INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-.
|
|
- María Mercedes Torres Quintana
- hace 6 años
- Vistas:
Transcripción
1 INGENIERÍA EN TELECOMUNICACIONES UNIVERSIDAD CARLOS III DE MADRID 5º Curso, Año Académico 2004/2005 INTELIGENCIA EN REDES DE COMUNICACIONES. MINERÍA DE DATOS-PREDICCIÓN METEOROLÓGICA-. Realizado por: David Paniagua Martín. Juan Carlos Soler Pascual del Pobil.
2 INDICE: INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS. Qué es la minería de datos? Fases de un Proyecto de Minería de Datos. Filtrado de datos. Selección de variables. Algoritmos de extracción de conocimiento. Interpretación y evaluación. DESARROLLO DE LA PRÁCTICA. Comienza el filtrado de los datos. Ajuste del fichero. Selección de variables. DESCRIPCIÓN DE LOS ALGORITMOS. Redes Neuronales. ANÁLISIS DE LOS FICHEROS GENERADOS, MEDIANTE WEKA. Selección de los algoritmos. Entrenamiento de un perceptrón multicapa. Problemas.
3 INTRODUCCIÓN AL CONCEPTO DE MINERÍA DE DATOS. Qué es la minería de datos? Las técnicas de minería de datos se emplean para mejorar el rendimiento de procesos de negocio o industriales en los que se manejan grandes volúmenes de información estructurada y almacenada en bases de datos. Se trata de un proceso analítico diseñado para explorar grandes volúmenes de datos (generalmente datos de negocio y mercado) con el objeto de descubrir patrones y modelos de comportamiento o relaciones entre diferentes variables. Esto permite generar conocimiento que ayuda a mejorar la toma de decisiones en los procesos fundamentales de un negocio. La minería de datos permite obtener valor a partir de la información que registran y manejan las empresas, lo que ayuda a dirigir esfuerzos de mejora respaldados en datos históricos de diversa índole. Por ejemplo, se usan con éxito en aplicaciones de control de procesos productivos, como herramienta de ayuda a la planificación y a la decisión en marketing, finanzas, etc. Asimismo, la minería de datos es fundamental en la investigación científica y técnica, como herramienta de análisis y descubrimiento de conocimiento a partir de datos de observación o de resultados de experimentos. Fases de un Proyecto de Minería de Datos. Los pasos a seguir para la realización de un proyecto de minería de datos son siempre los mismos, independientemente de la técnica específica de extracción de conocimiento usada. Filtrado de datos: El formato de los datos contenidos en la fuente de datos (base de datos, Data Warehouse...) nunca es el idóneo, y la mayoría de las veces no es posible ni siquiera utilizar ningún algoritmo de minería sobre los datos "en bruto".
4 Mediante el preprocesado, se filtran los datos (de forma que se eliminan valores incorrectos, no válidos, desconocidos... Según las necesidades y el algoritmo a usar), se obtienen muestras de los mismos (en busca de una mayor velocidad de respuesta del proceso), o se reducen el número de valores posibles (mediante redondeo, clustering,...). Selección de variables: Aún después de haber sido preprocesados, en la mayoría de los casos se tiene una cantidad ingente de datos. La selección de características reduce el tamaño de los datos eligiendo las variables más influyentes en el problema, sin apenas sacrificar la calidad del modelo de conocimiento obtenido del proceso de minería. Los métodos para la selección de características son básicamente dos: Aquellos basados en la elección de los mejores atributos del problema. Aquellos que buscan variables independientes mediante tests de sensibilidad, algoritmos de distancia o heurísticos. Algoritmos de Extracción de Conocimiento: Mediante una técnica de minería de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociación entre dichas variables. También pueden usarse varias técnicas a la vez para generar distintos modelos, aunque generalmente cada técnica obliga a un preprocesado diferente de los datos. Interpretación y evaluación: Una vez obtenido el modelo, se debe proceder a su validación, comprobando que las conclusiones que arroja son válidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas técnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.
