Selección de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
|
|
- Trinidad Vázquez Casado
- hace 5 años
- Vistas:
Transcripción
1 Selección de Atributos Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
2 Contenido Introducción Estrategias de selección Técnicas filter Técnicas wrapper Técnicas híbridas
3 Selección de atributos Selección de variables (feature selection) Preprocesamiento Clasificación Supervisada Regresión Agrupamiento Caracterización Atributos característicos
4 Selección de atributos Selección de variables (feature selection) Preprocesamiento Clasificación Supervisada Regresión Agrupamiento Caracterización Atributos característicos
5 Selección de atributos Por qué hacer selección de atributos en clasificación supervisada Mejorar los resultados de la clasificación Reducir el costo de la clasificación Acelerar el proceso de clasificación Mejorar el entendimiento del modelo y resultados de la clasificación
6 Selección de atributos El objetivo es seleccionar un subconjunto reducido de atributos útiles para la clasificación eliminando Atributos irrelevantes Atributos redundantes
7 Selección de variables Variables descartadas M x i... x k O 1 x i (O 1 )... x k (O 1 ) : O m x i (O m )... x k (O m ) Muestra reducida Muestra M x 1.. x s M x 1 x 2... x n O 1 x 1 (O 1 ).. x s (O 1 ) O 1 x 1 (O 1 ) x 2 (O 1 )... x n (O 1 ) : : Selecctor O m x 1 (O m ).. x s (O m ) O m x 1 (O m ) x 2 (O m )... x n (O m )
8 Estrategias de Selección filter.- La selección se hace con un criterio independiente del clasificador. wrapper.- La selección se hace usando información del mecanismo de clasificación. Híbridos.- Combinan estrategias filter y wrapper
9 Estrategias filter Usualmente ordenan las variables por algún criterio (ranking). La selección se hace en el orden establecido con algún criterio de corte. Comúnmente un número de variables a seleccionar predefinido por el usuario (parámetro).
10 Estrategias de ordenamiento Entropía Ganancia de información Índice de Gini Rough Set Theory/Teoría de Testores Algoritmo Relief
11 Algoritmo RELIEF Dada una muestra de objetos descritos por n atributos numéricos normalizados. Inicializar en 0 el peso w i de cada variable x i Repetir m veces Seleccionar aleatoriamente un objeto O de la muestra de entrenamiento Buscar en vecino más cercano (O NN ) de O en su misma clase Buscar en vecino más cercano (O NE ) de O fuera de su clase Para cada atributo x i tomar: w i = w i ( x i ( O) x i ( O NN / m + ( x ( O) ( O Ordenar los atributos descendentemente de acuerdo a su peso w )) 2 i x i NE )) 2 / m
12 Estrategias wrapper Evalúan subconjuntos de atributos utilizando un clasificador. Para evitar la búsqueda exhaustiva siguen alguna estrategia de búsqueda. Comúnmente estrategias ávidas o aleatorias
13 Estrategias wrapper Para n variables, el espacio de búsqueda es de tamaño 2 n
14 Estrategias wrapper Búsqueda exhaustiva Búsqueda secuencial Hacia atrás (backward) Hacia adelante (forward) Flotante (floating) Búsqueda aleatoria Algoritmos genéticos Búsqueda tabú.
