Participación de SINAI en TASS 2016
|
|
- Héctor Belmonte Muñoz
- hace 6 años
- Vistas:
Transcripción
1 TASS 2016: Workshop on Sentiment Analysis at SEPLN, septiembre 2016, pág Participación de SINAI en TASS 2016 SINAI participation in TASS 2016 A. Montejo-Ráez University of Jaén Jaén (Spain) M.C. Díaz-Galiano University of Jaén Jaén (Spain) Resumen: Este artículo describe el sistema de clasificación de la polaridad utilizado por el equipo SINAI en la tarea 1 del taller TASS Como en participaciones anteriores, nuestro sistema se basa en un método supervisado con SVM a partir de vectores de palabras. Dichos vectores se calculan utilizando la técnicas de deeplearning Word2Vec, usando modelos generados a partir de una colección de tweets expresamente generada para esta tarea y el volcado de la Wikipedia en español. Nuestros experimentos muestran que el uso de colecciones de datos masivos de Twitter pueden ayudar a mejorar sensiblemente el rendimiento del clasificador. Palabras clave: Análisis de sentimientos, clasificación de la polaridad, deeplearning, Word2Vec Abstract: This paper introduces the polarity classification system used by the SI- NAI team for the task 1 at the TASS 2016 workshop. Our approach is based on a supervised learning algorithm over vectors resulting from a weighted vector. This vector is computed using a deep-learning algorithm called Word2Vec. The algorithm is applied so as to generate a word vector from a deep neural net trained over a specific tweets collection and the Spanish Wikipedia. Our experiments show massive data from Twitter can lead to a slight improvement in classificaciones accuracy. Keywords: Sentiment analysis, polarity classification, deep learning, Word2Vec, Doc2Vec 1 Introducción En este trabajo describimos las aportaciones realizadas para participar en la tarea 1 del taller TASS (Sentiment Analysis at global level), en su edición de 2016 (García-Cumbreras et al., 2016). Nuestra solución continúa con las técnicas aplicadas en el TASS 2014 (Montejo-Ráez, García- Cumbreras, y Díaz-Galiano, 2014) y 2015 (Díaz-Galiano y Montejo-Ráez, 2015), utilizando aprendizaje profundo para representar el texto y una colección de entrenamiento creada con tweets que contienen emoticonos que expresan emociones de felicidad o tristeza. Para ello utilizamos el método Word2Vec, ya que ha obtenido los mejores resultados en años anteriores. Por lo tanto, generamos un vector de pesos para cada palabra del tweet utilizando Word2Vec, y realizamos la media Este estudio está parcialmente financiado por el proyecto TIN C2-1-R otorgado por el Ministerio de Economía y Competitividad del Gobierno de España. ISSN de dichos vectores para obtener una única representación vectorial. Nuestros resultados demuestran que el rendimiento del sistema de clasificación puede verse sensiblemente mejorado gracias a la introducción de estos datos en la generación del modelo de palabras, no así en el entrenamiento del clasificador de polaridad final. La tarea del TASS en 2016 denominada Sentiment Analysis at global level consiste en el desarrollo y evaluación de sistemas que determinan la polaridad global de cada tweet del corpus general. Los sistemas presentados deben predecir la polaridad de cada tweet utilizando 6 o 4 etiquetas de clase (granularidad fina y gruesa respectivamente). El resto del artículo está organizado de la siguiente forma. El apartado 2 describe el estado del arte de los sistemas de clasificación de polaridad en español. A continuación, se describe la colección de tweets con emoticonos utilizada para entrenar el clasificador. En el apartado 4 se describe el sistema desarro-
2 A. Montejo-Ráez, M. C. Díaz-Galiano llado y en el apartado 5 los experimentos realizados, los resultados obtenidos y el análisis de los mismos. Finalmente, en el último apartado exponemos las conclusiones y el trabajo futuro. 2 Clasificación de la polaridad en español 42 La mayor parte de los sistemas de clasificación de polaridad están centrados en textos en inglés, y para textos en español el sistema más completo, en cuanto a técnicas lingüísticas aplicadas, posiblemente sea The Spanish SO Calculator (Brooke, Tofiloski, y Taboada, 2009), que además de resolver la polaridad de los componentes clásicos (adjetivos, sustantivos, verbos y adverbios) trabaja con modificadores como la detección de negación o los intensificadores. Los algoritmos de aprendizaje profundo (deep-learning en inglés) están dando buenos resultados en tareas donde el estado del arte parecía haberse estancado (Bengio, 2009). Estas técnicas también son de aplicación en el procesamiento del lenguaje natural (Collobert y