5 DESARROLLO DE LA PRÁCTICA. A la hora de desarrollar la práctica hemos seguido, en cierta manera, los pasos que hemos indicado en la introducción. Es cierto que, a pesar de haberlo visto en teoría, es ahora cuando nos hemos dado cuenta de lo que es la minería de datos y de cuál es su verdadero problema: el filtrado de los datos. En un principio obtenemos los datos en bruto del link facilitado en el enunciado de la práctica. En este link conseguimos el archivo meteo.tgz. En él encontramos los distintos ficheros con abundantes medidas de varios factores relacionados con la meteorología. Comienza el filtrado de los datos: Para la realización de esta primera fase hemos utilizado la programación en lenguaje java. En primer lugar hacemos uso de la clase Preprocesar.java, que lo que hace es recorrer todos los ficheros con datos y volcarlos de forma ordenada en otro fichero(esto es: Hora, Temperatura, Nivel de Rocio, Humedad, Presión, Visibilidad, Dirección del viento, Velocidad del viento, Ráfaga, Precipitación, Hechos, Condiciones). Como es normal, al realizar esta simple ordenación, vimos que algunos de los datos eran incorrectos, es decir, formato que no se correspondía con el tipo declarado en las cabeceras, dato inexistente, etc... Estos datos debían ser filtrados. Para ello utilizamos la clase Preprocesado2.java, en la que nos encargamos de eliminar los errores más comunes; por ejemplo: cambiar N/A por el carácter? para que no de problemas la herramienta WEKA, cambiar una palabra por un número que la identifique debido a que la inmensa mayoría de los datos son de tipo real... Nos gustaría destacar que para realizar esta tarea no basta con pasar el programa, ya que éste resuelve los problemas más comunes, debido a que consideramos que por la existencia de alguna línea errónea, con un fallo particular, no merecía la pena desarrollar un código específico y nos inclinamos por quitarla manualmente. El resultado de realizar estas dos operaciones, más un pequeño trabajo de optimización manual del fichero, nos ofrece un fichero con sus respectivas cabeceras, en el que disponemos de todos los datos con formato correcto. Ajuste del fichero: En este momento es cuando pasamos a la siguiente fase: reajustar el fichero para facilitar la selección de las variables; qué quiere decir esto? Pues que como en el fichero anterior no vienen datos para todas las horas y hay espacios en blanco, en las clases Fich_Def_Pred1h.java y Fich_Def_Pred24h.java (elegir cuál según el caso) lo primero que hacemos es eliminar dichos blancos y rellenar todas las horas en las que deberíamos tener
6 medidas (cada treinta minutos) con el carácter? donde deberían ir los datos. El objetivo de esta operación es el de tener un fichero sin blancos y con cuarenta y ocho medidas por día. Con este fichero nos resultará más fácil programar la clase java que irá recorriendo el fichero para seleccionar las variables con las que entrenaremos a WEKA con el fin de que consiga predecir la variable deseada. Selección de variables: El criterio de selección de variables lo hemos desarrollado de forma un tanto intuitiva, pensando cuáles de las variables del fichero influirían más en la predicción de la variable deseada: Predicción de la temperatura dentro de una hora: En un principio pensamos que sería conveniente obtener la temperatura, la humedad, la presión y la velocidad del viento actuales y los mismos datos de hasta cuatro horas anteriores (es decir ocho datos), también deberíamos quedarnos con el valor de la variable a predecir: la temperatura