resultado del estudio de aplicaciones de redes neuronales y lógica difusa en el reconocimiento
Más detallesPrimer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso
Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1
Más detallesCátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.
Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería
Más detallesMáquinas de Aprendizaje Extremo Multicapa: Estudio y Evaluación de Resultados en la Segmentación Automática de Carótidas en Imágenes Ecográficas
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN UNIVERSIDAD POLITÉCNICA DE CARTAGENA Proyecto Fin de Carrera Máquinas de Aprendizaje Extremo Multicapa: Estudio y Evaluación de Resultados en
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesEFECTO DE LA TOPOLOGIA DE REDES NEURONALES DE BACKPROPAGATION EN LA OPTIMIZACION DE PROCESOS QUÍMICOS VIA MODELOS MATEMATICOS NEURONALES EMPÍRICOS.
EFECTO DE LA TOPOLOGIA DE REDES NEURONALES DE BACKPROPAGATION EN LA OPTIMIZACION DE PROCESOS QUÍMICOS VIA MODELOS MATEMATICOS NEURONALES EMPÍRICOS. INTRODUCCIÒN MSc. Ing. Edwin Guido Boza Condorena Facultad
Más detallesRedes Neuronales. Jorge Granados. Agosto TEXTO SELECCIONADO Y ADAPTADO PARA USO DOCENTE por Ing. Simón Mario Tenzer, Octubre 1999
Redes Neuronales Jorge Granados Agosto 1996 TEXTO SELECCIONADO Y ADAPTADO PARA USO DOCENTE por Ing. Simón Mario Tenzer, Octubre 1999 Indice I.-Redes Neuronales Artificiales vs Redes Neuronales Biológicas
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 detallesIA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC
Práctica Final de IRC Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física
Más detallesGENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES
GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr.
Más detallesI SEMANA ELECTRONICA REDES NEURONALES
UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación
Más detallesGRAMATICAS LIBRES DEL CONTEXTO
GRMTICS LIBRES DEL CONTEXTO Estas gramáticas, conocidas también como gramáticas de tipo 2 o gramáticas independientes del contexto, son las que generan los lenguajes libres o independientes del contexto.
Más detallesSISTEMAS INFORMÁTICOS PROGRAMACION I - Contenidos Analíticos Ing. Alejandro Guzmán M. TEMA 2. Diseño de Algoritmos
TEMA 2 Diseño de Algoritmos 7 2. DISEÑO DE ALGORITMOS 2.1. Concepto de Algoritmo En matemáticas, ciencias de la computación y disciplinas relacionadas, un algoritmo (del griego y latín, dixit algorithmus
Más detallesAnálisis de cerchas Método de las uniones
Seminario de Modelación Matemática em Arquitectura Análisis de cerchas Método de las uniones Determinar las fuerzas internas de cada uno de los miembros de la siguiente cercha: /2 500 lb 250 lb Y 3/2 X
Más detallesDISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE. CONTROL 2 x 2
DISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE CONTROL 2 x 2 ERICK FRANK SARMIENTO JURADO UNIVERSIDAD DEL NORTE DIVISIÓN DE INGENIERÍAS MAESTRÍA
Más detallesHerramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer
Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)
Más detallesClasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes. Sergio Roa Ovalle
Clasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes Sergio Roa Ovalle Universidad Nacional de Colombia Facultad de Ingeniería Departamento de Sistemas Bogotá 2002 Clasificación
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 detallesREDES NEURONALES INTRODUCCIÓN
REDES NEURONALES ABSTRACT By these days when we have to improve everything from our lives to the tools we use in order to mae easier the activities, where we locate our selves to analyze the importance
Más detallesAPLICACIÓN DE LA REALIDAD AUMENTADA PARA LA ENSEÑANZA DE REDES NEURONALES OSCAR EDUARDO SERNA ROSERO
APLICACIÓN DE LA REALIDAD AUMENTADA PARA LA ENSEÑANZA DE REDES NEURONALES OSCAR EDUARDO SERNA ROSERO UNIVERSIDAD AUTONOMA DE OCCIDENTE FACULTAD DE INGENIERÍA DEPARTAMENTO DE AUTOMÁTICA Y ELECTRÓNICA PROGRAMA
Más detallesREDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS. Miguel Ángel Sánchez Gómez. Ingeniería de Telecomunicación Universidad Carlos III de Madrid
REDES NEURONALES APLICACIÓN AL PROCESAMIENTO DE ALARMAS Miguel Ángel Sánchez Gómez Ingeniería de Telecomunicación Universidad Carlos III de Madrid 100035439@alumnos.uc3m.es ABSTRACT En el presente trabajo
Más detallesUNIVERSIDAD VERACRUZANA MONOGRAFÍA: Licenciado en Sistemas Computacionales Administrativos. Francisco Xavier Basilio Hernández
UNIVERSIDAD VERACRUZANA Facultad de Contaduría y Administración Las redes neuronales con un Enfoque organizacional MONOGRAFÍA: Para obtener el título de: Licenciado en Sistemas Computacionales Administrativos
Más detallesTema 5. Reconocimiento de patrones
Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores
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 detallesIntroducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica
Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica pgarcia@ull.es 1 Sumario Introducción Inspiración biológica Modelado Neuronal Implementaciones Aplicaciones Grupo de trabajo
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 detalles2.5 - Tejido nervioso
2.5 - Tejido nervioso Tejido especializado en la transmisión de información Se basa en una células llamadas Células nerviosas o Neuronas Estas células necesitan la ayuda de células auxiliares: células
Más detallesADALINE Y PERCEPTRON
Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.
Más detallesSistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno
Memorias del II Congreso Binacional de Investigación, Ciencia y Tecnología de las Universidades Sistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno Heber Iván Mejía Cabrera,
Más detalles1 Introducción a las Redes Neuronales Artificiales.
1 Introducción a las Redes Neuronales Artificiales. Contenido 1 Introducción a las Redes Neuronales Artificiales.... 0 1.1 Introducción.... 1 1.1.1 Inteligencia, Inteligencia Artificial e Inteligencia
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 detalles2. MODELO NEURONAL DESCRIPTIVO
2. MODELO NEURONAL DESCRIPTIVO En este punto queremos introducir una serie de definiciones relativas a la naturaleza biológica de la neurona. Lo más reseñable en este punto del informe es que el sistema
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2009/2 2010/2
REDES NEURONALES Semestre 2010/2 INTRODUCCIÓN A LAS REDES NEURONALES La forma como el cerebro humano procesa la información es completamente diferente a la forma como la procesa un computador digital:
Más detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesMapas Autoorganizativos y el Problema del Agente Viajero, Backpropagation y Reconocimiento de Digitos
Mapas Autoorganizativos y el Problema del Agente Viajero, Backpropagation y Reconocimiento de Digitos Jorge Guevara-Díaz 1 1 Maestria en Ciencia de la Computación, Universidad Nacional de Trujillo jorge.jorjasso@gmail.com
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesMODELOS DE REDES NEURONALES APLICADO EN LA PREDICCIÓN DEL SIGNO DE LOS FONDOS DE AFP CUPRUM
MODELOS DE REDES NEURONALES APLICADO EN LA PREDICCIÓN DEL SIGNO DE LOS FONDOS DE AFP CUPRUM TESIS PARA OPTAR AL GRADO DE MAGÍSTER EN FINANZAS Alumno: Mauricio Alarcón Jaque. Profesor Guía: Ph.D. Marcelo
Más detallesJosé Ignacio Latorre Universidad de Barcelona
INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a
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 detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detalles