Machine Learning El fin de la programación?
|
|
- Carmelo Alvarado Carrasco
- hace 5 años
- Vistas:
Transcripción
1 Machine Learning El fin de la programación? Pablo Brusco
2 Algunos problemas N es múltiplo de 2017? N es primo? Encontrar el máximo en una lista. Ubicar 8 reinas en un tablero y que no se ataquen. Ubicar antenas de radio para lograr que no haya interferencias. Dados de tweets, cuántos nombran a Messi? Dada la descripción de un objeto de mi living, es una silla?
3 Qué pasó? En qué materia aprendo lo necesario para reconocer sillas? Hay problemas con reglas tan complejas que no podemos atacarlos con programación clásica
4 Sistemas expertos Puercoespín
5 Aprendizaje Automático (Machine Learning) Aprender a partir de ejemplos y experiencia estas reglas tan complejas pero cómo?
6 Parte 1 Nociones básicas de Aprendizaje Automático
7 Queríamos un programa que... "Silla" No "Silla"
8 Queríamos un programa que... DESCRIPCIÓN PESO 5.3 KG COLOR Negro #PATAS 5 DESCRIPCIÓN PESO 12.4 KG COLOR Blanco #PATAS 4 Predicción "Silla" Clasificador Toma datos como entrada, devuelve etiquetas como salida No "Silla" Predicción
9 Queríamos un programa que... DESCRIPCIÓN PESO 5.3 KG COLOR Negro Predicción "Silla" Entonces, hay que programar el clasificador? #PATAS 5 Clasificador DESCRIPCIÓN PESO 12.4 KG COLOR Blanco #PATAS 4 Toma datos como entrada, devuelve etiquetas como salida No "Silla" Predicción
10 Aprendizaje supervisado 1 2 Nombre de la técnica que se utiliza para construir los clasificadores de manera automática. Tres pasos fundamentales. Primer paso Juntar datos Segundo paso Entrenar un clasificador Tercer paso Hacer predicciones 3
11 Aprendizaje supervisado 1 Recolección de datos 2 Atributos (features) Instancias (ejemplos) 3 Etiqueta PESO COLOR #PATAS Es Silla? 3.4 Marrón 3 Sí 10.2 Varios 2 No 4.5 Verde 4 No 5.2??? 4 Sí 3.2 Marrón 3 No
12 Aprendizaje supervisado Entrenar un clasificador Un clasificador puede ser pensado como una caja de reglas Vacía al principio PESO COLOR #PATAS Siila? 3.4 Marrón 3 Sí 10.2 Varios 2 No 4.5 Verde 4 No 5.2??? 4 Sí 3.2 Marrón 3 No Lleno de reglas Ent r ena do
13 Lleno de reglas Ent ren ado
14 Aprendizaje supervisado 1 2 Hacer predicciones DESCRIPCIÓN PESO 6.2 KG COLOR Negro #PATAS 4 Ent ren ado 97% 3
15 Aprendizaje supervisado Deep Blue le Hacer predicciones 1 2 ganó a Kasparov (1996) 3 pero, podría hacer otra cosa? DESCRIPCIÓN PESO COLOR 6.2 KG Negro Ent ren ado 97% Cómo 4 modificamos lo anterior si se modifica el problema? #PATAS
16 Aprendizaje supervisado Puntos a tener en cuenta RECOLECCIÓN DE DATOS CLASIFICACIÓN PREDICCIÓN Hay suficientes datos? Elegí el algoritmo adecuado? Cómo mido mis resultados? Los datos están balanceados? Con qué parámetros tiene sentido tunearlo? Son resultados que generalizan al problema en el mundo exterior? Cómo puedo testearlo? Qué métricas conviene utilizar? Puedo reutilizar un clasificador ya entrenado? Puedo medir significancia estadística? Sobre cuántos entreno mis modelos? Sobre cuántos valido mis modelos? Qué pinta tienen los datos? Es comparable mi resultado con otros resultados similares?.....