dentro de una hora; sin embargo, cuando pasamos el fichero a WEKA, nos decía que éste era demasiado grande, por lo que decidimos quedarnos con la información de hasta dos horas anteriores (cuatro datos). Predicción de la temperatura dentro de veinticuatro horas: es un caso análogo al anterior, sólo que necesitamos, además de la temperatura, la humedad, la presión y la velocidad del viento actuales, los mismos datos de hasta cuatro días antes y el valor de la variable a predecir: la temperatura dentro de veinticuatro horas. Predicción de la condición meteorológica dentro de veinticuatro horas: es un caso parecido a lrios dos anteriores, pero eliminamos la velocidad del viento y añadimos la condición meteorológica. A la hora de seleccionar variables, pensamos que deberíamos haber incluido alguna variable más que también puede influir en la predicción, pero los problemas de memoria que nos dio la herramienta WEKA nos disuadieron de ello. Con esta operación acaba la labor más ardua de esta práctica, en la que por fin disponemos de un fichero que ofrecer a la herramienta para dedicarnos a la minería de datos propiamente dicha. DESCRIPCIÓN DE LOS ALGORITMOS. Redes Neuronales. Referidas habitualmente de forma más sencilla como redes de neuronas, las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir
7 que las máquinas den respuestas similares a las que es capaz el cerebro que se caracterizan por su generalización y su robustez. A continuación mostramos un ejemplo de Red Neuronal Artificial de tipo Perceptrón simple con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida. Las Redes Neuronales pueden ser aplicadas a la construcción de generalizaciones o cubrimientos que caractericen grandes grupos de datos ya que adquieren conocimiento integrador de información durante el proceso de ajuste de los pesos de las conexiones entre neuronas que las integran, tienen la ventaja de ser tolerantes al ruido y la capacidad de extender la generalización al momento de necesitar manipular datos nuevos.
8 Análisis de los ficheros generados, mediante WEKA. Una vez realizada la tarea de preprocesar los datos, llega la parte más sencilla, aunque nosotros en este caso hemos tenido algunos problemas que han hecho que no pudiésemos obtener los resultados esperados. A continuación explicaremos como es la carga de los datos de entrenamiento, de test, como se seleccionan los métodos que podemos usar y como se entrena el modelo. - Carga de datos en WEKA. En la siguiente ventana, podemos observar el archivo, ya preprocesado, cargado en WEKA. A la izquierda tenemos todas las diferentes variables que utilizamos para el entrenamiento de los modelos. - Carga fichero de test. Dentro de la pestaña 'Classify', que es donde escogeremos el algoritmo que queremos emplear, aparecen diversas opciones para hacer el test del modelo. Como ya explicamos anteriormente no es conveniente usar el mismo conjunto de entrenamiento para realizar el test, pues no dará resultados del todo fiables. Las posibilidades son usar el propio conjunto de entrenamiento, conjunto de test diferente, validación cruzada y porcentaje.
9 Selección de los algoritmos. En WEKA podemos escoger entre una amplia variedad de algoritmos. Para el caso de predicción y estimación los mejores métodos son las redes neuronales. En nuestro caso, realizaremos un "Análisis predictivo" es decir el problema se enfoca en predecir eventos o comportamientos específicos, basado en información histórica. A continuación vemos una imagen con diferentes métodos presentes en WEKA.