Weston, 2008), e incluso ya existen sistemas orientados al análisis de sentimientos, como el de Socher et al. (Socher et al., 2011). Los algoritmos de aprendizaje automático no son nuevos, pero sí están resurgiendo gracias a una mejora de las técnicas y la disposición de grandes volúmenes de datos necesarios para su entrenamiento efectivo. En la edición de TASS en 2012 el equipo que obtuvo mejores resultados (Saralegi Urizar y San Vicente Roncal, 2012) presentaron un sistema completo de pre-procesamiento de los tweets y aplicaron un lexicón derivado del inglés para polarizar los tweets. Sus resultados eran robustos en granularidad fina (65 % de accuracy) y gruesa (71 % de accuracy). En la edición de TASS en 2013 el mejor equipo (Fernández et al., 2013) tuvo todos sus experimentos en el top 10 de los resultados, y la combinación de ellos alcanzó la primera posición. Presentaron un sistema con dos variantes: una versión modificada del algoritmo de ranking (RA-SR) utilizando bigramas, y una nueva propuesta basada en skipgrams. Con estas dos variantes crearon lexicones sobre sentimientos, y los utilizaron junto con aprendizaje automático (SVM) para detectar la polaridad de los tweets. En 2014 el equipo con mejores resultados en TASS se denominaba ELiRF-UPV (Hurtado y Pla, 2014). Abordaron la tarea como un problema de clasificación, utilizando SVM. Utilizaron una estrategia uno-contratodos donde entrenan un sistema binario para cada polaridad. Los tweets fueron tokeninizados para utilizar las palabras o los lemas como características y el valor de cada característica era su coeficiente tf-idf. Posteriormente realizaron una validación cruzada para determinar el mejor conjunto de características y parámetros a utilizar. El equipo ELiRF-UPV (Hurtado, Pla, y Buscaldi, 2015) volvió a obtener los mejores resultados en la edición de TASS 2015 con una técnica muy similar a la edición anterior (SVM, tokenización, clasificadores binarios y coeficientes tf-idf). En este caso utilizaron un sistema de votación simple entre un mayor número de clasificadores con parámetros distintos. Los mejores resultados los obtuvieron con un sistema que combinaba 192 sistemas SVM con configuraciones diferentes, utilizando un nuevo sistema SVM para realizar dicha combinación. 3 Colección de tweets con emoticonos Los algoritmos de deep-learning necesitan grandes volúmenes de datos para su entrenamiento. Por ese motivo se ha creado una colección de tweets específica para la detección de polaridad. Para crear dicha colección se han recuperado tweets con las siguientes características: Que contengan emoticonos que expresen la polaridad del tweet. En este caso se han utilizado los siguientes emoticonos: Positivos: :) :-) :D :-D Negativos: :( :-( Que los tweets no contengan URLs, para evitar tweets cuyo contenido principal se encuentra en el enlace. Que no sean retweets, para reducir el número de tweets repetidos. La captura de dichos tweets se realizó durante 22 días, del 18/07/2016 hasta el 9/08/2016, recuperando unos tweets diarios aproximadamente. Tal y como se ve en la Figura 1 la recuperación fue muy homogénea y se obtuvieron más de de tweets.
3 Participación de SINAI en TASS 2016 Figura 1: Número de tweets recuperados cada 12 horas Posteriormente, se realizó un filtrado de dichos tweets eliminando aquellos que contubieran menos de 5 palabras, teniendo en cuenta que consideramos palabra todo término que sólo contenga letras (sin números, ni caracteres especiales). Al final quedaron clasificados según el emoticono que contienen de la siguiente manera: Positivos: tweets Negativos: tweets Por último, se realiza la siguiente limpieza de tweets: Convertir el texto a minúsculas. Eliminar menciones (nombres de usuario que empiezan el Sustituir letras acentuadas por sus versiones sin acentuar. Quitar las palabras vacías de contenido (stopwords). Normalizar las palabras para que no contengan letras repetidas, sustituyendo las repeticiones de letras contiguas para dejar sólo 3 repeticiones. 