17 Parte 2 Qué es lo que realmente hacen los clasificadores?
18 Qué pinta tienen los features? Formas de extraer features PESO 4.2 #PATAS 3 MATERIAL 1 Silla PESO 2 #PATAS 0 MATERIAL 2 Maceta (Peso, #Patas, Material) PESO 9 #PATAS 4 MATERIAL 0 Mesa PESO 10 #PATAS 3 MATERIAL 2 Mesa
19 Qué pinta tienen los features? Formas de extraer features (Peso, Color, #Ruedas) (Peso, #Patas, Material) (Material, #Ojos, #Ruedas)
20 Qué pinta tiene un clasificador? Algoritmo I Algoritmo II
21 Qué pinta tiene un clasificador? Algoritmo I Cómo lo programo? No se programan, Se decide la forma (algoritmo). Se buscan parámetros óptimos. Se programa la infraestructura.
22 Parte 3 La era de Deep Learning (Aprendizaje Profundo)
23 Ahora un poco más difícil... FOTO Silla Perro FOTO
24 Deep learning
25 No viene gratis Necesitamos muchos datos etiquetados. Necesitamos mucho poder de cómputo. Si quiero entender cómo un cerebro procesa El modelo resultante suele ser muy complejo y opaco. imágenes puedo partirlo en 2 y fijarme? Quiénes salen ganando con estas restricciones? Sirve para hacer ciencia? Sirve para problemas muy específicos?
26 No viene gratis Necesitamos muchos datos etiquetados. Necesitamos mucho poder de cómputo. El modelo resultante suele ser muy complejo y opaco. Quiénes salen ganando con estas restricciones? Sirve para problemas muy específicos? O sea, no puedo hacer nada si no soy Google? Puedo aprovechar redes pre-entrenadas?
27 Parte 4 Entonces... Se acabó el trabajo para nosotros?
28 NO! Aún somos muy necesarios
29 Dónde? Somos necesarios para construir infraestructura alrededor de estos sistemas. Se necesitan técnicas de computación "clásica" para problemas muy específicos o complejos. Somos necesarios para estudiar la mejor forma de utilizar ML. Se necesita técnicas de computación para entender los problemas y encontrar la mejor solución, ya sea con o sin aprendizaje automático. Diseñamos y escribimos esos algoritmos para aprender.
30 Parte 5 Qué hacemos en nuestro laboratorio.
31 TEXTO HABLA CEREBRO PSIQUIATRIA COMPUTACIONAL PROSODIA PSICOLOGÍA EXPERIMENTAL TENDENCIAS CULTURALES MIMETIZACIÓN MODELOS COGNITIVOS EXPRESIONES COGNITIVAS CONFIANZA EYE-TRACKING MODELADO DE TÓPICOS PRONUNCIACIÓN ELECTROENCEFALOGRAMA
32 CONCLUSIONES - Machine Learning complementa al estilo de programación clásico para poder atacar "nuevos" problemas. - No es magia negra, es un conjunto de técnicas y conocimiento para lo cual hace falta práctica y problemas interesantes. - Hay mucho trabajo por hacer y cada vez se necesita más gente que sepa de estos temas.
33 Y.. cómo arranco si quiero resolver estos problemas? Qué lenguajes me recomendás? Qué libros me recomendás? Puedo aprender de Youtube? Puedo aprender de Coursera? LENGUAGES Python (+ sklearn). R (+ caret). LIBROS Mitchell, "Machine Learning", McGraw-Hill, James, Witten, Hastie & Tibshirani, "An Introduction to Statistical Learning with Applications in R", 6th ed, Springer, Bishop, "Pattern Recognition and Machine Learning", Springer, COURSERA Andrew Ng: Machine Learning. Dan Jurafsky & Chris Manning: Natural Language Processing.