10 Entrenamiento de un perceptrón multicapa: Para la previsión de la temperatura e 1 hora y a 24 horas en las dos diferentes localizaciones, vamos a utilizar un perceptrón multicapa. Ventana con el modelo generandose en WEKA. Una vez terminada la simulación se presenta en pantalla los resultados y el modelo realizado, con todos los pesos para cada una de las entradas a cada neurona y los umbrales de las sigmoides. Cuatro vientos, prevision a una hora: La red neuronal elegida en este caso es un perceptrón multicapa, de dos capas ocultas con 4 neuronas cada una. Modelo del clasificador: Linear Node 0
11 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h
12 Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8
13 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 6763 CuatroVientos previsión a 24 horas de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold
14 Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h
15 Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 7377 Madrid previsión a 1 hora de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1
16 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h E-4 Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h
17 Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient
18 Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 446 Madrid previsión a 24 horas de la temperatura: Modelo del clasificador: Linear Node 0 Threshold Node Node Node Node Sigmoid Node 1 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 2 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h
19 Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 3 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 4 Threshold Attrib Temperatura Attrib Humedad Attrib Presion Attrib Velocidad_del_vientoMPH Attrib Temperatura2h Attrib Humedad2h Attrib Presion2h Attrib Velocidad_del_vientoMPH2h Attrib Temperatura1_30h Attrib Humedad1_30h Attrib Presion1_30h Attrib Velocidad_del_vientoMPH1_30h Attrib Temperatura1h Attrib Humedad1h Attrib Presion1h Attrib Velocidad_del_vientoMPH1h Attrib Temperatura0_30h Attrib Humedad0_30h Attrib Presion0_30h Attrib Velocidad_del_vientoMPH0_30h Sigmoid Node 5 Threshold Node Node Node Node Sigmoid Node 6
20 Threshold Node Node Node Node Sigmoid Node 7 Threshold Node Node Node Node Sigmoid Node 8 Threshold Node Node Node Node Resultados: Correlation coefficient Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances Ignored Class Unknown Instances 507 Como es normal se puede ver que la probabilidad de error es mayor cuando tratamos de predecir la temperatura a 24 horas que a 1 hora. Problemas: Problemas de memoria. Los problemas de memoria, han hecho imposible la obtención de resultados para los algoritmos. Después de un rato de ejecución ocurría un error de memoria que no hemos sabido solucionar. Creemos que el formateo de los datos es correcto y los pasos seguidos también. Hemos intentado solventar el problema disminuyendo el tamaño de los archivos, pero solo ha solucionado en parte el problema y aumentando al máximo la memoria virtual de windows no conseguimos ninguna mejora. Estos problemas los tuvimos tanto en la universidad como en nustras casas. Ventana de error por falta de memoria.
21
Práctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesMinería a de Datos. plataforma WEKA. Ismael Fernández Castellano Telmo Calle Facal
Minería a de Datos Predicción n meteorológica con la plataforma WEKA Ismael Fernández Castellano Telmo Calle Facal Introducción Buscamos un sistema de caracterización meteorológica a partir de datos tomados
Más detallesPREDICCIÓN METEOROLÓGICA
PRÁCTICA FINAL DE INTELIGENCIA EN REDES DE ORDENADORES PREDICCIÓN METEOROLÓGICA 5º INGENIERIA DE TELECOMUNICACIÓN Julio Alberto Polo Fernández 100029757 Raúl Muñoz Martínez 100029571 INDICE 1) Introducción
Más detallesINGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES
INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA EN REDES DE ORDENADORES Jaime de Uriarte de Antonio 100021498 Olivia García Robas 100021435 ÍNDICE Página 1. Introducción 3 2. Tratamiento de datos 4 3. Predicciones..
Más detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesPráctica Final: Predicción Metereológica en Weka.
INTELIGENCIA EN REDES DE COMUNICACIONES Práctica Final: Predicción Metereológica en Weka. Ramón Fernández Lorenzana 100025293 Manuel Asenjo Chacón 100050872 5º Ingeniería de Telecomunicación 1.PREPROCESADO
Más detallesInteligencia en Redes de Comunicaciones
Inteligencia en Redes de Comunicaciones Predicción meteorológica Aitor Mendaza Ormaza 100021542 INDICE Introducción 1 Tratamiento de Datos.5 Resultados y análisis 7 Introducción: El objetivo de esta práctica
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 detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesPredicción meteorológica
Predicción meteorológica Trabajo hecho por: Roberto García Sanchez Pablo Casas Muñoz Qué es WEKA? Acrónimo de Waikate Environment for Knowledge Analisis Es un entorno para experimentación de análisis de
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesPredicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador INTRODUCCIÓN El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre
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 detallesPráctica 2: Utilización de WEKA desde la línea de comandos.