4 Descripción del sistema Word2Vec 1 es una implementación de la arquitectura de representación de las palabras mediante vectores en el espacio continuo, basada en bolsas de palabras o n-gramas concebida por Tomas Mikolov et al. (Mikolov et al., 2013). Su capacidad para capturar la semántica de las palabras queda comprobada en su aplicabilidad a problemas como la analogía entre términos o el agrupamiento de palabras. El método consiste en proyectar las palabras a un espacio n-dimensional, cuyos pesos se determinan a partir de una estructura de red neuronal mediante un algoritmo recurrente. El modelo se puede configurar para que utilice una topología de bolsa de palabras (CBOW) o skip-gram, muy similar al 1 anterior, pero en la que se intenta predecir los términos acompañantes a partir de un término dado. Con estas topologías, si disponemos de un volumen de textos suficiente, esta representación puede llegar a capturar la semántica de cada palabra. El número de dimensiones (longitud de los vectores de cada palabra) puede elegirse libremente. Para el cálculo del modelo Word2Vec hemos recurrido al software indicado, creado por los propios autores del método. Tal y como se ha indicado, para obtener los vectores Word2Vec representativos para cada palabra tenemos que generar un modelo a partir de un volumen de texto grande. Para ello hemos utilizado los parámetros que mejores resultados obtuvieron en nuestra participación del 2014 (Montejo-Ráez, García- Cumbreras, y Díaz-Galiano, 2014). Por lo tanto, a partir de un volcado de Wikipedia 2 en Español de los artículos en XML, hemos extraído el texto de los mismos. Obtenemos así unos 2,2 GB de texto plano que alimenta al programa word2vec con los parámetros siguientes: una ventana de 5 términos, el modelo skip-gram y un número de dimensiones esperado de 300, logrando un modelo con más de 1,2 millones de palabras en su vocabulario. Como puede verse en la Figura 2, nuestro sistema realiza la clasificación de los tweets utilizando dos fases de aprendizaje, una en la que entrenamos el modelo Word2Vec haciendo uso de un volcado de la enciclopedia on-line Wikipedia, en su versión en español, como hemos indicado anteriormente. De esta forma representamos cada tweet con el vector resultado de calcular la media de los vectores Word2Vec de cada palabra en el tweet y su desviación típica (por lo que cada vector de palabras por modelo es de 600 dimensiones). Se lleva a cabo una simple normalización previa sobre el tweet, eliminando repetición de letras y poniendo todo a minúsculas. La segunda fase de entrenamiento utiliza el algoritmo SVM y se entrena con la colección de tweets con emoticonos explicada en el apartado 3. La implementación de SVM utilizada es la basada en kernel lineal con entrenamiento SGD (Stochastic Gradient Descent) proporcionada por la biblioteca Sci-kit Learn 3 (Pedregosa et al., 2011). Esta solución es la utilizada en las dos variantes de la tarea 1 del TASS con predicción
4 A. Montejo-Ráez, M. C. Díaz-Galiano de 4 clases: la que utiliza el corpus de tweets completo (full test corpus) y el que utiliza el corpus balanceado (1k test corpus). Tabla 1: Resultados obtenidos sobre el conjunto full w2v SVM Accuracy Macro-F1 W TASS 61,31 % 48,55 % W+T TASS 62,39 % 50,44 % W TASS+T 49,28 % 40,20 % W+T TASS+T 53,72 % 44,10 % Figura 2: Flujo de datos del sistema completo 5 Resultados obtenidos Hemos experimentado con el efecto que tienen en el rendimiento del sistema el uso de una colección de datos generada a partir de la captura de tweets y que han sido etiquetados según los emoticonos que contienen en la forma comentada anteriormente. La colección de más de 1,7 millones de tweets ha sido utilizada al completo para generar un modelo de vectores de palabras, cuya combinación con el de Wikipedia se ha analizado. También hemos comprobado cómo el uso de dicha colección de tweets afecta cuando se usa para el entrenamiento del modelo de clasificación de la polaridad. Para ello se han seleccionado 500,000 tweets aleatoriamente de esta colección, con sus correspondientes etiquetas P (positivo) o N (negativo) y se han combiando con la colecciónd de entrenamiento de TASS. Los resultados según las medidaas de Accuracy y Macro F1 obtenidas se muestran en la tabla 1. La primera columna nos indica a partir de cuáles datos se han generado los modelos de vectores de palabras, bien sólo con Wikipedia (W) o como combinación de ésta con los tweets del corpus construido (W+T). La segunda columna indica cómo se ha entrenado el clasificador de polaridad a partir de los textos etiquetados vectorizados con los modelos generados en el paso previo, bien sólo usando los datos de entrenamiento proporcionados por la organizacion (TASS) o incorporando los etiquetados a partir de emoticonos (TASS+T). Como podemos observar, el uso de una colección de tweets para ampliar la capacidad de representar un modelo basado en vectores de palabras mejora sensiblemente al ge- 44 nerado solamente con Wikipedia, pasando de 61,31 % de ajuste a un 62,39 %. En cambio, utilizar los tweets capturados para la fase de entrenamiento supervisado no lleva sino a una caída del rendimiento del sistema. Esto nos lleva a plantearnos la pregunta de qué ocurriría si utilizáramos sólo los tweets recopilados para generar un modelo de vectores de palabras. Los resultados que se obtienen son un 59,05 % de ajuste y un 44,43 % de F1. No cabe duda de que conviene explorar el uso de modelos de generación de características a partir de vectores de palabras. Estos resultados mejoran nuestros datos del año pasado, en los que obtuvimos un ajuste del 61,19 % combinando vectores de palabras (Word2Vec) y vectores de documentos (Doc2Vec). 