Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning"

Transcripción

1 Introducción Qué es aprendizaje automatizado e inferencia inductiva"? Para qué sirve? (ejemplos/aplicaciones) Tareas de aprendizaje Representación de datos Enfoques usados Concept learning: algoritmos Qué es machine learning? Meta: Cómo hacer que los programas mejoren su performance en ciertas tareas a partir de la experiencia "performance" = velocidad, exactitud, "experiencia" = cjto de casos conocidos ("observaciones") Ej (método simple): experiencia: ejecutar acción A en situación S dio resultado R la situación S aparece otra vez si R era indeseable: probar otra cosa si R era deseable: intentar otra vez acción A Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS Generalización & Exploración Este es un ejemplo muy simple Sólo funciona si encontramos exactamente la misma situación Perosi la situación es similar? Necesitamos generalización Y si elegimos otra acción alternativa que es aún mejor que la que ya conocemos? Necesitamos exploración La generalización está asociada a la inferencia inductiva Prof Carlos I Chesñevar UNS Algunos Tipos de Machine Learning Aprender a través de terceros maestro nos dice todo Problema: entender al maestro Aprender por descubrimiento aprendiz planea experimentos, posiblemente formula lenguajes de descripción, generaliza a partir de observaciones Aprendizaje a partir de ejemplos maestro provee ejemplos (posiblemente buenos) el aprendiz generaliza Prof Carlos I Chesñevar UNS 4 Ejemplos de aplicaciones en Machine Learning Diagnóstico Médico Predicción del Tiempo Predecir actividad biológica de compuestos químicos Sistemas de control ingenieril (ej Grúas mecánicas, dirección de vehículos, etc) Predecir comportamientos sociológicos complejos en el futuro a partir de comportamientos pasados Aprendizaje a partir de Ejemplos Aprendizaje Inductivo En general, los expertos encuentran más fácil producir buenos ejemplos que proveer teorías completas y generales Los ejemplos pueden provenir de la naturaleza, de experimentos, de observaciones, o bases de datos preexistentes Prof Carlos I Chesñevar UNS 5 Prof Carlos I Chesñevar UNS 6

2 Inferencia Inductiva = Razonar de lo específico a lo general eg estadística: de una muestra, inferimos propiedades de una población muestra obs: estos perros son todos marrones" población hipótesis: todos los perros son marrones" Nota: la inferencia inductiva es más general que la estadística la estadística se involucra básicamente con métodos numéricos para hacer inferencias inferir media, moda, distribución probabilística, etc de una población Otros enfoques más generales en cambio son: encontrar definición simbólica de un concepto ( concept learning ) encontrar leyes (quizá con estructura compleja) que gobiernen los datos estudiar inducción desde un punto de vista filosófico Prof Carlos I Chesñevar UNS 7 Prof Carlos I Chesñevar UNS 8 Dos grandes aplicaciones de inferencia inductiva: Machine learning muestra" de observaciones = experiencia generalización a una población = encontrar patrones (modelos) en las observaciones que en general valen y pueden usarse para futuras tareas Descubrimiento de conocimiento (Data mining) muestra" = base de datos generalización = encontrar patrones que valen en una BD y que pueden esperarse también en datos similares que NO están en la BD Conocimiento descubierto= descripción comprensible de estos patrones Prof Carlos I Chesñevar UNS 9 Para qué sirve el estudio del aprendizaje automatizado? Científicamente, para entender el aprendizaje y la inteligencia en humanos y animales Esto es de interés para filósofos, biólogos, etc Visión más práctica en Ciencias de la Computación: Construcción de sistemas de Inteligencia Artificial Sistemas expertos que mejoren automáticamente con el tiempo Sistemas que ayuden a los científicos a descubrir nuevas leyes Fuera de la IA clásica, tenemos también varias aplicaciones cuando no sabemos cómo programar algo por nosotros mismos (ej Sistemas de reconocimiento óptico de caracteres) cuando un programa debe adaptarse regularmente a nuevas circunstancias (ej algoritmos para balance de procesos en sistemas operativos) cuando un programa debe adaptarse para el usuario (ej Webs adaptativas) Prof Carlos I Chesñevar UNS Descubrimiento de Conocimiento Descubrimiento de conocimiento : Sistema AM: redescubrió teoremas matemáticos Datamining sobre el genoma humano Usado en el marco del Proyecto Genoma Humano Descubrimientos sobre drogas y compuestos químicos contexto: robots realizan experimentos a alta velocidad; esto da gran cantidad de datos; se busca automatizar el analisis de los datos (pues los humanos no pueden hacerlo sincronizadamente con los robots) Descubrimiento de Conocimiento: aplicaciones Ej: dadas distintas moléculas que son activas contra alguna enfermedad, descubrir qué hay en común entre ellas Eso quizá sea la razón probable de su actividad Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS

3 Descubrimiento de Conocimiento: aplicaciones Data mining en BDs, búsqueda de patrones interesantes ej para marketing basado en datos en BD (ej: útil para mailing dirigido) estudiar comportamiento de clientes para identificar su perfil Encontrar qué productos se compran juntos con frecuencia (ej: organización de venta en supermercados) ej: para sistemas de salud En un hospital, ayudar con el diagnóstico de pacientes Aprendizaje Automatizado para tareas difíciles Difíciles para humanos Sistema LE : aprendió como hacer integración simbólica de funciones o fáciles para humanos, pero difíciles de programar los humanos lo hacen pero no saben decir cómo ej: aprender a jugar juegos (ajedrez, go, ) aprender a volar un avión, manejar un auto, reconocer caras Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS 4 Aprendizaje Automatizado en Sistemas Adaptivos Robots en entorno cambiante necesitan continuamente adaptar su comportamiento Sistemas que se adaptan al usuario basados en modelar al usuario: observar el comportamiento del usuario construir un modelo que describa el comportamiento usar el modelo para simplificar la vida del usuario ej páginas web adaptativas, filtrado inteligente de mails, interfaces de usuario adaptativas, etc Un ejemplo: cómo construir un sistema que juega al ajedrez Aprender = mejorar en una tarea T, con respecto a una medida de performance P, basada en experiencia E En este caso: T = jugar a las damas P = % de juegos ganados en un torneo mundial E = juegos jugados contra sí misma / secuencias de partidos previos jugados por campones mundiales Preguntas a responder: Qué es lo dado? qué es lo aprendido? qué algoritmo de representación y aprendizaje hay que usar? Prof Carlos I Chesñevar UNS 5 Prof Carlos I Chesñevar UNS 6 Ajedrez: ejemplo Qué queremos aprender? dada una situación de tablero, que movida hay que hacer Qué es lo dado? evidencia directa o indirecta? Directa: ej, que movidas fueron buenas, y cuáles fueron malas Indirecta: movidas consecutivas en un juego resultado del juego en este caso: evidencia indirecta Evidencia directa requeriría un maestro Prof Carlos I Chesñevar UNS 7 Ajedrez: ejemplo Qué es lo que en concreto queremos aprender? Elegir tipo de target function : ChooseMove: Tablero Movida? aplicable directamente V: Tablero Real indica calidad del estado al jugar, elegir la movida que lleva al mejor estado Nota: def razonable para V sería:» V(gana) =, V(pierde) =, V(empate) =, V(s) = V(e) siendo e el mejor estado alcanzable desde s al jugar optimamente Prof Carlos I Chesñevar UNS 8

4 Ajedrez: ejemplo Elegir representación para la target function : cjto de reglas? función polinómica en base a caract numéricas? Ejemplo: V = w bpw rpw bkw 4 rk bp, rp : nro de piezas negras / blancas sin amenazar bk, rk : nro de damas negras / blancas amenazadas w i : constantes aprendidas a partir de experiencia Elementos influyentes en elecciones de diseño Qué algoritmos son útiles para qué tipo de funciones? Cómo se ve influenciado el aprendizaje por # ejemplos de entrenamiento complejidad de representación de hipótesis ruido en los datos Límites teóricos para aprendizaje? Podemos ayudar al aprendiz con conoc previo? Podría un sistema alterar su representación por sí mismo? Prof Carlos I Chesñevar UNS 9 Prof Carlos I Chesñevar UNS Tareas de aprendizaje típicas Concept learning: aprender una definición de un concepto (ej: fraude bancario; compuesto químico peligroso) Aprendizaje supervisado vs no supervisado Aprendizaje de funciones Discreta ("clasificación") o continua ("regresión") Concepto = función con resultado booleano Clustering Encontrar patrones descriptivos Prof Carlos I Chesñevar UNS Ejemplo: Aprendizaje sobre Hongos Prof Carlos I Chesñevar UNS Clases y Atributos Ejemplo de hongo venenoso 4 Ejemplo de hongo comestible Dos atributos: altura y ancho de un hongo Dos clases: venenosos () y comestibles () Prof Carlos I Chesñevar UNS Tarea De Aprendizaje Ejemplo de hongo venenoso 4 Ejemplo de hongo comestible Aprender el concepto de hongo comestible Prof Carlos I Chesñevar UNS 4