PROGRAMA DE DOCTORADO TECNOLOGÍAS INDUSTRIALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN ROBÓTICA Práctica 2: Utilización de WEKA desde la línea de comandos. Objetivos: Utilización de WEKA desde la
Más detallesTRABAJO FIN DE ASIGNATURA
INTELIGENCIA EN REDES DE COMUNICACIONES TRABAJO FIN DE ASIGNATURA Luis Javier Duque Cuadrado 1 Breve descripción de los algoritmos elegidos 1.1 Clasificación a) Árboles de decisión de un nivel (decision
Más detallesDATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
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 detallesPREDICCIÓN METEOROLÓGICA
PREDICCIÓN METEOROLÓGICA INTELIGENCIA EN REDES DE COMUNICACIONES INTRODUCCIÓN En esta práctica se pretende obtener un sistema real de predicción meteorológica utilizando técnicas de aprendizaje automático
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 detallesLa última versión disponible cuando se redactó este manual era la 5 Beta (versión ), y sobre ella versa este manual.
Manual de Dev-C++ 4.9.9.2 Página 1 de 11 Introducción Dev-C++ es un IDE (entorno de desarrollo integrado) que facilita herramientas para la creación y depuración de programas en C y en C++. Además, la
Más detallesPrimeros pasos con Knime. Luis P. Guerra Velasco
Primeros pasos con Knime Luis P. Guerra Velasco May 7, 2008 2 Índice 1 Introducción 5 2 Instalación y extensiones 7 3 Preprocesado y manejo de datos 9 4 Clasificación no supervisada 13 5 Clasificación
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesCapítulo 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
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesPráctica Final INTELIGENCIA EN REDES DE COMUNICACIONES
Práctica Final INTELIGENCIA EN REDES DE COMUNICACIONES Minería de Datos: Predicción de las condiciones meteorológicas Carlos Blanco González Fernando García Diez Grupo 91 5º curso Ing. telecomunicación
Más detallesIsmael Fernández Castellano Telmo Calle Facal Grupo 91
PREDICCIÓN METEOROLÓGICA CON LA PLATAFORMA WEKA Ismael Fernández Castellano 100033034 Telmo Calle Facal 100035925 Grupo 91 1. INTRODUCCIÓN El objetivo de la práctica es desarrollar un sistema de caracterización
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 detallesOTRAS CONSIDERACIONES. Introducción a las Redes Neuronales Artificiales
OTRAS CONSIDERACIONES! Estrategias para generalización Existen diversas estrategias para mejorar la generalización: 1) Teoría de Regularización: Agregar una penalidad para lograr mejorar la forma de la
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detalles1.-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
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesPREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL
PREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL SIMPOSIO SIRGAS 2015 Santo Domingo, República Dominicana 18 20 Noviembre 2015 en colaboración
Más detallesInstalación de diferentes S.O. en maquinas virtuales, Virtual Box. Vicente Sánchez Patón I.E.S Gregorio Prieto. Tema 1 SRI
Tema 1 SRI Instalación de diferentes S.O. en maquinas virtuales, Virtual Box Vicente Sánchez Patón I.E.S Gregorio Prieto Tema 1 SRI Creación de maquina virtual Para crear la maquina virtual abrimos el
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 11 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 11 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Resolución manual de clasificación bayesiana
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesMaría Gabriela Vintimilla Sarmiento Darwin Alulema
Desarrollo e Implementación de una Aplicación que Traduzca el Abecedario y los Números del uno al diez del Lenguaje de Señas a Texto para Ayuda de Discapacitados Auditivos Mediante Dispositivos Móviles
Más detallesCurso Superior. Experto en Data Mining
Curso Superior Experto en Data Mining Índice Experto en Data Mining 1. Sobre Inesem 2. Experto en Data Mining Descripción / Para que te prepara / Salidas Laborales / Resumen / A quién va dirigido / Objetivos
Más detallesGrado en ESTADÍSTICA APLICADA 258 ECTS
MATERIAS BÁSICAS (60 ECTS) Obligatorio 1.- Descripción y Exploración de datos (ESTADÍSTICA - RAMA) 2.- Azar y probabilidad (ESTADÍSTICA - RAMA) 3.- Estimación I (OB) (ESTADÍSTICA - RAMA) 4.- Software estadístico
Más detallesinformática Educación Secundaria Obligatoria
informática Educación Secundaria Obligatoria Transmitir y tratar información. Crear maquinas. Métodos para procesar esa información. Necesidad humana a lo largo de la Historia Informática como Ciencia.
