Métricas de complejidad para la transformación del problema de detección de cáncer basado en

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

Download "Métricas de complejidad para la transformación del problema de detección de cáncer basado en"

Transcripción

1 Índice para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 1/49

2 Índice 1 Planteamiento del problema 2 Justificación 3 Objetivos 4 Metodología 5 Resultados 6 Conclusiones Núria Macià Antoĺınez PFC: 2/49

3 Planteamiento del problema Part I Planteamiento del problema Núria Macià Antoĺınez PFC: 3/49

4 Planteamiento del problema El cáncer de mama El cáncer de mama A quién afecta? Cuál es su gravedad? Índice de superación? Mamografías y microcalcificaciones Núria Macià Antoĺınez PFC: 4/49

5 Justificación Part II Justificación Núria Macià Antoĺınez PFC: 5/49

6 Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación 2 Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Núria Macià Antoĺınez PFC: 6/49

7 Esquema general Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación PFC nuevo caso Tratamiento de la imagen Digitalización de la imagen Segmentación de la imagen Extracción de atributos Sistema Gestor de Bases de Datos Casos Características Transformaciones Tratamiento de la imagen Sistema clasificador Almacenaje del caso Reducciones JPEG Imagen original Métricas de complejidad Diagnóstico benigno/maligno Núria Macià Antoĺınez PFC: 7/49

8 Justificación Segmentación de la imagen Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Segmentación global ETIQUETA SENO Y MÚSCULO Mamografía Original FONDO Eliminación de etiquetas y fondo Localización del seno Eliminación del músculo pectoral ROI global Núria Macià Antoĺınez PFC: 8/49

9 Justificación Segmentación de la imagen Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Segmentación de la microcalcificación (a) Inicio del crecimiento de regiones (b) Estado del crecimiento tras varias iteraciones Píxel semilla Dirección del crecimiento Píxel seleccionado Píxel a considerar Núria Macià Antoĺınez PFC: 9/49

10 Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Extracción de atributos de las microcalcificaciones 25 atributos descriptores Etiqueta Área Perímetro Compacidad Caja máxima X,Y Feret X,Y Diámetro mínimo del feret Diámetro máximo del feret Diámetro medio del feret Elongación del feret Número de agujeros Perímetro convexo Aspereza Largada Ancho Elongación Centroide X,Y Eje principal Eje secundario Micras/píxel Núria Macià Antoĺınez PFC: 10/49

11 Base de datos original Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Directorio/ DataRetr\: 398 archivos DataPros\: 162 archivos train.txt: 146 clasificados test.txt: 70 clasificados atr1 atr2 atr3... atr ###V#DN.txt Paciente X - Vista V - Fecha DD/MM/AA Núria Macià Antoĺınez PFC: 11/49

12 Justificación Concepto de clasificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Definición: asignar una clase, de un conjunto finito y conocido, a una muestra en función de sus características. Nuevo ejemplo Base de Datos Muestras de entrenamiento Algoritmo de aprendizaje Motor de clasificación Predicción de la clase Núria Macià Antoĺınez PFC: 12/49

13 Justificación Complejidad de la clasificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Estimadores clásicos: porcentaje de aciertos y error Complejidad de un problema: 1 complejidad de los datos 2 calidad del clasificador Núria Macià Antoĺınez PFC: 13/49

14 Justificación Causas de la complejidad Diagnosis precoz Entorno de trabajo Complejidad de la clasificación 1 Conjunto de ejemplos reducido y dimensión del espacio de atributos. 2 Ambigüedad de las clases: 3 Complejidad de la frontera: Núria Macià Antoĺınez PFC: 14/49

15 Definición y aplicación Justificación Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Definición: son estimadores de la estructura geométrica de los datos. Aplicación: Predecir el error del clasificador, donde parece que se ha encontrado una relación casi lineal entre la complejidad del problema estimada con la métrica de complejidad y el error cometido. Caracterizar la dificultad de los problemas de clasificación y estipular un dominio de competencia de los clasificadores. Núria Macià Antoĺınez PFC: 15/49

16 Justificación Predicción del error del clasificador Diagnosis precoz Entorno de trabajo Complejidad de la clasificación Núria Macià Antoĺınez PFC: 16/49