6 Conclusiones y trabajo futuro A partir de los resultados obtenidos, encontramos que resulta interesante la incorporación de texto no formal (tweets) para la generación de los modelos de palabras, lo cual tiene su sentido en una tarea de clasificación que, precisamente, trabaja sobre textos no formales que tienen la misma red social como fuente. En cambio, el considerar que los emoticonos en un tweet pueden ayudar a un clasificador como SVM a mejorar en la determinación de la polaridad ha resultado una hipótesis fallida. Esto puede entenderse echando un vistazo a algunos de los tweets capturados por el sistema, donde se evidencia la dificultad, incluso para una persona, de poner en contexto el sentido del tweet y su consideración como positivo o negativo si no disponemos de un emoticono asociado. Como trabajo futuro nos proponemos diseñar una red neuronal profunda más elaborada, pero que parta también de textos de entrenamiento tanto formales como no formales, si bien teniendo en cuanta información lingüística más avanzada como la sintáctica, en lugar de trabajar con simples bolsas de palabras. También queremos explorar el uso
5 Participación de SINAI en TASS 2016 de redes de este tipo en el proceso de clasficación en sí, y no sólo en la generación de características. Una posibilidad es utilizar una red de tipo DBN (Deep Belief Network) (Hinton y Salakhutdinov, 2006) en la que se añade una última fase donde se realiza el etiquetado de los ejemplos. Bibliografía Bengio, Yoshua Learning deep architectures for ai. Foundations and trends in Machine Learning, 2(1): Brooke, Julian, Milan Tofiloski, y Maite Taboada Cross-linguistic sentiment analysis: From english to spanish. En Galia Angelova Kalina Bontcheva Ruslan Mitkov Nicolas Nicolov, y Nikolai Nikolov, editores, RANLP, páginas RANLP 2009 Organising Committee / ACL. Collobert, Ronan y Jason Weston A unified architecture for natural language processing: Deep neural networks with multitask learning. En Proceedings of the 25th International Conference on Machine Learning, ICML 08, páginas , New York, NY, USA. ACM. Díaz-Galiano, M.C. y A. Montejo-Ráez Participación de SINAI DW2Vec en TASS En In Proc. of TASS 2015: Workshop on Sentiment Analysis at SEPLN. CEUR-WS.org, volumen Fernández, Javi, Yoan Gutiérrez, José M. Gómez, Patricio Martínez-Barco, Andrés Montoyo, y Rafael Muñoz Sentiment analysis of spanish tweets using a ranking algorithm and skipgrams. En In Proc. of the TASS workshop at SEPLN García-Cumbreras, Miguel Ángel, Julio Villena-Román, Eugenio Martínez- Cámara, Manuel Carlos Díaz-Galiano, M a. Teresa Martín-Valdivia, y L. Alfonso Ureña-López Overview of tass En Proceedings of TASS 2016: Workshop on Sentiment Analysis at SEPLN co-located with the 32nd SEPLN Conference (SEPLN 2016), Salamanca, Spain, September. Hinton, Geoffrey E y Ruslan R Salakhutdinov Reducing the dimensionality of data with neural networks. Science, 313(5786): Hurtado, Lluís F y Ferran Pla Elirfupv en tass 2014: Análisis de sentimientos, detección de tópicos y análisis de sentimientos de aspectos en twitter. En In Proc. of the TASS workshop at SEPLN Hurtado, Lluís-F, Ferran Pla, y Davide Buscaldi Elirf-upv en tass 2015: Análisis de sentimientos en twitter. En In Proc. of TASS 2015: Workshop on Sentiment Analysis at SEPLN. CEUR-WS.org, volumen 1397, páginas Mikolov, Tomas, Kai Chen, Greg Corrado, y Jeffrey Dean Efficient estimation of word representations in vector space. CoRR, abs/ Montejo-Ráez, A., M.A. García-Cumbreras, y M.C. Díaz-Galiano Participación de SINAI Word2Vec en TASS En In Proc. of the TASS workshop at SEPLN Pedregosa, Fabian, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, y others Scikit-learn: Machine learning in python. The Journal of Machine Learning Research, 12: Saralegi Urizar, Xabier y Iñaki San Vicente Roncal Tass: Detecting sentiments in spanish tweets. En TASS 2012 Working Notes. Socher, Richard, Jeffrey Pennington, Eric H. Huang, Andrew Y. Ng, y Christopher D. Manning Semi-supervised recursive autoencoders for predicting sentiment distributions. En Proceedings of the Conference on Empirical Methods in Natural Language Processing, EMNLP 11, páginas , Stroudsburg, PA, USA. Association for Computational Linguistics.
SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario
TASS 2017: Workshop on Semantic Analysis at SEPLN, septiembre 2017, págs. 91-96 SINAI en TASS 2017: clasificación de la polaridad de tweets integrando información de usuario SINAI in TASS 2017: tweet polarity
Participación de SINAI Word2Vec en TASS 2014
Participación de SINAI Word2Vec en TASS 2014 SINAI Word2Vec participation in TASS 2014 A. Montejo-Ráez University of Jaén 23071 Jaén (Spain) amontejo@ujaen.es M.A. García-Cumbreras University of Jaén 23071
ELiRF-UPV en TASS 2015: Análisis de Sentimientos en Twitter
TASS 2015, septiembre 2015, pp 75-79 recibido 20-07-15 revisado 24-07-15 aceptado 24-07-15 ELiRF-UPV en TASS 2015: Análisis de Sentimientos en Twitter ELiRF-UPV at TASS 2015: Sentiment Analysis in Twitter
ELiRF-UPV en TASS 2014: Análisis de Sentimientos, Detección de Tópicos y Análisis de Sentimientos de Aspectos en Twitter
ELiRF-UPV en TASS 2014: Análisis de Sentimientos, Detección de Tópicos y Análisis de Sentimientos de Aspectos en Twitter ELiRF-UPV at TASS 2014: Sentiment Analysis, Topic Detection and Aspect-based Sentiment
LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
TASS 2017: Workshop on Semantic Analysis at SEPLN, septiembre 2017, págs. 51-57 LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones LexFAR at TASS 2017: Lexicon-based
FastText como alternativa a la utilización de Deep Learning en corpus pequeños
TASS 2017: Workshop on Semantic Analysis at SEPLN, septiembre 2017, págs. 65-69 FastText como alternativa a la utilización de Deep Learning en corpus pequeños FastText as an alternative to using Deep Learning
Un algoritmo para detectar la polaridad de opiniones en los dominios de laptops y restaurantes
Un algoritmo para detectar la polaridad de opiniones en los dominios de laptops y restaurantes Karen L. Vazquez, Mireya Tovar, Darnes Vilariño, Beatriz Beltrán Benemérita Universidad Autónoma de Puebla,
Evaluación de Modelos de Representación del Texto con Vectores de Dimensión Reducida para Análisis de Sentimiento
TASS 2016: Workshop on Sentiment Analysis at SEPLN, septiembre 2016, pág. 23-28 Evaluación de Modelos de Representación del Texto con Vectores de Dimensión Reducida para Análisis de Sentimiento Evaluation
SINAI-EMMA: Vectores de Palabras para el Análisis de Opiniones en Twitter
TASS 2015, septiembre 2015, pp 41-46 recibido 20-07-15 revisado 24-07-15 aceptado 27-07-15 SINAI-EMMA: Vectores de Palabras para el Análisis de Opiniones en Twitter SINAI-EMMA: Vectors of words for Sentiment
Procesamiento del Lenguaje Natural ISSN: Sociedad Española para el Procesamiento del Lenguaje Natural.
Procesamiento del Lenguaje Natural ISSN: 1135-5948 secretaria.sepln@ujaen.es Sociedad Española para el Procesamiento del Lenguaje Natural España Martínez Cámara, Eugenio; García Cumbreras, M. Ángel; Martín
REPRESENTACIÓN DE PALABRAS COMO VECTORES (WORD VECTOR REPRESENTATIONS)
REPRESENTACIÓN DE PALABRAS COMO VECTORES (WORD VECTOR REPRESENTATIONS) SEMINARIO DE APRENDIZAJE PROFUNDO APLICADO AL PROCESAMIENTO DE LENGUAJE NATURAL 2016 QUÉ TAREAS QUEREMOS HACER? Clasificación Recuperación
Detección de la negación en textos en español y aplicación al Análisis de Sentimientos
Detección de la negación en textos en español y aplicación al Análisis de Sentimientos Negation detection in Spanish texts and application to Sentiment Analysis Salud María Jiménez-Zafra Departamento de
Sistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Detección del lenguaje figurativo e ironía en textos cortos
Detección del lenguaje figurativo e ironía en textos cortos Patricia Espinoza, Darnes Vilariño, Mireya Tovar, and Beatríz Beltrán Benemérita Universidad Autónoma de Puebla, Facultad de Ciencias de la Computación,
IAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
IAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo
2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado
UNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
INFLUENCIA DE LAS PARTES DE LA ORACION EN LA CLASIFICACION DE MENSAJES DE TWITTER EN OBJETIVOS O SUBJETIVOS
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
División Académica de Informática y Sistemas Ingeniería en Sistemas Computacionales
Área de formación Nombre de la asignatura Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA HCS HPS TH C HTCS TH C TC General 2 2 4 4 0 0 0 4 Programación II Carácter de la asignatura
Capítulo 5. Conclusiones
Capítulo 5 Conclusiones En este trabajo se desarrolló un sistema capaz de clasificar enunciados dependiendo de la opinión que cada uno expresa acerca de una película. Se cumplió entonces con el objetivo
Clasificación Automática del Sentido de los Mensajes en Twitter: Comparando Entrenamiento específico y contextual.
1 Clasificación Automática del Sentido de los Mensajes en Twitter: Comparando Entrenamiento específico y contextual. Felipe Oliva Escuela de Ingeniería Informática de la Pontificia Universidad Católica
Segmentación de una cartera de clientes usando aprendizaje de máquina
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 Inicio Inicio
Introducción a Minería de Texto. Fabián Latorre
Introducción a Minería de Texto Fabián Latorre fabian.latorre@quantil.com.co Contenido Qué es la minería de texto? Por qué es relevante? Por qué la estudiamos? Aplicaciones La complejidad del texto no
Proyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Análisis de Sentimientos sobre un Corpus en Español: Experimentación con un Caso de Estudio
Análisis de Sentimientos sobre un Corpus en Español: Experimentación con un Caso de Estudio Luciana Dubiau, Juan M Ale Facultad de Ingeniería, Universidad de Buenos Aires, Argentina ldubiau@fi.uba.ar,
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification Mutual Principal Components, reduction of dimensionality in statistical classification
Modelos para detectar la polaridad de los mensajes en redes sociales
Modelos para detectar la polaridad de los mensajes en redes sociales Yuvila M. Sanzón, Darnes Vilariño, María J. Somodevilla, Claudia Zepeda, Mireya Tovar Benemérita Universidad Autónoma de Puebla, Facultad
Comparación de dos métodos de aprendizaje sobre el mismo problema
Comparación de dos métodos de aprendizaje sobre el mismo problema Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación 2.