5 Conceptos a partir de Ejemplos Conceptos como conjuntos: U = conjunto de todos los objetos (instance space) Un concepto C, C U Aprender un concepto C significa Aprender a reconocer, para todo U, si C o C Ejemplos de conceptos: Concepto de hongo venenoso Concepto de enfermedad: cjto de pacientes que sufren de esa dolencia Concepto de arco Concepto de letra A (OCR) Concepto de multiplicación = {(x,y,z) x*y=z} Prof Carlos I Chesñevar UNS 5 Conceptos a partir de Ejemplos Usualmente, el resultado del aprendizaje es una descripción de concepto o un clasificador Un clasificador puede definirse en distintas formas, utilizando varios formalismos, alternativamente llamados: Lenguajes de Descripción de Conceptos, o bien Lenguajes de Hipótesis Los clasificadores describen las hipótesis del aprendiz (sobre la base de los datos de aprendizaje) sobre un concepto meta En gral un aprendiz nunca está seguro de si una hipótesis inducida corresponde al concepto meta Prof Carlos I Chesñevar UNS 6 (H) Hipótesis Sobre Hongos IF <W and W<4 and H< THEN comestible ELSE venenoso Prof Carlos I Chesñevar UNS 7 Hipot H (W) Hipótesis Sobre Hongos IF H>W THEN venenoso ELSE IF H>6 W THEN venenoso ELSE comestible Prof Carlos I Chesñevar UNS 8 Hipot H Hipótesis Sobre Hongos Hipot H IF H< (W) THEN comestible ELSE venenoso Contrastando Hipótesis Las tres hipótesis presentadas eran consistentes con los datos Pero hay diferencias cuando se clasifican nuevos datos! Prof Carlos I Chesñevar UNS 9 Prof Carlos I Chesñevar UNS

6 4 Hipótesis Sobre Hongos H H H H es la hipótesis más específica H y H son más generales (=menos específicas) que H Prof Carlos I Chesñevar UNS Lenguajes de Hipótesis Descripciones AtributoValor Se refieren a atributos únicos Ej: IF <W AND W<4 THEN Descripciones relacionales Hacen referencia a relaciones entre componentes Ej: IF H>W THEN Prof Carlos I Chesñevar UNS Arbol de Decisión Descripciones Relacionales Brinda un lenguaje de hipótesis AtributoValor Hipótesis H puede representarse como árbol de decisión W< True False W>4 False True Aprender el concepto de un arco Posible hipótesis Inducida por un aprendiz automático: arco arco IF <W and W<4 and H< THEN comestible ELSE venenoso False H> True Un arco consiste de tres polígonos A,B, y C A y B son rectángulos C es polígono estable A y B soportan a C A y B no se tocan arco arco Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS 4 Datos de lentes de contacto Dos descripciones estructurales: reglas y árbol de decisión Prof Carlos I Chesñevar UNS 5 Prof Carlos I Chesñevar UNS 6

7 Aprendizaje a partir de Ejemplos C es un concepto meta indica ejemplos positivos indica ejemplos negativos C C C es un concepto inducido, o concepto aprendido, o hipótesis U Aprendizaje a partir de Ejemplos C C Los errores (clasificaciones incorrectas) son: CC = ejemplos que están en C pero no en C C C = ejemplos que están en C pero no en C Error cometido: (CC ) (C C) Exactitud de concepto inducido = proporción de clasificación correcta = U (CC ) (C C) / U U Prof Carlos I Chesñevar UNS 7 Prof Carlos I Chesñevar UNS 8 Bias (=sesgo) en Machine Learning Sesgo de Restricción: limita el conjunto de hipótesis posibles A menudo llamado sesgo del lenguaje Sesgo de preferencia: ordena las hipótesis disponibles; también llamado sesgo de búsqueda Ejemplos: Hipótesis maximamente grales Hipótesis máximamente específicas Navaja de Occam (Occam s razor) Navaja de Occam (Occam s Razor) William of Occam (8549) Entities should not be multiplied unnecessarily Se aplica en ciencias experimentales como Navaja de Occam Dadas dos explicaciones de los datos, la explicación más simple es la preferida Prof Carlos I Chesñevar UNS 9 Prof Carlos I Chesñevar UNS 4 Criterios de Exito en ML Exactitud de hipótesis inducidas Comprensibilidad = grado de entendimiento de la hipótesis inducida En la práctica, la comprensibilidad puede ser más importante que la exactitud! Prof Carlos I Chesñevar UNS 4 Concept learning : supervisado Dados ejemplos positivos () y negativos () de un concepto, inferir propiedades que hagan que las instancias sean positivas o negativas (= concept definition) C: {true,false} Prof Carlos I Chesñevar UNS 4 C