15 Búsqueda exhaustiva El tamaño del espacio de búsqueda es 2 n Si se busca un número predefinido de variable el espacio de búsqueda es de tamaño Para seleccionar 20 variables de 50 el espacio de búsqueda es de tamaño n k <<
16 Sequential Forward Selection Sea F en conjunto de todas las variables S=Ø Repetir x S = = max( q( S x F \S S { x} { x})) Hasta S =k / q(s)<q(s\{x}) / q(s)>t
17 Sequential Forward Selection
18 Sequential Bacward Selection Sea F en conjunto de todas las variables S=F Repetir x S = = max( q( S x S S \{ x} \{ x})) Hasta S =k / q(s)<q(s {x}) / q(s)>t
19 Sequential Backward Selection
20 Sequential Floating Forward Selection S=Ø Repetir x = S = S max( q( S x F \S Repetir { x} x = { x})) max( q( S x S S = S \{ x} \{ x})) Hasta q(s)<q(s {x}) S {x} Hasta S =k / q(s)>t
21 Sequential Floating Backward Selection S=Ø Repetir x = S = max( q( S x S S Repetir \{ x} x = \{ x})) max( q( S x F \S S = S { x} { x})) Hasta q(s) q(s\{x}) S\{x} Hasta S =k / q(s)>t
22 Selección usando Algoritmos Genéticos Individuos (suponiendo n variables) x 1 x 2... x n 0 1 0/1... 0/1 1
23 Selección usando Algoritmos Genéticos Cruza (combinación de individuos) Punto de cruza Punto de cruza
24 Selección usando Algoritmos Genéticos Mutación (alteración de individuos) Elemento a mutar Elemento mutado
25 Selección usando Algoritmos Genéticos Generar población inicial P Para i=1,..., numgeneraciones evalúa(p) P2 = cruza(p) evalúa(p2) P3 = mutación (P P2) evalúa(p3) P = selecciona(p P2 P3) salida = mejorelemento(p)
26 Evaluación de selectores de variables Utilizando un clasificador Seleccionar un conjunto de bases de datos Utilizar algún método de validación aplicando selección+clasificación Utilizar alguna medida de evaluación de calidad de clasificación Utilizar datos sintéticos en los cuales se conozca cuáles son los atributos importantes
Selección de atributos
Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
Más detallesSelección de Atributos
Selección de Atributos Eduardo Morales, Jesús González INAOE Mayo, 2010 (INAOE) Mayo, 2010 1 / 53 1 2 3 4 5 6 (INAOE) Mayo, 2010 2 / 53 Selección de Atributos A partir de los atributos originales selecciona
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesSelección de características. Reconocimiento de Patrones 2013
Selección de características Reconocimiento de Patrones 2013 Selección de características Estrategia de búsqueda óptima o sub-optima para la selección de un sub-conjunto de características para el diseño
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 detallesRicardo Aler Mur SELECCIÓN Y GENERACIÓN DE ATRIBUTOS-I
Ricardo Aler Mur SELECCIÓN Y GENERACIÓN DE ATRIBUTOS-I En esta clase se habla de una parte importante del preprocesado de datos: la selección y generación de atributos. La selección de atributos consiste
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesExamen Parcial. Attr1: A, B Attr2: A, B, C Attr3 1, 2, 3 Attr4; a, b Attr5: 1, 2, 3, 4
Aprenentatge 0-03 Q Examen Parcial Nombre: (Examen ) Instrucciones. (0 puntos) Este examen dura horas. Responded todas las preguntas en estas hojas. Para las preguntas test poned un circulo alrededor de
Más detallesMinería de Datos Web. Cursada 2018
Minería de Datos Web Cursada 2018 Proceso de Minería de Texto Clustering de Documentos Clasificación de Documentos Es un método supervisado para dividir documentos en base a categorías predefinidas Los
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 detallesMódulo Minería de Datos
Módulo Minería de Datos Diplomado Por Elizabeth León Guzmán, Ph.D. Profesora Ingeniería de Sistemas Grupo de Investigación MIDAS Preprocesamiento de Datos Preparación de datos El propósito fundamental
Más detallesClasificación mediante conjuntos
Clasificación mediante conjuntos Gonzalo Martínez Muñoz Director: Dr. Alberto Suárez González Departamento de Ingeniería Informática Escuela Politécnica Superior Universidad Autónoma de Madrid diciembre
Más detallesMejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012 Conocer las mejoras usuales a algoritmos genéticos 2 1. Diseñar una representación 2.
Más detallesTema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesClasificación Supervisada. Métodos jerárquicos. CART
Clasificación Supervisada. Métodos jerárquicos. CART Ricardo Fraiman 2 de abril de 2010 Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y n ) E {1,..., m}. Típicamente E = R d.