Análisis de sentimientos, análisis basado en aspectos, un modelo para identificar la polaridad de críticas de usuario
Análisis de sentimientos basado en aspectos: un modelo para identificar la polaridad de críticas de usuario Miguel Angel Rosales Quiroga, Darnes Vilariño Ayala, David Pinto, Mireya Tovar, Beatriz Beltrán
Análisis de sentimiento sobre textos en Español basado en aproximaciones semánticas con reglas lingüísticas
Análisis de sentimiento sobre textos en Español basado en aproximaciones semánticas con reglas lingüísticas Sentiment analysis of texts in spanish based on semantic approaches with linguistic rules Roberto
V https://www.google.com/analytics/resources/white-paper-mit-tr-analytics-machine-learning.html?utm_source=twitter&utm_medium=social-owned&utm_campaign=2016-q4-gbl-all-ga360-suite&utm_content=mit-whitepaper
Proyecto Final: Representación de Palabras Mediante Vectores
Fundamentos de Aprendizaje Automático Proyecto Final: Representación de Palabras Mediante Vectores Cristian A Cardellino 17 de Noviembre de 2015 Resumen El presente reporte sirve como guía de seguimiento
CONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA
CONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA Alumna: Sara García- Mina Martínez Tutor: Marta Gómez Barrero
Texto Predictivo Personalizado en Dispositivos Móviles Utilizando Aprendizaje Basado en Instancias
Texto Predictivo Personalizado en Dispositivos Móviles Utilizando Aprendizaje Basado en Instancias Andres R. Luzuriaga Universidad de Palermo, Faculta de Ingeniería, Buenos Aires, Argentina, andresluzu@palermo.edu
2da etapa del proyecto
Construcción de un marco general y su correspondiente plataforma de software para la generación de información estadística a partir de datos disponibles en la web incorporando tecnologías de Big Data 2da
Identificación de locuciones verbales: el caso del español mexicano
Angeles Belém PRIEGO SANCHEZ Université Paris 13, Sorbonne Paris Cité Benemérita Universidad Autónoma de Puebla David Eduardo PINTO AVENDAÑO y Salah MEJRI Doctorado en Lingüística Computacional belemps@gmail.com
IAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Análisis de sentimientos en Twitter: impacto de las características morfológicas
Análisis de sentimientos en Twitter: impacto de las características morfológicas Miguel Jasso-Hernández 1,2, David Pinto 2, Darnes Vilariño 2, Cupertino Lucero 1 1 Universidad Tecnológica de Izúcar de
Clasificación de polaridad en textos con opiniones en español mediante análisis sintáctico de dependencias
Clasificación de polaridad en textos con opiniones en español mediante análisis sintáctico de dependencias Polarity classification of opinionated Spanish texts using dependency parsing David Vilares, Miguel
License Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Introducción al procesamiento del lenguaje natural (PLN)
Introducción al procesamiento del lenguaje natural (PLN) Leticia Martín-Fuertes Moreno Lingüista computacional en Bitext @nimbusaeta nimbusaeta@gmail.com Lingẅars @ Cylicon Valley 9 de noviembre de 2017
Máquinas de vectores soporte con R
Máquinas de vectores soporte con R Datos Cargamos la librería en la que se encuentran las funciones que vamos a utilizar y el fichero con los datos necesarios: library(mass) library(e1071) load(url('http://www.uam.es/joser.berrendero/datos/practica-svm-io.rdata'))
INSTITUTO POLITÉCNICO NACIONAL CENTRO DE INVESTIGACIÓN EN COMPUTACIÓN LABORATORIO DE LENGUAJE NATURAL Y PROCESAMIENTO DE TEXTO
INSTITUTO POLITÉCNICO NACIONAL CENTRO DE INVESTIGACIÓN EN COMPUTACIÓN LABORATORIO DE LENGUAJE NATURAL Y PROCESAMIENTO DE TEXTO Análisis automático de opiniones de productos en redes sociales T E S I S
N.A.C.H.U.S (New Advanced Clinical Hospital Ultra Search) Buscador Sintáctico de Conceptos Clínicos en los Informes de Alta de Urgencias
Resumen COMUNICACIÓN PREMIADA DE INFORSALUD N.A.C.H.U.S (New Advanced Clinical Hospital Ultra Search) Buscador Sintáctico de Conceptos Clínicos en los Informes de Alta de Urgencias Ignacio Martinez Soriano
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Ensemble algorithm with syntactical tree features to improve the opinion analysis
TASS 2015, septiembre 2015, pp 53-58 recibido 20-07-15 revisado 24-07-15 aceptado 29-07-15 Ensemble algorithm with syntactical tree features to improve the opinion analysis Algoritmo de ensamble con introducción
Desarrollo de un sistema para medir similitud entre clases
Desarrollo de un sistema para medir similitud entre clases R. Guzmán-Cabrera, J.C. Ruiz, M. Torres-Cisneros University of Guanajuato, Engineering Division, Irapuato-Salamanca, Guanajuato, México guzmanc@ugto.mx