8 Concept learning : nosupervisado Dados ejemplos de instancias Inventar conceptos razonables ( = clustering) Encontrar definiciones para estos conceptos Prof Carlos I Chesñevar UNS 4 C C C Eg taxonomías de animales, identificación de segmentos de mercado, Aprendizaje de funciones Generaliza la noción de concept learning Aprender función f: S donde S es un cjto finito de valores: clasificación S es un rango continuo de reales: regresión Prof Carlos I Chesñevar UNS 44 f Clustering Encontrar grupos de instancias que son similares Puede ser una meta en sí mismo (clasificación no supervisada) pero también es usada para otras tareas regresión predicción flexible: cuando no se sabe por adelantado qué propiedades predecir a partir de cuáles otras propiedades Prof Carlos I Chesñevar UNS 45 Representación de los datos Datos numéricos : las instancias son puntos en el espacio ndimensional Muchas técnicas se focalizan en este tipo de datos Datos simbólicos (true/false, negro/blanco,) Pueden convertirse a datos numéricos Algunas técnicas funcionan directamente con datos simbólicos Datos estructurales Las instancias tienen estructura interna (grafos, cjtos, ; ej moléculas) Difíciles de convertir a un formato más sencillo Existen pocas técnicas para manipularlos Prof Carlos I Chesñevar UNS 46 Acercamientos existentes Acercamientos simbólicos: Version Spaces, Inducción de árboles de decisión, Inducción de cjtos de reglas, inductive logic programming, Acercamientos numéricos: Redes Neurales, support vector machines, Acercamientos probabilísticos ( aprendizaje bayesiano ) Misceláneos: Aprendizaje basado en ejemplos, algoritmos genéticos, aprendizaje por refuerzo, etc Prof Carlos I Chesñevar UNS 47 Síntesis Datamining Concepto Areas de aplicación KDD: etapas Aprendizaje automatizado Generalización, exploración, Aplicaciones Sistemas adatpativos Conceptos Descripciones de conceptos Lenguajes de hipótesis Prof Carlos I Chesñevar UNS 48

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Aprendizaje automático

Aprendizaje automático Aprendizaje automático Machine Learning 1 Aprendizaje automático Definición de aprendizaje Primer problema: desconocemos los mecanismos que rigen el aprendizaje humano Por esto las definiciones hacen hincapié

Más detalles

Aprendizaje Automatizado

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

Más detalles

Datamining y Aprendizaje Automatizado Dep. de Cs. e Ing. de la Computación, UNS 2do. Cuat. 2010. Prof. Carlos Iván Chesñevar

Datamining y Aprendizaje Automatizado Dep. de Cs. e Ing. de la Computación, UNS 2do. Cuat. 2010. Prof. Carlos Iván Chesñevar Datamining y Aprendizaje Automatizado 01 - Introducción. Conceptos Preliminares De qué tratará este curso Conceptos y técnicas básicas de Datamining. Conceptos y técnicas de Aprendizaje Automatizado. Análisis

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 2 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 2 - Juan Alfonso Lara Torralbo 1 Índice de contenidos (I) Introducción a Data Mining Actividad. Tipos

Más detalles

Clasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos.

Clasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos. Aprendizaje Automatizado Clasificadores y construcción de conceptos usando aprendizaje automatizado Aprendizaje con Version Spaces Clasificador (Classifier) Brindan modelos para capturar la formación de

Más detalles

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

Data Mining Técnicas y herramientas

Data Mining Técnicas y herramientas Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Parte I: Introducción

Parte I: Introducción Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one

Más detalles

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático? Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento

Más detalles

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:

De qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información: Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,

Más detalles

Ingeniería en Informática

Ingeniería en Informática Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil

Nombre de la asignatura: Inteligencia Artificial. Créditos: 2-2 - 4. Aportación al perfil Nombre de la asignatura: Inteligencia Artificial Créditos: 2-2 - 4 Aportación al perfil Diseñar e implementar interfaces hombre- máquina y máquinamáquina para la automatización de sistemas. Identificar

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

Clasificación Bayesiana de textos y páginas web

Clasificación Bayesiana de textos y páginas web Clasificación Bayesiana de textos y páginas web Curso de doctorado: Ingeniería Lingüística aplicada al Procesamiento de Documentos Víctor Fresno Fernández Introducción Enorme cantidad de información en

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada

Desarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

Métodos Heurísticos en Inteligencia Artificial

Métodos Heurísticos en Inteligencia Artificial Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

Informática II Ing. Industrial. Data Warehouse. Data Mining

Informática II Ing. Industrial. Data Warehouse. Data Mining Data Warehouse Data Mining Definición de un Data Warehouses (DW) Fueron creados para dar apoyo a los niveles medios y altos de una empresa en la toma de decisiones a nivel estratégico en un corto o mediano