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallespara la Selección Simultánea de Instancias y Atributos
Algoritmosde Estimaciónde Distribuciones para la Selección Simultánea de Instancias y Atributos MAEB 2012 Albacete 8 10 Febrero Pablo Bermejo, José A. Gámez, Ana M. Martínez y José M. Puerta Universidad
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 detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesMétodo de Selección de Atributos por Clase
Método de Selección de Atributos por Clase por Bárbara Berenice Pineda Bautista Tesis sometida como requisito parcial para obtener el grado de MAESTRO EN CIENCIAS EN EL ÁREA DE CIENCIAS COMPUTACIONALES
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesMétodos para Determinar el Atributo Distinguido en Multiredes Bayesianas
Métodos para Determinar el Atributo Distinguido en Multiredes Bayesianas Andrés Cano Utrera Fco. Javier García Castellano Andrés R. Masegosa Arredondo Serafín Moral Callejón Uncertainty Treatment in Artificial
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 detallesAnálisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur KNN: VECINO(S) MAS CERCANO(S) K NEAREST NEIGHBORS (KNN) Altura Niño Adulto Mayor Se guardan todos los ejemplos
Más detallesRicardo Aler Mur CLASIFICADORES KNN-I
Ricardo Aler Mur CLASIFICADORES KNN-I En esta clase se habla del aprendizaje de modelos de clasificación y regresión basados en instancias o ejemplares. En concreto: Se define la clasificación y regresión
Más detallesMétodos actuales en machine learning
Métodos actuales en machine learning Gracias a los organizadores! Pablo M. Granitto Dr. en Física Docente FCEIA UN Rosario Investigadador en CIFASIS (CONICET) Lucas C. Uzal Dr. en Física Docente FCEIA
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
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 detallesELVIRA II: APLICACIONES DE LOS MODELOS GRÁFICOS PROBABILÍSTICOS p.1/31
ELVIRA II: APLICACIONES DE LOS MODELOS GRÁFICOS PROBABILÍSTICOS Aprendizaje de modelos gráficos probabilísticos. Aplicación al clustering con datos de expresión genética TIC 2001-2973-C05-03 Departamento
Más detallesBúsqueda secuencial de subconjuntos de atributos sobre un ranking. Roberto Ruiz, José C. Riquelme y Jesús S. Aguilar Ruiz
Búsqueda secuencial de subconjuntos de atributos sobre un ranking Roberto Ruiz, José C. Riquelme y Jesús S. Aguilar Ruiz Departamento de Lenguajes y Sistemas Informáticos ETS Ingeniería Informática Universidad
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
Más detallesQué es big dimension? Verónica Bolón Canedo 2/30
Qué es big dimension? Verónica Bolón Canedo 2/30 Big dimension En esta nueva era de Big Data, los métodos de aprendizaje máquina deben adaptarse para poder tratar con este volumen de datos sin precedentes.
Más detallesII Unidad EL ALGORITMO GENETICO BINARIO. Rafael Vazquez Perez
II Unidad EL ALGORITMO GENETICO BINARIO Rafael Vazquez Perez Contenido 2.1.- Algoritmos Genéticos: La Selección Natural en una Computadora 2.2.- Componentes de un Algoritmo Genético 2.2.1.- Selección de
Más detallesAprendizaje inductivo no basado en el error Métodos competitivos supervisados.
Aprendizaje inductivo no basado en el error Métodos competitivos supervisados. Aprendizaje basado en instancias Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido
Más detallesAplicación a datos de mejora genética en Ovejas Manchegas
Elvira II - subproyecto 5 (Albacete) Aplicación a datos de mejora genética en Ovejas Manchegas José A. Gámez jgamez@info-ab.uclm.es Instituto de Investigación en Informática de Albacete Universidad de
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 detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T8: Aprendizaje basado en instancias www.aic.uniovi.es/ssii Índice Aprendizaje basado en instancias Métricas NN Vecino más próximo: Regiones de Voronoi El parámetro K Problemas de
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesSELECCIÓN DE VARIABLES PARA CLASIFICACIÓN NO SUPERVISADA UTILIZANDO UN ENFOQUE HÍBRIDO FILTER-WRAPPER
SELECCIÓN DE VARIABLES PARA CLASIFICACIÓN NO SUPERVISADA UTILIZANDO UN ENFOQUE HÍBRIDO FILTER-WRAPPER Por: SAÚL SOLORIO FERNÁNDEZ Tesis sometida como requisito parcial para obtener el grado de MAESTRO
Más detallesMétodos para la selección de prototipos
Métodos para la selección de prototipos por M. C. José Arturo Olvera López Tesis sometida como requisito parcial para obtener el grado de DOCTOR EN CIENCIAS EN LA ESPECIALIDAD DE CIENCIAS COMPUTACIONALES
Más detallesConclusiones. Somos la suma de nuestras decisiones. WOODY ALLEN Delitos y Faltas (1989)
Capítulo 7 Conclusiones Somos la suma de nuestras decisiones WOODY ALLEN Delitos y Faltas (1989) En este trabajo se ha presentado una nueva estrategia para construir árboles de decisión que ha conseguido
Más detallesANÁLISIS DE DATOS. Ricardo Aler Mur
ANÁLISIS DE DATOS Ricardo Aler Mur EXAMEN DE ANÁLISIS DE DATOS GRADO EN INFORMÁTICA ENERO 2014 10 puntos, 1 hora y media de duración. Responder cada pregunta con respuestas breves (unas pocas líneas).