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesMinería de Datos. Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria
Minería de Datos Profra. Heidy Marisol Marin Castro Universidad Politécnica de Victoria 1 Que es un conjunto de datos? Es una colección de objetos con sus respectivo atributos. Un atributo es una propiedad
Más detallesUnidad 5. Tablas. La celda que se encuentra en la fila 1 columna 2 tiene el siguiente contenido: 2º Celda
Unidad 5. Tablas Una tabla está formada por celdas o casillas, agrupadas por filas y columnas, en cada casilla se puede insertar texto, números o gráficos. Lo principal antes de empezar a trabajar con
Más detallesComponentes de los SBC. Componentes de los SBC. SBC basados en sistemas de producción. Notas
Componentes de los SBC Componentes de los SBC Queremos construir sistemas con ciertas características: Resolución de problemas a partir de información simbólica Resolución mediante razonamiento y métodos
Más detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Más detallesLIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesAlgoritmos y Programación Orientada a Objetos I. Contenedoras de tamaño variable y uso de ciclos en otros contextos
Algoritmos y Programación Orientada a Objetos I y uso de ciclos en otros contextos Agenda Motivación Uso de ciclos en otros contextos Agenda Motivación Uso de ciclos en otros contextos Motivación En muchos
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesMantenimiento de edificios
Mantenimiento de edificios En este apéndice vamos a describir, de forma general, la manera más propicia de llevar el mantenimiento con Ingrid. Como punto de apoyo a la explicación paso a paso nos serviremos
Más detallesRedes Neuronales Artificiales
Red de Hopfield Almacenar un conjunto de p patrones de forma tal que cuando se presente un nuevo patrón, la red responda produciendo alguno de los patrones previamente almacenados que más se parezca al
Más detallesTécnicas de aprendizaje automático en el análisis de datos de DP. Dr. Carlos Fernández Lozano Juan de la Cierva-Formación
Técnicas de aprendizaje automático en el análisis de datos de DP Dr. Carlos Fernández Lozano Juan de la Cierva-Formación carlos.fernandez@udc.es Índice Acerca de mí Big data? Medicina de precisión? Integración
Más detallesManual configuración aplicaciones
2 En esta página puede configurarse de forma personalizada su lector Universal de Felixcan. Así pues, usted puede colocar los campos deseados en cuatro pantallas diferentes para recoger la información
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detalles5. PLANIFICACIÓN DE LAS ENSEÑANZAS
5. PLANIFICACIÓN DE LAS ENSEÑANZAS 5.1. Descripción del Plan de Estudios I. Estructura del Plan de Estudios Módulo Materia Asignatura ECTS Carácter MÉTODOS NUMÉRICOS 6 OBLIGATORIA ECUACIONES 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 detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
Más detallesMODELO 347. Si elegimos el modelo 347, la pantalla que se nos muestra es:
MODELO 347 Desde Rayuela podremos generar un fichero en formato.pdf con el resumen de los pagos a proveedores por más de 3.005,06 de un ejercicio económico (año fiscal), para imprimirlo en papel. Lo haremos
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 detallesPRUEBA DE SOFTWARE LA PRUEBA DE UN SISTEMA