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

A. Subcampos basados en el contenido.

A. Subcampos basados en el contenido. ARTIFICIAL INTELLIGENCE. AN ILLUSTRATIVE OVERVIEW Aaron Sloman School of Computer Science The University of Birmingham http://www.cs.bham.ac.uk/~axs/courses.ai.html Las áreas de aplicación de la Inteligencia

Más detalles

Aprendizaje automático mediante árboles de decisión

Aprendizaje automático mediante árboles de decisión Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

Tema AA 1: Introducción a al Aprendizaje Automático

Tema AA 1: Introducción a al Aprendizaje Automático Razonamiento Automático Curso 200 2002 Tema AA : Introducción a al Aprendizaje Automático José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial

Más detalles

SOciedad Dominicana de Inteligencia Artificial. Santo Domingo Mayo 2015

SOciedad Dominicana de Inteligencia Artificial. Santo Domingo Mayo 2015 SOciedad Dominicana de Inteligencia Artificial Santo Domingo Mayo 2015 1 Conferencia: La Inteligencia Artificial y sus Aplicaciones para Países en Desarrollo Dra. Ing. Rina Familia 24/05/2015 3 Hollywood

Más detalles

Aprendizaje Computacional. Eduardo Morales y Jesús González

Aprendizaje Computacional. Eduardo Morales y Jesús González Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 9 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 9 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Qué es un modelo de Data Mining Qué es

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es)

Integrantes: Leonardo Tilli (leotilli@gmail.com) Fernando Hernández (matematicas527@yahoo.es) UNIVERSIDAD DE BUENOS AIRES Facultad de Ciencias Exactas y Naturales Departamento de Computación Trabajo Práctico de Metaheurística Segundo cuatrimestre 2010 Implementación de un Algoritmo basado en la

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos.

Tema 3. MODELOS. 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas biológicos. Tema 3. MODELOS 011 0 01 01 FUNDAMENTOS 1. Modelos computacionales. 2. Computación y Neurociencia. CONTENIDOS 2.1 Apoyo Informático a la investigación experimental. 2.2 Modelos del cerebro: A. Realistas

Más detalles

Minería de Datos. Universidad Politécnica de Victoria

Minería de Datos. Universidad Politécnica de Victoria Minería de Datos Universidad Politécnica de Victoria 1 Motivación Nuevas Necesidades del Análisis de Grandes Volúmenes de Datos El aumento del volumen y variedad de información que se encuentra informatizada

Más detalles

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis

CURSOS CONENTO. Una puerta abierta para que puedas desarrollar tus propios análisis CURSOS CONENTO Una puerta abierta para que puedas desarrollar tus propios análisis Introducción Este documento recoge la lista de los cursos que ofrecemos para ayudar a nuestros clientes a incrementar

Más detalles

SISTEMAS DE INFORMACIÓN PARA ADMINISTRACIÓN DE OPERACIONES. Manufactura Integrada por Computadora (CIM) Qué es es CIM?

SISTEMAS DE INFORMACIÓN PARA ADMINISTRACIÓN DE OPERACIONES. Manufactura Integrada por Computadora (CIM) Qué es es CIM? SISTEMAS DE INFORMACIÓN PARA ADMINISTRACIÓN DE OPERACIONES 2003 Manufactura Integrada por Computadora (CIM) Qué es es CIM? Bajo el nombre de CIM se engloba a un conjunto de aplicaciones informáticas cuyo

Más detalles

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN.

PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. PROGRAMA DEL DIPLOMADO DE PROCESO BENCHMARKING. TEMA 7. MANEJO DE LA INFORMACIÓN. Objetivo: Al final de la unidad el alumno comprenderá la presencia de estas herramientas informáticas (programas Datamining))

Más detalles

Curso: Estadísticas.

Curso: Estadísticas. Curso: Estadísticas. 1 1 La estadística es una herramienta indispensable para todas las disciplinas del conocimiento universal. La estadística es una colección de información numérica, que se refiere a

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

Capítulo 2. Las Redes Neuronales Artificiales

Capítulo 2. Las Redes Neuronales Artificiales Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

PRINCIPIOS DE INVESTIGACIÓN CIENTÍFICA

PRINCIPIOS DE INVESTIGACIÓN CIENTÍFICA PRINCIPIOS DE INVESTIGACIÓN CIENTÍFICA Precisión: definición precisa del objeto de estudio, traducir los resultados a números. Replicación: repetir investigaciones de otros Objetividad: tomar medidas y