Clasificador 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}
Tareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
MINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER. Resumen
MINERIA DE TEXTOS EN R: VIA UN MODELO DE ESPACIO VECTORIAL Y ANÁLISIS CLUSTER Resumen El objetivo del presente estudio fue encontrar la similitud entre textos para asociar reclamos y determinar si estos
Comparativa de Aproximaciones a SVM Semisupervisado Multiclase para Clasificación de Páginas Web
Comparativa de Aproximaciones a SVM Semisupervisado Multiclase para Clasificación de Páginas Web A Comparison of Approaches to Semi-supervised Multiclass SVM for Web Page Classification Arkaitz Zubiaga,
Smart Sound Processing for the digital living: Smart COmpuTing. SSPressing Scot. Universidad de Oviedo (UOVI) Parte II: Deep Computing
Smart Sound Processing for the digital living: Smart COmpuTing SSPressing Scot Universidad de Oviedo (UOVI) Parte II: Deep Computing Febrero 3, 2017 Valencia SSPressing Scot Deep Computing MOTIVACIÓN Intensidad
Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual. Julian Camilo Daza
Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual Julian Camilo Daza En el análisis médico basado en imágenes un médico experto busca evidencias sobre posibles
Tareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Desambiguación Léxica de Sustantivos usando la Web
Desambiguación Léxica de Sustantivos usando la Web Aarón Pancardo-Rodríguez, Manuel Montes-y-Gómez,2, Paolo Rosso 2, Davide Bucaldi 3, Luis Villaseñor-Pineda Laboratorio de Tecnologías del Lenguaje Instituto
Aplicación de un Filtro Stack en Imágenes con Ruido Speckle
Aplicación de un Filtro Stack en Imágenes con Ruido Speckle María E Buemi, Juliana Gambini, Marta Mejail y Julio Jacobo Berllés Departamento de Computación,FCEyN,UBA,Buenos Aires,Argentina {mebuemi; jgambini;
Pontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Identificación de polaridad en textos en español basada en la creación de un léxico afectivo
Centro Nacional de Investigación y Desarrollo Tecnológico Identificación de polaridad en textos en español basada en la creación de un léxico afectivo Ponente: Yolanda Raquel Baca Gómez Dra. Alicia Martínez
Redes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
RESOLUCIÓN Organización de congresos y reuniones científico-técnicas 2017
RESOLUCIÓN Organización de congresos y reuniones científico-técnicas 2017 Alcaraz Leon Maria Jose 20157/OC/17 LV Congreso de Filosofía Joven Universidad de Murcia INICIO-FIN 2018-05-02 2018-05-04 TOTAL
Recuperación de información
Recuperación de información Motores de búsqueda, clasificación de documentos - 14/11/2015 Índice Motivación Objetivo Introducción Representación de un documento TF-IDF Más cosas... Búsquedas en internet
Tema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Apéndice A: Matrices de confusión y resultados de precisión, exhaustividad y medida F
Apéndices 77 Apéndice A: Matrices de confusión y resultados de precisión, exhaustividad y medida F En este apéndice se presentan seis tablas con otros resultados obtenidos. En cada una de las primeras
Minería Multimedia. Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, octubre 19 de 2017 Motivación
Visión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Definición y clasificación Reconocimiento basado en la apariencia Bag of words Deep learning Parte
RIB Spain SA Manuel Silvela 15, 5º Madrid
Variables Este documento explica las funcionalidades de las variables de Presto, conocidas anteriormente como términos. El comportamiento de las variables en Revit, se encuentra descrito en la documentación
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
PERSONALIZACIÓN EN SERVICIOS DE NOTICIAS
PERSONALIZACIÓN EN SERVICIOS DE NOTICIAS Alberto Díaz Esteban Departamento de Ingeniería del Software e Inteligencia Artificial Universidad Complutense de Madrid Resumen Los contenidos Web aparecen de
Similitud español-inglés a través de word embeddings
Procesamiento del Lenguaje Natural, Revista nº 59, septiembre de 2017, pp. 31-38 recibido 31-03-2017 revisado 15-05-2017 aceptado 22-05-2017 Similitud español-inglés a través de word embeddings Spanish-English
Poeta ayer, hoy triste y pobre filósofo trasnochado tengo en monedas de cobre el oro de ayer cambiado.
Poeta ayer, hoy triste y pobre filósofo trasnochado tengo en monedas de cobre el oro de ayer cambiado. Análisis de base Análisis sintáctico El análisis semántico se realiza a partir del análisis sintáctico.