PRUEBA DE SOFTWARE Probar bien un sistema no es una actividad trivial para aprender. Algunos lo consideran un arte y aprender a hacerlo bien requiere práctica y experiencia. El 50% del tiempo y esfuerzo
Más detallesTablas dinámicas: Teoría y ejercicios resueltos
Tablas dinámicas: Teoría y ejercicios resueltos Hoy día es frecuente trabajar con hojas de cálculo que contienen cientos o incluso miles de datos referentes a nuestro negocio. Disponemos, de hecho, de
Más detallesSolución al parcial 14
Solución al parcial 14 Marque V(erdadero) o F(also) según considere la proposición. 1. La lógica difusa es la emulación del razonamiento aproximado que realizan las máquinas. F: Las máquinas no realizan
Más detallesProcesamiento Analógico de Señales
Procesamiento Analógico de Señales Departamento de Electrónica y Automática Facultad de Ingeniería Generación de señales con SIMetrix Andrés Lage Angel Veca Mario Ruiz Edición 2013 Generación de Señales
Más detallesExperto en Data Mining
titulación de formación continua bonificada expedida por el instituto europeo de estudios empresariales Experto en Data Mining duración total: precio: 0 * modalidad: Online * hasta 100 % bonificable para
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 detallesAplicación de carga de faltas
Aplicación de carga de faltas Esta utilidad le permitirá introducir las faltas de asistencia de sus alumnos. Pasos que debe seguir: 1.- Al entrar en la aplicación se le muestra una ventana en la cual debe
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesEL ANALISIS DE LA EXPLOTACION AGRARIA
EL ANALISIS DE LA EXPLOTACION AGRARIA UANDO en gestión hablamos de explotaciones agrarias nos referimos tanto a las individuales como a las que se originan por motivo de agrupación o de cooperación. En
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesManual de Usuario Digibanda MANUALES. Source IT Consulting SAC Calle General Silva 489 Miraflores Lima Perú
MANUALES Calle General Silva 489 Miraflores Lima Perú www.sitconsulting.com.pe 1 INDICE 1. Manual de Configuración de Servidor Pag. 3 2. Manual de Procesamiento Individual o Semi automático Pag. 7 3. Manual
Más detalles4.13. GESTIÓN DINÁMICA DE UN PROYECTO
4.13. GESTIÓN DINÁMICA DE UN PROYECTO Existen muchas actividades, desde escribir un libro a construir un buque, que presentan unas características muy similares. Existe en primer lugar un objetivo y unas
Más detallesMINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES
MINERIA DE DATOS: ANÁLISIS DE DATOS ELECTORALES Rubén Gómez-Chacón Camuñas rgomezch@ing.uc3m.es Javier Jimenez Dorado jjdorado@ing.uc3m.es RESUMEN En este artículo vamos a tratar un problema de minería
Más detallesLa aplicación de separación de voz separalab
Capítulo 4 La aplicación de separación de voz separalab 4.1 Introducción Este capítulo del proyecto está dedicado exclusivamente al aspecto práctico de la realización del mismo. Presentaremos varias simulaciones
Más detallesLABORATORIO DE FISICA - BOBINAS DE HELMHOLTZ
LABORATORIO DE FISICA - BOBINAS DE HELMHOLTZ En primer lugar, conectamos el teslámetro, mientras esperamos a que esté listo, preparando el montaje. Posicionamos la sonda, para medir el campo magnético,
Más detallesCapítulo 2: Introducción.