Más detalles

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD

KDD y MD. Dr. Juan Pedro Febles Rodríguez BIOINFO CITMA 2005. Juan Pedro Febles KDD y MD KDD y MD Dr. Juan Pedro Febles Rodríguez BIOINFO febles@bioinfo.cu http://www.bioinfo.cu CITMA 2005 Temas a tratar Algunos antecedentes académicos. El proceso de descubrimiento de conocimientos en Datos

Más detalles

Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN

Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN Departamento de Informática Universidad de Valladolid Campus de Segovia TEMA 7: VALIDACIÓN TÉCNICAS DE PRUEBA DEL SOFTWARE Introducción Aspectos psicológicos de las pruebas Flujo de información de la prueba

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

Más detalles

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR

opinoweb el poder de sus datos Descubra LA NECESIDAD DE PREDECIR opinoweb SOFTWARE FOR MARKET RESEARCH LA NECESIDAD DE PREDECIR Actualmente las empresas no sólo necesitan saber con exactitud qué aconteció en el pasado para comprender mejor el presente, sino también

Más detalles

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como:

Los pronósticos pueden ser utilizados para conocer el comportamiento futuros en muchas fenómenos, tales como: TEMA 1: PRONÓSTICOS 1.1. Introducción Pronostico es un método mediante el cual se intenta conocer el comportamiento futuro de alguna variable con algún grado de certeza. Existen disponibles tres grupos

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

Más detalles

FUNDAMENTOS DE LA TEORÍA DE SISTEMA

FUNDAMENTOS DE LA TEORÍA DE SISTEMA FUNDAMENTOS DE LA TEORÍA DE SISTEMA AL TERMINAR LA CLASE UD PODRÁ RESPONDER Qué es un sistema? Cómo pueden ser definidos los sistemas? Cuáles son los parámetros de un sistema? Cuáles son las característica

Más detalles

Trabajo final de Ingeniería

Trabajo final de Ingeniería UNIVERSIDAD ABIERTA INTERAMERICANA Trabajo final de Ingeniería Weka Data Mining Jofré Nicolás 12/10/2011 WEKA (Data Mining) Concepto de Data Mining La minería de datos (Data Mining) consiste en la extracción

Más detalles

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA

SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA SESIÓN 8 TIPOS DE SISTEMAS DE MANUFACTURA CONTENIDO Términos en manufactura Clasificación de sistemas de manufactura Beneficios y ejemplos de sistemas de manufactura Los componentes de un sistema de manufactura

Más detalles

Aplicación de los ordenadores

Aplicación de los ordenadores Aplicación de los ordenadores Los ordenadores pueden emplearse para resolver una gran cantidad de problemas. Hoy en día, podría decirse que el ordenador puede aplicarse a casi todas las áreas del conocimiento.

Más detalles

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source

Inteligencia Artificial y Seguridad Informática. en plataformas Open Source Inteligencia Artificial y Seguridad Informática en plataformas Open Source Jornadas de Software Libre y Seguridad Informática Santa Rosa La Pampa 4 y 5 de Diciembre de 2009 AGENDA Primera Parte Definiciones

Más detalles

Finanzas e Investigación de Mercados"

Finanzas e Investigación de Mercados DIPLOMATURA: "Análisis de Datos para Negocios, Finanzas e Investigación de Mercados" Seminario: Introducción a Data Mining y Estadística Dictado: Sábado 13, 20,27 de Abril, 04 de Mayo en el horario de

Más detalles

Resolución de Problemas

Resolución de Problemas Resolución de Problemas con algoritmos Colaboratorio de Computación Avanzada (CNCA) 2015 1 / 27 Contenidos 1 Introducción 2 Elementos de algoritmos Elementos Variables Estructuras de Control Condicionales

Más detalles

Construyendo la base del conocimiento a través de la investigación de mercados internacional. Noviembre 2007

Construyendo la base del conocimiento a través de la investigación de mercados internacional. Noviembre 2007 Construyendo la base del conocimiento a través de la investigación de mercados internacional Noviembre 2007 Expositor Mg. Pedro Barrientos Felipa Economista. Magíster por la Universidad del Pacífico. Estudiando

Más detalles

Inteligencia Artificial

Inteligencia Artificial Artificial I.T. en Informática de Sistemas, 3º Curso académico: 2010/2011 Profesores: Ramón Hermoso y Roberto Centeno Artificial 3º ITIS Tema 1: Introducción a la IA 1. Introducción a la Artificial 1.1

Más detalles

Límites. Definición de derivada.