Más detallesAnálisis y Recuperación de Información
Análisis y Recuperación de Información 1 er Cuatrimestre 2016 Página Web http://www.exa.unicen.edu.ar/catedras/ayrdatos/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs.
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 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 Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 3 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y n
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesCOMPUTACIÓN BIOLÓGICA
COMPUTACIÓN BIOLÓGICA Pedro Isasi 1 1 Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid). Spain email: isasi@ia.uc3m.es Presentación TEMARIO
Más detallesCI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Más detallesEste capitulo presenta la metodología utilizada para el problema de. maximización de la disponibilidad con relación al costo por medio de algoritmos
3 Metodología Este capitulo presenta la metodología utilizada para el problema de maximización de la disponibilidad con relación al costo por medio de algoritmos genéticos y programación multiobjetivo,
Más detallesAlgoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesIntroducción a los sistemas Multiclasificadores. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Introducción a los sistemas Multiclasificadores Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Combinación de modelos 2. Descomposición bias-varianza 3. Bagging
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Entrada: Objetos caracterizables mediante propiedades. Salida: En árboles de decisión: una decisión (sí o no). En árboles de clasificación:
Más detallesIntroducción 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 detallesOptimización Heurística
Recocido Simulado (RS) Optimización Heurística Recocido Simulado Problema de la búsqueda local: Como siempre trata de mejorar, se atora en los máximos locales Idea: Escapar de máximos locales permitiendo
Más detallesTaller #3. Carlos Reveco Cinthya Vergara
Taller #3 Carlos Reveco creveco@dcc.uchile.cl Cinthya Vergara cvergarasilv@ing.uchile.cl 1 Taller#3 - Uso de RapidMiner 5.0 Limpieza y selección de datos Data Cleansing: Eliminación de valores nulos o
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesCapítulo 4. Reconocimiento de patrones. A lo largo del siglo pasado, se llevó a cabo investigación en el área de
Capítulo 4 Reconocimiento de patrones 4.1 Reconocimiento de patrones como un campo de estudios A lo largo del siglo pasado, se llevó a cabo investigación en el área de reconocimiento de patrones en todas
Más detallesClasificación de documentos
Minería de Datos Web P r o f. D r. M a r c e l o G. A r m e n t a n o I S I S TA N, F a c. d e C s. E x a c t a s, U N I C E N m a r c e l o. a r m e n t a n o @ i s i s t a n. u n i c e n. e d u. a r
Más detallesALGORÍTMICA
ALGORÍTMICA 2012 2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
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: Clasificador Bayesiano Clasificación Clasificador
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 detallesCombinación de Clasificadores
Combinación de Clasificadores Parte 1: Métodos de comité, Bagging, Boosting Reconocimiento de Patrones Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería,
Más detallesordenan de modo tal que unas pocas (las primeras) retengan la mayor cantidad de variación presente en el conjunto original de características [3].
Scientia et Technica Año XIII, No 35, Agosto de 2007. Universidad Tecnológica de Pereira.. ISSN 0122-1701 139 SELECCIÓN DE CARACTERÍSTICAS ORIENTADA A SISTEMAS DE RECONOCIMIENTO DE GRANOS MADUROS DE CAFÉ.