17 Justificación Dominio de competencia Diagnosis precoz Entorno de trabajo Complejidad de la clasificación ESPACIO DE PROBLEMAS REALES Métrica de complejidad2 C1 P1 P2 P3 P10 P9 P4 P15 C#: Tipo de clasificador P#: Problema del mundo real P13 P11 C2 C3 P14 C4 P8 P5 P7 P6 P17 P12 P16 P18 Métrica de complejidad 1 Núria Macià Antoĺınez PFC: 17/49

18 Objetivos Part III Objetivos Núria Macià Antoĺınez PFC: 18/49

19 Objetivos Objetivos Objetivos Estudiar e implementar métodos de transformación Estudiar e implementar métricas de complejidad Validar los resultados de las métricas con sistemas clasificadores Núria Macià Antoĺınez PFC: 19/49

20 Metodología Part IV Metodología Núria Macià Antoĺınez PFC: 20/49

21 Metodología Enfoque general Transformaciones Clasificación 4 Metodología Enfoque general Transformaciones Clasificación Núria Macià Antoĺınez PFC: 21/49

22 Metodología Nuevo enfoque: minería de datos Enfoque general Transformaciones Clasificación Datos Seleccionados Datos Preprocesados Datos Transformados Información Extraída Conocimiento Consolidado Base de Datos Selección Preprocesado Transformación Data Mining Interpretación y Consolidación PFC - Descripción de clase - Asociación - Clasificación - Predicción - Clustering Núria Macià Antoĺınez PFC: 22/49

23 Metodología Enfoque general Transformaciones Clasificación Nueva aplicación de las métricas de complejidad ESPACIO DE PROBLEMAS REALES Métrica de complejidad2 C1 C#: Tipo de clasificador T#: Transformación PMR: Problema del mundo real C2 C3 T2 C4 T1 PMR Métrica de complejidad 1 Núria Macià Antoĺınez PFC: 23/49

24 Alcance del proyecto Metodología Enfoque general Transformaciones Clasificación TRANSFORMACIÓN COMPLEJIDAD VALIDACIÓN Scripts de Transformación Métrica de Complejidad Sistemas Clasificadores - 10cv S.T. Todas T1 todas.txt M.C. Boundary Intra/Inter C1 T1 C2 T1 S.C. IB1 IB3 error error C4.5 error S.T. Promedio T2 promedio.txt M.C. Boundary Intra/Inter C1 T2 C2 T2 S.C. IB1 IB3 error error C4.5 error Conjunto de Datos Original S.T. Centroide T3 centro.txt M.C. Boundary Intra/Inter C1 T3 C2 T3 IB1 S.C. IB3 C4.5 error error error S.T. Valor Extremo T4 extremo.txt M.C. Boundary Intra/Inter C1 T4 C2 T4 S.C. IB1 IB3 error error C4.5 error S.T. Aleatoria T5 random.txt M.C. Boundary Intra/Inter C1 T5 C2 T5 S.C. IB1 IB3 error error C4.5 error Perl Java Weka Núria Macià Antoĺınez PFC: 24/49

25 Metodología Transformaciones propuestas Enfoque general Transformaciones Clasificación Todas Promedio Aleatoria Centroide Valores extremos [Barceló, 1997] Mínimo: Área. Máximo: Elongación, Elongación del feret, Aspereza, Compacidad, Número de agujeros. Núria Macià Antoĺınez PFC: 25/49

26 Identificación mixta Metodología Enfoque general Transformaciones Clasificación Boundary Calcula el número de conexiones entre nodos de clases opuestas en un árbol de expansión mínimo (MST). Cuanto más pequeño es el valor, más agrupadas están las clases. Núria Macià Antoĺınez PFC: 26/49

27 Identificación mixta Metodología Enfoque general Transformaciones Clasificación Intra/inter class distances Calcula la ratio de la distancia del vecino más próximo de la misma clase y de la clase opuesta. Cuanto más pequeña es la medida, más agrupadas están las clases y más alejadas de las opuestas. Definición ( n r=1 d intra(x i,x j ))/n ( n r=1 d inter (x i,x j ))/n Núria Macià Antoĺınez PFC: 27/49

28 Validación Metodología Enfoque general Transformaciones Clasificación Algoritmos basados en instancias: IB1, IB3. Algoritmos basados en árboles de decisión: C4.5. Núria Macià Antoĺınez PFC: 28/49