Aprendizaje: 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
Raúl
Raúl Garreta @raulgarreta Subárea de Inteligencia Artificial, Ciencias de la Computación. Estudia métodos que permitan a las máquinas interactuar con las personas mediante lenguaje natural. Poder extraer
esolhotel: Generación de un lexicón de opinión en español adaptado al dominio turístico
Procesamiento del Lenguaje Natural, Revista nº 54, marzo de 2015, pp 21-28 recibido 24-10-14 revisado 27-01-15 aceptado 12-02-15 esolhotel: Generación de un lexicón de opinión en español adaptado al dominio
Aprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Detección de subjetividad en noticias en línea publicadas en español utilizando clasificadores probabilísticos
Detección de subjetividad en noticias en línea publicadas en español utilizando clasificadores probabilísticos Noé Alejandro Castro-Sánchez 1, Sadher Abelardo Vázquez-Cámara 1 y Grigori Sidorov 2 1 Centro
Procesamiento Masivo de Web Spam. Washington Bastidas Santos Jesús González Vera
Procesamiento Masivo de Web Spam Washington Bastidas Santos Jesús González Vera Agenda INTRODUCCIÓN PROBLEMA METODOLOGÍA IMPLEMENTACIÓN EVALUACIÓN Y RESULTADOS CONCLUSIÓN TRABAJO FUTURO BIBLIOGRAFÍA 1
RECONOCIMIENTO DE RUTAS DE ESCALADA EN PAREDES DE PIEDRA
RECONOCIMIENTO DE RUTAS DE ESCALADA EN PAREDES DE PIEDRA PROCESAMIENTO DE IMÁGENES DIGITALES Curso 2013/2014 Carlos Falgueras García David Solís Martín Adrián Fernández Sola 1. Introducción Existen varios
1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
División Académica de Informática y Sistemas
Área de formación Sustantiva Profesional Nombre de la asignatura Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA HCS HPS TH C HTCS TH C TC 2 2 4 4 0 0 0 4 Clave de la asignatura
TASS: Using a linguistic approach for sentiment
TECNALIA-UNED @ TASS: Using a linguistic approach for sentiment analysis TECNALIA-UNED en TASS: Uso de un enfoque lingüístico para el análisis de sentimientos Esther Villar Rodríguez OPTIMA Unit TECNALIA
Grupo de Procesamiento de Imágenes y Visión por Computadora
Grupo de Procesamiento de Imágenes y Visión por Computadora Daniel Acevedo Marta Mejail Francisco Gómez Fernández Julio Jacobo María Elena Buemi Rosana Matuk Carlos Ismael Orozco Pablo Negri Esteban Uriza
Pattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Introducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP)
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP) Mª Carmen García y Javier Garzás www.kybeleconsulting.com 1. INTRODUCCIÓN El método de Punto de Caso de Uso (UCP - Use Case Point), está basado en los tradicionales
Random Forests. Teoría y ejemplos. Romain Gouron. Conferencia 9, GLAM, Doble titulo Ecole Centrale de Nantes (Francia)
Teoría y ejemplos 1 1 Departamiento de Ingenería Matemática Doble titulo Ecole Centrale de Nantes (Francia) Conferencia 9, GLAM, 2016 Outline 1 Árboles de decisión Construcción 2 3 Rotation forest Gradient
Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores
Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos:
Existen diferentes recursos interactivos que han sido utilizados para la enseñanza
Capítulo 3. Diseño Existen diferentes recursos interactivos que han sido utilizados para la enseñanza del idioma inglés y la materia de interacción y colaboración. En la actualidad se trata de ampliar
Conceptos de Algoritmos, Datos y Programas
Conceptos de Algoritmos, Datos y Programas Año 2015 Carreras: Lic. en Informática P2015 Lic. en Sistemas P2015 APU P2015 Año: 1 Duración: Cuatrimestral Coordinador: Ing. Armando De Giusti Profesores: Esp.
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Complementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Análisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA SUPERIOR EN INFORMÁTICA ANTEPROYECTO UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS DIRECTOR DEL PROYECTO: FIRMA:
Un estudio cualitativo de la percepción docente acerca del clima organizacional en la BUAP
Un estudio cualitativo de la percepción docente acerca del clima organizacional en la BUAP M A U R I C I O C A S T R O C A R D O N A 1, D A V I D E D U A R D O P I N T O A V E N D A Ñ O 1, M A R T H A
Modelo ontológico para la detección de características de una entidad aplicado al análisis de sentimientos a nivel de aspectos en español.
Modelo ontológico para la detección de características de una entidad aplicado al análisis de sentimientos a nivel de aspectos en español. Carlos N. HENRIQUEZ Programa de Ingeniería de Sistemas Universidad
Elementos de máquinas de vectores de soporte
Elementos de máquinas de vectores de soporte Clasificación binaria y funciones kernel Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Seminario de Control y Sistemas Estocásticos
Selección de atributos
Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores
GUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
INSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY CAMPUS MONTERREY
INSTITUTO TECNOLOGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY CAMPUS MONTERREY INFERENCIA DE REDES DE COLABORACIÓN GReCo CONTENIDO Introducción Inferencia de afinidades Objetivo Contexto Modelo de Solución
USO DE DISPOSITIVOS MÓVILES PARA EXPERIMENTACIÓN EN FÍSICA
USO DE DISPOSITIVOS MÓVILES PARA EXPERIMENTACIÓN EN FÍSICA M.J. Santos 1, C. Prieto 2, M.A. González 3, M.A. González 4, A. Hernández 5, M.D. Merchán 6, C. Rodríguez 2, A. Queiruga-Dios 5 1 Departamento