34
35 GRACIAS! Pablo Brusco
Conjuntos de Clasificadores (Ensemble Learning)
Aprendizaje Automático Segundo Cuatrimestre de 2016 Conjuntos de Clasificadores (Ensemble Learning) Gracias a Ramiro Gálvez por la ayuda y los materiales para esta clase. Bibliografía: S. Fortmann-Roe,
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2017-2018 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Universidad Autónoma de
Más detallesAprendizaje Automático. Segundo Cuatrimestre de Clasificadores: Naive Bayes, Vecinos Más Cercanos, SVM
Aprendizaje Automático Segundo Cuatrimestre de 2016 Clasificadores: Naive Bayes, Vecinos Más Cercanos, SVM Naive Bayes Naive Bayes Dada una nueva instancia con valores de atributos a 1, a 2,..., a n, su
Más detallesFUNDAMENTOS Y APLICACIONES DE APRENDIZAJE AUTOMÁTICO
FUNDAMENTOS Y APLICACIONES DE APRENDIZAJE AUTOMÁTICO Año 2016 Carrera/ Plan: Licenciatura en Informática Plan 2015 Licenciatura en Sistemas Plan 2015 Licenciatura en Informática Plan 2003-07/Plan 2012
Más detallesBúsqueda por Contenido de Imágenes y Videos
Búsqueda por Contenido de Imágenes y Videos Juan Manuel Barrios http://juan.cl/ Departamento de Ciencias de la Computación Universidad de Chile Semestre Otoño 2016 Curso Búsqueda por Contenido de Imágenes
Más detallesBig data: desafios y oportunidades para la economia y las ciencias sociales
Big data: desafios y oportunidades para la economia y las ciencias sociales Walter Sosa Escudero Universidad de San Andrés y CONICET wsosa@udesa.edu.ar @wsosaescudero waltersosa.weebly.com Pobreza
Más detallesTÓPICOS SELECTOS DE OTROS CURSOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: TÓPICOS SELECTOS DE OTROS CURSOS DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA OBJETIVO GENERAL El objetivo general del Aprendizaje de Máquina (ML por
Más detallesInteligencia Computacional
Inteligencia Computacional Práctica de redes neuronales Reconocimiento óptico de caracteres MNIST Curso 2017-2018 Máster en Ingeniería Informática Departamento de Ciencias de la Computación e Inteligencia
Más detallesAprendizaje 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 detallesBenemérita Universidad Autónoma de Puebla Vicerrectoría de Docencia Dirección General de Educación Superior Facultad de Ciencias Físico Matemáticas
PLAN DE ESTUDIOS (PE): Licenciatura en Actuaría ÁREA: Probabilidad y Estadística ASIGNATURA: Análisis de datos CÓDIGO: CRÉDITOS: 6 FECHA: Junio de 2017 1 1. DATOS GENERALES Nivel Educativo: Licenciatura
Más detallesNeurophysiology of Natural Human Behavior
Neurophysiology of Natural Human Behavior Juan E. Kamienkowski Laboratorio de Inteligencia Artificial Aplicada (LIAA), Instituto de Ciencias de la Computación (CONICET-UBA) https://liaa.dc.uba.ar/ fb/liaa.uba/
Más detallesAPA - Aprendizaje Automático
Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 723 - CS - Departamento de Ciencias de la Computación Curso: Titulación: 2018 GRADO EN INGENIERÍA INFORMÁTICA (Plan
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES
ESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES DATOS DE LA ASIGNATURA Denominación: INTRODUCCIÓN A LOS MODELOS
Más detallesAPRENDIZAJE AUTOMÁTICO
GUIA DOCENTE DE LA ASIGNATURA APRENDIZAJE AUTOMÁTICO MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO FORMACIÓN DE ESPECIALIDAD 1: COMPUTACIÓN Y SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES 3 6 6 Obligatoria
Más detallesV https://www.google.com/analytics/resources/white-paper-mit-tr-analytics-machine-learning.html?utm_source=twitter&utm_medium=social-owned&utm_campaign=2016-q4-gbl-all-ga360-suite&utm_content=mit-whitepaper
Más detallesAPRENDIZAJE AUTOMÁTICO
GUIA DOCENTE DE LA ASIGNATURA APRENDIZAJE AUTOMÁTICO MÓDULO MATERIA CURSO SEMESTRE CRÉDITOS TIPO FORMACIÓN DE ESPECIALIDAD 1: COMPUTACIÓN Y SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES 3 6 6 Obligatoria
Más detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más 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 detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 3.0 Semana 3.0 de elección Optativa Prácticas Semanas 48.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO PROCESAMIENTO DEL LENGUAJE NATURAL 0751 8º, 9º 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería en
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Más detallesAlgoritmos Genéticos. Héctor Alejandro Montes
Algoritmos Genéticos hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Evaluación del curso Ordinaria Tareas Examenes parciales Proyecto final Extraordinaria y a Título de Suficiencia Examen teórico Examen
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesPrograma(s) Educativo(s): Clave de la materia: Semestre:
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA MINERÍA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN PROGRAMA DE LA MATERIA CORRESPONDIENTE A LA INGENIERÍA EN CIENCIAS DE LA COMPUTACIÓN Coordinación: NOMBRE DE LA MATERIA: Área
Más detallesSegmentación de una cartera de clientes usando aprendizaje de máquina
Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014 Inicio Inicio
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento I. A. Clásica Nuevos enfoques de la I. A. Agentes Inteligentes Aprendizaje Introducción Aprendizaje inductivo decisión Planteamiento conectivista.