Más detallesMinería de Datos. Arturo Olvera López
Benemérita Universidad Autónoma de Puebla Facultad de Ciencias de la Computación Minería de Datos Arturo Olvera López aolvera@cs.buap.mx 1 1 Data Warehouse and OLAP 66 Data Warehouse 67 OLTP, OLAP 68 Data
Más detallesProcedimientos de búsqueda miopes aleatorizados y adaptativos (GRASP)
Procedimientos de búsqueda miopes aleatorizados y adaptativos (GRASP) Se basan en la premisa de que soluciones iniciales diversas y de buena calidad juegan un papel importante en el éxito de métodos de
Más detallesPreprocesamiento: Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez
Minería de Datos Preprocesamiento: Reducción de dimensionalidad Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar@math.uprm.edu, eacunaf@gmail.com Website:
Más detallesCarteras minoristas. árbol de decisión. Ejemplo: Construcción de un scoring de concesión basado en un DIRECCIÓN GENERAL DE SUPERVISIÓN
Carteras minoristas Ejemplo: Construcción de un scoring de concesión basado en un árbol de decisión Grupo de Tesorería y Modelos de Gestión de Riesgos Sergio Gavilá II Seminario sobre Basilea II Validación
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
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 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 detallesAnexo 2. Te cnicas de Modelado y Disen o de Pruebas
Anexo 2. Te cnicas de Modelado y Disen o de Pruebas Contenido 1. Introducción... 2 2. Técnicas de Minería de Datos Seleccionadas... 2 2.1 Técnica de Reglas de Asociación... 2 2.1.1 Objetivo al aplicar
Más detallesCAPÍTULO 2 MARCO TEÓRICO
CAPÍTULO 2 MARCO TEÓRICO Reconocimiento de Patrones El reconocimiento de patrones es utiliza actualmente para la solución de tareas tales como el reconocimiento de caracteres, de huellas digitales y reconocimiento
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 detallesTema 02: Algoritmia y pseudocódigo
M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom Estructuras de datos (Prof. Edgardo A. Franco) 1 Contenido Pseudocódigo Ejemplo 01 Ejemplo
Más detallesTema 2: Algoritmos Genéticos
Tema 2: Algoritmos Genéticos p. 1/3 Tema 2: Algoritmos Genéticos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País
Más detallesAplicación a la Computación Distribuida
Métodos de Optimización Multiobjetivo. Aplicación a la Computación Distribuida Dr. Miguel Ángel Vega Rodríguez Grupo de Investigación ARCO (http://arco.unex.es) Universidad de Extremadura 0. Índice de
Más detallesCOMBINATORIA. Manuel Cortés Izurdiaga. Preparación Olimpiada RSME
COMBINATORIA Manuel Cortés Izurdiaga Preparación Olimpiada RSME COMBINATORIA Combinatoria Consiste en contar el número de elementos de un conjunto finito. COMBINATORIA Combinatoria Consiste en contar el
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, juanjo} @ aic.uniovi.es La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo
Más detallesClustering: Algoritmos
Clustering: Algoritmos Clasificación no supervisada Javier G. Sogo 10 de marzo de 2015 1 Introducción 2 Algoritmo: K-medias 3 Algoritmo: BFR 4 Algoritmo: CURE Introducción Acotar el problema Complejidad
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 detallesInteligencia en Redes de Comunicaciones. Aprendizaje. Raquel M. Crespo García Julio Villena Román. {rcrespo,
Inteligencia en Redes de Comunicaciones Aprendizaje Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Objetivo El objetivo es dotar a los sistemas de inteligencia artificial con
Más detallesClustering: Auto-associative Multivariate Regression Tree (AAMRT)
Introducción Tipos Validación AAMRT Clustering: Auto-associative Multivariate Regression Tree (AAMRT) Miguel Bernal C Quantil 12 de diciembre de 2013 Miguel Bernal C Quantil Matemáticas Aplicadas Contenido
Más detallesCONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA Mario Alberto Llorente Lopez PFC Ingeniería en Informática 24 de Enero de 2012 CONTENIDO Introducción Objetivos Planificación
Más detallesÍndice...i. Notación...vii. Acrónimos...xi. Relación de figuras...xiii. Relación de tablas...xvii
Índice. Índice.....i Notación....vii Acrónimos.....xi Relación de figuras...xiii Relación de tablas...xvii 1 Introducción...1 1.1 Planteamiento general del problema de optimización...3 1.2 Técnicas de
Más detallesMétodo de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. CONTENIDO
Método de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. 1 CONTENIDO Introducción Marco teórico Métodos de optimización Método de árbol de cubos Problema de optimización
Más detallesAnálisis del Error en Redes Neuronales: Corrección de los Datos y Distribuciones no Balanceadas
Tesis Doctoral 7 de octubre de 2010 Análisis del Error en Redes Neuronales: Corrección de los Datos y Distribuciones no Balanceadas Dr. Roberto Alejo Eleuterio Índice Introducción Medidas de evaluación
Más detallesUna revisión a algoritmos de selección de atributos que tratan la redundancia en datos microarreglos
Tipo de artículo: Artículo de revisión Temática: Inteligencia artificial Recibido: 18/10/2012 Aceptado: 25/10/2013 Publicado: 10/12/2013 Una revisión a algoritmos de selección de atributos que tratan la
Más detalles