Límites. Definición de derivada. Capítulo 4 Límites. Definición de derivada. 4.1. Límites e indeterminaciones Hemos visto en el capítulo anterior que para resolver el problema de la recta tangente tenemos que enfrentarnos a expresiones

Más detalles

Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4

Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4 Inteligencia Artificial II (Curso 2012-2013) Ejercicios propuestos del tema 4 Ejercicio 1: En una máquina expendedora de huevos sorpresa, unos huevos están pintados de rojo y otros de azul. El 40% de los

Más detalles

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.

Text Mining. Laura Alonso i Alemany. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu. Facultad de Matemática, Astronomía y Física UNC, Córdoba (Argentina) http://www.cs.famaf.unc.edu.ar/ laura SADIO 12, 13 y 14 de Marzo de 2008 grupo de PLN en FaMAF http://www.cs.famaf.unc.edu.ar/ pln/

Más detalles

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012

Introducción a selección de. Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea blanca.vargas@cenidet.edu.mx Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces

Más detalles

Las reglas se parecen un poco a las vistas relacionales. Especifican relaciones virtuales que no están

Las reglas se parecen un poco a las vistas relacionales. Especifican relaciones virtuales que no están BASES DE DATOS DEDUCTIVAS Introducción: El interés de los Sistemas de Gestión de Bases de Datos Deductivas tiende a incrementarse conforme se amplía su campo de aplicación (Gestión, Sistemas Expertos).

Más detalles

Habilidades y Herramientas para trabajar con datos

Habilidades y Herramientas para trabajar con datos Habilidades y Herramientas para trabajar con datos Marcelo Ferreyra X Jornadas de Data Mining & Business Intelligence Universidad Austral - Agenda 2 Tipos de Datos Herramientas conceptuales Herramientas

Más detalles

Trabajo Práctico 6 Métricas para la toma decisiones

Trabajo Práctico 6 Métricas para la toma decisiones 1. Defina los siguientes conceptos: Trabajo Práctico 6 Métricas para la toma decisiones a) Media aritmética (o promedio), mediana, y moda. b) Entidad y atributo. Considere algunas mediciones cotidianas

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

Base de datos II Facultad de Ingeniería. Escuela de computación.

Base de datos II Facultad de Ingeniería. Escuela de computación. Base de datos II Facultad de Ingeniería. Escuela de computación. Introducción Este manual ha sido elaborado para orientar al estudiante de Bases de datos II en el desarrollo de sus prácticas de laboratorios,

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Análisis de Requisitos

Análisis de Requisitos Análisis de Requisitos Los requisitos determinan lo que hará el sistema y definen restricciones sobre su operación e implementación. El análisis de requisitos es el proceso del estudio de las necesidades

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA. Dr. Ramón GARCIA MARTINEZ

INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA. Dr. Ramón GARCIA MARTINEZ INGENIERIA DEL CONOCIMIENTO UBICACION HISTORICA Dr. Ramón GARCIA MARTINEZ INTELIGENCIA ARTIFICIAL Es la disciplina que estudia la forma de diseñar procesos que exhiban características que comunmente se

Más detalles

TEORIA DE LA PROBABILIDAD

TEORIA DE LA PROBABILIDAD TEORIA DE LA PROBABILIDAD 2.1. Un poco de historia de la teoría de la probabilidad. Parece evidente que la idea de probabilidad debe ser tan antigua como el hombre. La idea es muy probable que llueva mañana

Más detalles

El monitoreo de una variable física requiere supervisión permanente de señales que

El monitoreo de una variable física requiere supervisión permanente de señales que Capítulo 1 Marco Contextual 1.1. Formulación del problema 1.1.1. Definición del problema El monitoreo de una variable física requiere supervisión permanente de señales que varían con el tiempo. Tal información,

Más detalles

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO SCE - 0418 SCM - 0414 SCC-0428 ACM - 0403 SCB - 0421 SCV - 0407 ACU-0402 Introducción a la ingeniería en sistemas computacionales

Más detalles

Que es la Inteligencia Artificial?

Que es la Inteligencia Artificial? Introducción a la Inteligencia Artificial Introducción Que es la Inteligencia Artificial? Es una área de la ciencia bastante nueva (1956) Su objetivo son las capacidades que consideramos Inteligentes Las

Más detalles

PATRONES. Experto. Solución:

PATRONES. Experto. Solución: PATRONES. Experto. Asignar una responsabilidad a la clase que tiene la información necesaria para cumplirla. Cuál es el principio fundamental en virtud del cual asignaremos las responsabilidades a los

Más detalles

Socioestadística I Análisis estadístico en Sociología

Socioestadística I Análisis estadístico en Sociología Análisis estadístico en Sociología 1. INTRODUCCIÓN. Definición e historia. 1.1. Que es la Sociestadística?. La estadística es la ciencias de las regularidades que se observan en conjuntos de fenómenos