Más detallesAPA - Aprendizaje Automático
Unidad responsable: 270 - FIB - Facultad de Informática de Barcelona Unidad que imparte: 723 - CS - Departamento de Ciencias de la Computación Curso: Titulación: 2017 GRADO EN INGENIERÍA INFORMÁTICA (Plan
Más detallesSYLLABUS de la Asignatura. Programación INF1201
Sazie 2325, 3er Piso, Santiago +56 2 661 8256 SYLLABUS de la Asignatura Programación INF1201 1. Descripción de la asignatura El estudiante aprenderá a analizar un problema y plantear una solución racionalmente,
Más detalles11. FUENTES DE INFORMACIÓN
multidimensionales Unidad 3: Tratamiento del color Identificar las características del histograma y su uso para el tratamiento del color Obtener el histograma de diferentes imágenes para indicar las características
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Reconocimiento de Patrones Área a la que pertenece: Área de Formación Integral Profesional Horas teóricas: 3 Horas prácticas: 1 Créditos: 7 Clave: F0182 Asignaturas antecedentes y
Más detallesCientífico de datos o data scientist
Científico de datos o data scientist La demanda de científicos de datos se ha incrementado de manera constante en los últimos años, existe en el mercado una amplia oferta para los científicos de datos.
Más detallesESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA
Curso 17/1 DENOMINACIÓN DE LA ASIGNATURA Denominación: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES Código: 11 Plan de estudios: GRADO DE INGENIERÍA INFORMÁTICA Curso: Denominación del módulo al que pertenece:
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Objetivos Estudiar algunas de las metodologías de Inteligencia Artificial,
Más detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
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 detallesUNIVERSIDAD NACIONAL DEL SUR 1 BAHIA BLANCA DEPARTAMENTO DE CIENCIAS E INGENIERÍA DE LA COMPUTACIÓN CORRELATIVAS. CURSADAS Sistemas Operativos
UNIVERSIDAD NACIONAL DEL SUR 1 CÓDIGO: 596 CARRERAS Ingeniería en Computación PROFESOR RESPONSABLE: Dr. Ignacio Ponzoni Profesor Asociado con Dedicación Exclusiva CARGA HORARIA Teoría 6 hs Práctica 8 hs
Más detallesIntroducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
Más detallesPROGRAMA DE ESTUDIO. : Tecnologías de Información II : UN SEMESTRE ACADÉMICO : SEGUNDO AÑO, PRIMER SEMESTRE
PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Tecnologías de Información II CÓDIGO : III222A DURACIÓN : UN SEMESTRE ACADÉMICO PRE- REQUISITO : TECNOLOGIAS DE INFORMACION I CO REQUISITO : NO
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesHoras teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores
Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos:
Más detallesBenemérita Universidad Autónoma de Puebla Vicerrectoría de Docencia Dirección General de Educación Superior Facultad de Ciencias Físico Matemáticas
PLAN DE ESTUDIOS (PE): Licenciatura en Matemáticas Aplicadas ÁREA: Análisis y Métodos Numéricos ASIGNATURA: CÓDIGO: CRÉDITOS: 6 FECHA: Julio de 2017 1 1. DATOS GENERALES Nivel Educativo: Licenciatura Nombre
Más detallesMachine Learning Bases
Machine Learning Bases Programa de Estudio Machine Learning Bases Si te interesa convertirte en un experto en Inteligencia Artificial, en este curso se detallarán los conocimientos imprescindibles para
Más detallesAsignaturas Temas Asignaturas Temas
1 Datos de la Asignatura Nombre de la asignatura: Carrera: Clave de la asignatura: Reconocimiento de Patrones Ingeniería en Sistemas CIE-0701 Horas teoría / práctica / Créditos: 2 2 6 2 Historia del Programa
Más detallesPrograma(s) Educativo(s): Clave de la materia: BC202 UNIVERSIDAD AUTÓNOMA DE Semestre: CHIHUAHUA
DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: BC202 UNIVERSIDAD AUTÓNOMA DE Semestre: Segundo CHIHUAHUA Clave: 08MSU007H Área en plan