Capítulo 2: Introducción. - 13 - 2. Introducción. En este capítulo realizaremos una descripción de los apartados de la memoria que permitirá una mejor comprensión de ésta. Capítulo a capítulo iremos introduciendo
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
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 detallesPerfil de la carrera Licenciatura en Computación Inteligencia Artificial
Perfil de la carrera Licenciatura en Inteligencia Artificial La formación del licenciado apunta a completar requisitos mínimos de formación básica y a la especialización del egreso en sub-áreas de o en
Más detallesMANUAL DE USUARIO SISTEMA DE CALIFICACIÓN PARA CAPACITADORES INDEPENDIENTES
MANUAL DE USUARIO SISTEMA DE CALIFICACIÓN PARA CAPACITADORES INDEPENDIENTES MANUAL DE USUARIO SISTEMA DE CALIFICACIÓN PARA CAPACITADORES INDEPENDIENTES Presentación El presente manual ha sido elaborado
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesBig Data Analytics & IBM BIG INSIGHT
Big Data Analytics & IBM BIG INSIGHT En la actualidad se generan grandes volumenes de datos de diversos tipos, a gran velocidad y con diferentes frecuencias. Las tecnologıas disponibles permiten efectuar
Más detallesMANUAL PARA INTEGRAR LOS DATOS DE ABIES A ABIESWEB
MANUAL PARA INTEGRAR LOS DATOS DE ABIES 2.0.8.3 A ABIESWEB En el presente manual se explican los pasos para INTEGRAR LOS DATOS DE ABIES 2.0.8.3. A ABIESWEB y se van a estructurar en los tres programas
Más detallesCAPÍTULO Reconocimiento de voz usando redes neuronales artificiales del CSLU
CAPÍTULO 5 Reconocimiento de voz usando redes neuronales artificiales del CSLU Una vez teniendo los datos listos para ser usados, el paso siguiente es entrenar un reconocedor de voz usando alguna técnica
Más detallesCAPÍTULO 1. INTRODUCCIÓN
CAPÍTULO 1. INTRODUCCIÓN Las tecnologías de la información son herramientas que ayudan a las personas a tomar decisiones de forma eficiente y efectiva. Los Data Warehouse [16, 5], Minería de datos [9,
Más detallesTécnicas de Programación
Técnicas de Programación 2.1.- Introducción: unos conceptos previos y primeros conceptos de la API Introducción La resolución de un problema con medios informáticos implica generalmente la siguiente secuencia
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesTEST DE RAZONAMIENTO NUMÉRICO. Consejos generales
TEST DE RAZONAMIENTO NUMÉRICO Consejos generales 1 I. INTRODUCCIÓN En lo relativo a los cálculos de porcentajes, es fundamental tener en cuenta que los porcentajes, en realidad, son referencias abstractas,
Más detalles2. NORMAS DE SEGURIDAD Y TRABAJO EN EL AULA-TALLER
1. A TECNOLOGÍA Basta con que mires a tu alrededor para descubrir que vivimos rodeados de objetos que intentan hacer nuestra vida más cómoda. Todos fueron inventados con ayuda de la Tecnología, para resolver
Más detallesTema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision
Tema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision Procesos de desarrollo de SAD Hay dos formas de desarrollar SAD: Programar un SAD a medida: se puede emplear un lenguaje convencional como
Más detallesMaster Universitario de Automatización de Procesos Industriales DEPARTAMENTO DE ELECTRÓNICA T3 ENTORNO VIJEO CITECT CONFIGURACIÓN VIJEO CITECT BÁSICA
Master Universitario de Automatización de Procesos Industriales DEPARTAMENTO DE ELECTRÓNICA T3 ENTORNO VIJEO CITECT CONFIGURACIÓN VIJEO CITECT BÁSICA En esta parte vamos a ver como se configuran las opciones
Más detallesSistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Más detallesMANUAL WinPoET 1/31. MANUAL WinPoET
1/31 MANUAL WinPoET Mayo 2006 1/31 INDICE 1. Introducción... 2 2. Windows 2000, 98 y ME - Instalación y configuración del WinPoET... 3 3. Windows XP Configuración de la conexión... 10 4. Windows XP - Comprobación
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesDentro de un multiplexor hay que destacar tres tipos de señales: los datos de entrada, las entradas de control y la salida
LOS MULTIPLEXORES Vamos a estudiar, en éste capítulo, una serie de circuitos combinatorios relacionados con la transferencia de información; es decir, analizaremos la situación de tener varias señales
Más detallesUnidad 2. Crear una Presentación (I)
Unidad 2. Crear una Presentación (I) A continuación veremos cómo crear una Presentación. PowerPoint nos permite crear una presentación de formas distintas, bien a través del asistente que es muy útil cuando
Más detallesmatemáticos, como por ejemplo las cinco operaciones básicas, factorial de un número.
Sesión 4: Programar en Scratch soluciones a problemas simples matemáticos, como por ejemplo las cinco operaciones básicas, factorial de un número. Objetivo: Aprender a realizar algoritmos y procedimientos
Más detalles