Más detalles

PRUEBA ESTADÍSTICA DE HIPÓTESIS

PRUEBA ESTADÍSTICA DE HIPÓTESIS PRUEBA ESTADÍSTICA DE HIPÓTESIS Rodrigo PIMIENTA LASTRA* INTRODUCCIÓN En el presente trabajo se pretende destacar el concepto de hipótesis estadística, así como plantear e identificar tanto la hipótesis

Más detalles

TEMA 3: Ayuda a la toma de decisiones

TEMA 3: Ayuda a la toma de decisiones TEMA 3: Ayuda a la toma de decisiones Aritz Pérez Sistemas de Información Departamento de Lenguajes y Sistemas Informáticos UPV-EHU Bilbao, Noviembre del 2011 1 / 35 Introducción Toma de decisiones Decisiones

Más detalles

Introducción al DataMining

Introducción al DataMining Introducción al DataMining Lluís Garrido garrido@ecm.ub.es Universitat de Barcelona Índice Qué es el DataMining? Qué puede hacer el DataMining? Cómo hacer el DataMining? Técnicas Metodología del DataMining

Más detalles

SQL Server Business Intelligence parte 1

SQL Server Business Intelligence parte 1 SQL Server Business Intelligence parte 1 Business Intelligence es una de las tecnologías de base de datos más llamativas de los últimos años y un campo donde Microsoft ha formado su camino a través de

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

Representación del conocimiento. Diferencia entre información y conocimiento (1) Diferencia entre información y conocimiento (2) Notas

Representación del conocimiento. Diferencia entre información y conocimiento (1) Diferencia entre información y conocimiento (2) Notas Todo problema es más sencillo de resolver si disponemos de conocimiento específico sobre él Este conocimiento dependiente del dominio se combina con el conocimiento general sobre cómo resolver problemas

Más detalles

CA ERwin Data Profiler

CA ERwin Data Profiler RESUMEN DEL PRODUCTO: CA ERWIN DATA PROFILER CA ERwin Data Profiler CA ERWIN DATA PROFILER AYUDA A LAS ORGANIZACIONES A REDUCIR LOS COSTOS Y RIESGOS ASOCIADOS CON LA INTEGRACIÓN DE DATOS, AL BRINDAR CAPACIDADES

Más detalles

CATÁLOGO DE INFERENCIAS

CATÁLOGO DE INFERENCIAS Las inferencias son los elementos claves en los modelos de conocimiento o Son los elementos constitutivos de los procesos de razonamiento No existe ningún estándar CommonKADS ofrece un catálogo que cubre

Más detalles

Ergonomía e interfases de interacción humano-computadora

Ergonomía e interfases de interacción humano-computadora Ergonomía e interfases de interacción humano-computadora Martínez de la Teja, Guillermo Manuel Maestro en Ciencias en Ergonomía Ergoprojects / Sociedad de Ergonomistas de México A.C. gmmt@ergoprojects.com

Más detalles

Proceso del KDD (minería de datos o DataMining)

Proceso del KDD (minería de datos o DataMining) Qué es el KDD? Es un proceso no trivial que identifica patrones validos, previamente desconocidos, potencialmente utiles y fundamentalmente entendibles en los datos. es como se reconoce de manera teoria

Más detalles

Universidad Nacional del Sur Departamento de Ciencias e Ingeniería de la Computación Análisis y Diseño de Sistemas 1er.Cuatrimestre de 2006.

Universidad Nacional del Sur Departamento de Ciencias e Ingeniería de la Computación Análisis y Diseño de Sistemas 1er.Cuatrimestre de 2006. Análisis y Diseño de Sistemas Dpto. Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Clase 2 Calidades del producto y del proceso Lic. María Mercedes Vitturini [mvitturi@cs.uns.edu.ar]

Más detalles

APRENDIZAJE COGNITIVO

APRENDIZAJE COGNITIVO Precursores Tolman (teoría propositiva, mapas cognitivos, aprendizaje latente, expectativas y conceptos) Gestalt (organización perceptiva, proceso cerebral holístico, insight, pensamiento productivo y

Más detalles

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler

Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Álvaro J. Méndez Services Engagement Manager IBM SPSS / Profesor Econometría UAM Jecas, 22 Oct 2010 Aplicaciones prácticas de Minería de Datos con IBM SPSS Modeler Business Analytics software Agenda Minería

Más detalles

Guía docente de la asignatura

Guía docente de la asignatura Guía docente de la asignatura Asignatura Materia Minería de Datos Complementos de Computación Módulo Titulación Grado en Ingeniería Informática Plan 463 45220 Periodo de impartición 1 er Cuatrimestre Tipo/Carácter

Más detalles