Más detallesProyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Más detallesAnálisis Espacial aplicando Técnicas de Inteligencia Artificial
Análisis Espacial aplicando Técnicas de Inteligencia Artificial OBJETIVO. Proporcionar al estudiante técnicas variadas de inteligencia artificial para el tratamiento de datos espaciales y presentar cómo
Más detallesAPE - Aprendizaje Estadístico
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2018 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa 1004 -
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN Módulo Titulación GRADO EN INGENIERÍA INFORMÁTICA (463) Plan 463 Código 45209 Periodo de impartición 2º CUATRIMESTRE
Más detalles1 10 Asignatura Clave Semestre Créditos INGENIERÍA EN COMPUTACIÓN. INGENIERÍA EN COMPUTACIÓN División Departamento Licenciatura
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO FUNDAMENTOS DE PROGRAMACIÓN INGENIERÍA ELÉCTRICA 1 10 Asignatura Clave Semestre Créditos INGENIERÍA EN COMPUTACIÓN INGENIERÍA
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 detallesPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesPROGRAMA DE CURSO. Horas Docencia Horas de Trabajo Horas de Cátedra Docentes ,5 5,5. Resultados de Aprendizaje
PROGRAMA DE CURSO Código Nombre CC5113 Aprendizaje Automático Bayesiano Nombre en Inglés Bayesian Machine Learning SCT Unidades Horas Docencia Horas de Trabajo Horas de Cátedra Docentes Auxiliar Personal
Más detallesUniversidad Autónoma del Estado de México Licenciatura en Matemáticas Programa de Estudios: Programación
Universidad Autónoma del Estado de México Licenciatura en Matemáticas 2003 Programa de Estudios: Programación I. Datos de identificación Licenciatura Matemáticas 2003 Unidad de aprendizaje Programación
Más detallesFIDMAG informa DIAGNÓSTICO AUTOMATIZADO DE LAS PSICOSIS MEDIANTE IMAGEN CEREBRAL
76 FIDMAG informa DIAGNÓSTICO AUTOMATIZADO DE LAS PSICOSIS MEDIANTE IMAGEN CEREBRAL Investigadores de FIDMAG Hermanas Hospitalarias evalúan el potencial de la inteligencia artificial y de las imágenes
Más detallesComputación cognitiva
Computación cognitiva y los centros de servicios compartidos Ing. Isaac Ramírez Herrera, M.SI IBM Watson Health Innovations, Watson for Genomics Profesor del Instituto Tecnológico de Costa Rica iramirez@cr.ibm.com
Más detallesIntroducción a Azure Machine Learning. Alan Koo Senior Consultant Nagnoi, LLC. Microsoft MVP
Introducción a Azure Machine Learning Alan Koo Senior Consultant Nagnoi, LLC. Microsoft MVP acerca de mi senior consultant en Nagnoi enfoque en business intelligence & application architecture 15+ años
Más detallesProcesamiento Digital de Imágenes
Programa Licenciatura en Ciencias Educativo: Computacionales PROGRAMA DE ESTUDIO Área de Integral Profesional Formación: Horas teóricas: 1 Horas prácticas: 4 Total de Horas: 5 Procesamiento Digital de
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesEl problema del Aprendizaje Automático (Machine Learning)
Universidad TELESUP Ingeniería de Sistemas Ciclo 2017-I El problema del Aprendizaje Automático (Machine Learning) 1. Introducción Arthur Samuel (1959) define machine learning como el campo de estudio que
Más detallesTema 13: Introducción a la Programación Lógica Inductiva
Razonamiento Automático Curso 2000 2001 Tema 13: Introducción a la Programación Lógica Inductiva José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesMD - Minería de Datos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 018 70 - FIB - Facultad de Informática de Barcelona 73 - CS - Departamento de Ciencias de la Computación 715 - EIO - Departamento
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesUNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE MATEMÁTICAS. A. Encabezado Universidad de Puerto Rico en Humacao
UNIVERSIDAD DE PUERTO RICO EN HUMACAO DEPARTAMENTO DE MATEMÁTICAS A. Encabezado Universidad de Puerto Rico en Humacao B. Nombre del curso Teoría de Computación C. Codificación COMP4099 D. Cantidad de horas/créditos
Más detallesFabio A. González Ph.D. 8 de febrero de 2007
Depto. de Ing. de Sistemas e Industrial Universidad Nacional de Colombia, Bogotá 8 de febrero de 2007 Contenido Introducción 1 Introducción Deep Blue Darpa Grand Challenge 2 Deep Blue Darpa Grand Challenge
Más detallesAnálisis de Datos para la Industria y los Servicios
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2018 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 715 - EIO - Departamento de Estadística e Investigación
Más detallesPROYECTO DOCENTE ASIGNATURA: "Inteligencia Artificial y Estadística"
PROYECTO DOCENTE ASIGNATURA: "Inteligencia Artificial y Estadística" Grupo: Grp Clases Teóricas-Prácticas de Inteligenci.(969675) Titulacion: Grado en Estadística Curso: 2013-2014 DATOS BÁSICOS DE LA ASIGNATURA/GRUPO
Más detallesCurso de traducción automática de lenguas naturales
Curso de traducción automática de lenguas naturales César Antonio Aguilar Facultad de Lenguas y Letras 20/11/2015 Cesar.Aguilar72@gmail.com Síntesis de la clase pasada (1) En la clase anterior, abordamos
Más detallesDivisión Académica de Informática y Sistemas División Académica Multidisciplinaria de los Ríos Ingeniería en Informática Administrativa
Área de formación Nombre de la asignatura Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA HCS HPS TH C HTCS TH C TC General 1 5 6 6 0 0 0 6 Clave de la asignatura Programación
Más detallesUN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA SUPERIOR EN INFORMÁTICA ANTEPROYECTO UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS DIRECTOR DEL PROYECTO: FIRMA:
Más detallesPROPUESTA DE MINOR CIENCIA DE LOS DATOS. DATA SCIENCE Resultados de Aprendizaje del Minor
PROPUESTA DE MINOR Nombre del Minor CIENCIA DE LOS DATOS DATA SCIENCE del Minor Al finalizar el Minor el estudiante logrará: Analizar y representar grandes volúmenes de datos complejos tales como: imágenes,
Más detallesDivisión Académica de Informática y Sistemas
Área de formación Nombre de la asignatura Docencia frente a grupo según SATCA Trabajo de Campo Supervisado según SATCA HCS HPS TH C HTCS TH C TC General 1 5 6 6 0 0 0 6 Clave de la asignatura Programación
Más detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesEstadística con R. Clasificadores
Estadística con R Clasificadores Análisis discriminante lineal (estadístico) Árbol de decisión (aprendizaje automático) Máquina soporte vector (aprendizaje automático) Análisis discriminante lineal (AD)
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detallesSECUENCIA DIDÁCTICA. Módulo
SECUENCIA DIDÁCTICA Nombre de curso: Investigación de Operaciones Antecedente Clave de curso: MAT0902A21 Clave de antecedente: Módulo Competencia de Módulo: Desarrollar programas de cómputo utilizando
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES 2 OBJETIVO GENERAL Familiarizarse con el análisis de imágenes a través de computadores, aprendiendo técnicas de procesamiento, utilizando la librería de programación OpenCV,
Más detalles10 EXÁMENES
10 EXÁMENES 2014-2018 Convocatoria Extraordinaria de Septiembre 1 de Septiembre de 2014 1. (1 pto.) a) Aunque por abuso del lenguaje hemos hablado de minería de datos y de KDD como sinónimos, indica las
Más detallesClasificación de estados cerebralesusando neuroimágenes funcionales
Clasificación de estados cerebralesusando neuroimágenes funcionales Clase 2: Reconocimiento de patrones en datos de neuroimagenes Enzo Tagliazucchi (tagliazucchi.enzo@googlemail.com) Primera clase: introducción
Más detallesFecha de elaboración: 28 de Mayo de 2010 Fecha de última actualización:
Programa elaborado por: PROGRAMA DE ESTUDIO Simulación Programa Educativo: Licenciatura en Sistemas Computacionales Área de Formación : Sustantiva profesional Horas teóricas: 1 Horas prácticas: 3 Total
Más detallesPROGRAMA DE CURSO. Horas Docencia Horas de Trabajo Horas de Cátedra Docentes
PROGRAMA DE CURSO Código Nombre CC6204 Deep Learning Nombre en Inglés Deep Learning SCT Unidades Horas Docencia Horas de Trabajo Horas de Cátedra Docentes Auxiliar Personal 6 10 3 0 7 Requisitos Carácter
Más detallesIntroducción a la Computación. Primer Cuatrimestre de 2017
Introducción a la Computación Primer Cuatrimestre de 2017 Introducción a la Computación Docentes: Nicolás D Ippolito (Profesor) Hernán Czemerinski (JTP) Facundo Carrillo (Ayudante de 1era) Emiliano Hoss
Más detallesINTRODUCCIÓN A LA PROGRAMACIÓN
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: INTRODUCCIÓN A LA PROGRAMACIÓN ÁREA DEL CONOCIMIENTO: PROGRAMACION E INGENIERIA DE SOFTWARE
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesObject Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary
Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary P. Duygulu, K. Barnard, J.F.G. de Freitas, and D.A. Forsyth Dr. Enrique Sucar 1 Victor Hugo Arroyo Dominguez 1
Más detallesYO, CIENCIA DE DATOS. BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016
YO, CIENCIA DE DATOS BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016 Qué es CIENCIA DE DATOS? La ciencia de datos es un campo interdisciplinario que involucra los procesos y sistemas
Más detallesQué puede hacer un lingüista en el área de inteligencia artificial?
Sistemas de diálogo automáticos Qué puede hacer un lingüista en el área de inteligencia artificial? Pilar Oplustil Gallegos Lingüista - Cognitiva Chile MSc in Speech and Language Processing - University
Más detallesNombre de la asignatura : Programación III. Carrera : Ingeniería en Sistemas Computacionales. Clave de la asignatura : SCB-9319
. D A T O S D E L A A S I G N A T U R A Nombre de la asignatura : Programación III Carrera : Ingeniería en Sistemas Computacionales Clave de la asignatura : SCB-939 Horas teoría-horas práctica-creditos
Más detallesBuenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.
Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM. Qué es la ciencia de datos? Es muy difícil encontrar una definición
Más detallesComputación distribuida e inteligencia computacional aplicadas a ciudades inteligentes
Computación distribuida e inteligencia computacional aplicadas a ciudades inteligentes Sergio Nesmachnow, Renzo Massobrio, Sebastián Baña Universidad de la República, Uruguay AGENDA Ciudades inteligentes
Más detallesPlanificaciones Algoritmos y Programación I. Docente responsable: GUARNA PABLO FRANCISCO. 1 de 6
Planificaciones 7540 - Algoritmos y Programación I Docente responsable: GUARNA PABLO FRANCISCO 1 de 6 OBJETIVOS Conocer un lenguaje de programación imperativo. Aplicar las capacidades que ofrece el lenguaje
Más detallesEncontrando estructura en grandes volúmenes de datos
Encontrando estructura en grandes volúmenes de datos ACIS 13 de julio 2017 Carenne Ludeña Facultad de Ciencias Básicas Sobre mi trabajo: Profesora/investigadora en estadística Intereses: estadística, modelos,
Más detallesBenemérita Universidad Autónoma de Puebla Vicerrectoría de Docencia Dirección General de Educación Superior Facultad de Ciencias de la Computación
PLAN DE ESTUDIOS (PE): Licenciatura en Ingeniería en Tecnologías de la Información AREA: Tecnologías de la Información ASIGNATURA: CÓDIGO: ITIM-261 CRÉDITOS: 5 FECHA: 15 de Julio de 2013 1 1. DATOS GENERALES
Más detalles