29 Resultados Part V Resultados Núria Macià Antoĺınez PFC: 29/49

30 Resultados Diseño Sistemas clasificadores 5 Resultados Diseño Sistemas clasificadores Núria Macià Antoĺınez PFC: 30/49

31 Resultados Diseño de la experimentación Diseño Sistemas clasificadores 1 2 Clasificadores: stratified 10-fold cross-validation 200 ejemplos Distribución de las clases: 40%: Benigno 60%: Maligno PARTICIÓN 10-stratified-fold cross-validation 20 exemples Distribución de las clases: 40%: Benigno 60%: Maligno datos-10-1.txt datos txt datos.txt Núria Macià Antoĺınez PFC: 31/49

32 Tabla resumen Resultados Diseño Sistemas clasificadores 23 atributos 6 atributos 1 Boundary Intra/Inter Boundary Intra/Inter Promedio Número de agujeros Todas Aleatoria Compacidad Promedio Aspereza Centroide Elongación del feret Elongación Área área, compacidad, número de agujeros, elongación del feret, aspereza y eje principal [Golobardes, 2001]. Núria Macià Antoĺınez PFC: 32/49

33 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre métricas 1,02 1,00 intra/inter class 0,98 0,96 0,94 0,92 0,90 0,88 0,37 0,42 0,47 0,52 boundary Núria Macià Antoĺınez PFC: 33/49

34 Resultados Diseño Sistemas clasificadores Tabla resumen del conjunto de 23 atributos IB1 IB3 C4.5 Acierto Error Acierto Error Acierto Error Promedio Número de agujeros Todas Aleatoria Compacidad Promedio Aspereza Centroide Elongación del feret Elongación Área Núria Macià Antoĺınez PFC: 34/49

35 Resultados Diseño Sistemas clasificadores Tabla resumen del conjunto de 6 atributos IB1 IB3 C4.5 Acierto Error Acierto Error Acierto Error Número de agujeros Todas Aleatoria Compacidad Promedio Aspereza Centroide Elongación del feret Elongación Área Núria Macià Antoĺınez PFC: 35/49

36 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el porcentaje de aciertos y la boundary porcentaje de aciertos 72,00 70,00 68,00 66,00 64,00 62,00 60,00 58,00 56,00 54,00 52,00 50,00 48,00 46,00 44,00 42,00 40,00 0,35 0,40 0,45 0,50 0,55 boundary IB1 Núria Macià Antoĺınez PFC: 36/49

37 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el porcentaje de aciertos y la boundary porcentaje de aciertos 72,00 70,00 68,00 66,00 64,00 62,00 60,00 58,00 56,00 54,00 52,00 50,00 48,00 46,00 44,00 42,00 IB1 IB3 40,00 0,35 0,40 0,45 0,50 0,55 boundary Núria Macià Antoĺınez PFC: 37/49

38 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el porcentaje de aciertos y la boundary porcentaje de aciertos 72,00 70,00 68,00 66,00 64,00 62,00 60,00 58,00 56,00 54,00 52,00 50,00 48,00 46,00 44,00 42,00 IB1 IB3 C4,5 40,00 0,35 0,40 0,45 0,50 0,55 boundary Núria Macià Antoĺınez PFC: 38/49

39 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el error y la boundary error 0,74 0,72 0,70 0,68 0,66 0,64 0,62 0,60 0,58 0,56 0,54 0,52 0,50 0,48 0,46 0,44 0,42 0,35 0,40 0,45 0,50 0,55 boundary IB1 IB3 C4,5 Núria Macià Antoĺınez PFC: 39/49

40 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el porcentaje de aciertos y la intra/inter class porcentaje de aciertos 71,00 IB1 69,00 IB3 C4,5 67,00 65,00 63,00 61,00 59,00 57,00 55,00 53,00 51,00 49,00 47,00 45,00 0,88 0,93 0,98 intra/inter class Núria Macià Antoĺınez PFC: 40/49

41 Resultados Diseño Sistemas clasificadores Gráfica de correlación entre el error y la intra/inter class error 0,74 0,72 0,70 0,68 0,66 0,64 0,62 0,60 0,58 0,56 0,54 0,52 0,50 0,48 0,46 0,44 0,42 0,89 0,94 0,99 intra/inter class IB1 IB3 C4,5 Núria Macià Antoĺınez PFC: 41/49

42 Resultados Diseño Sistemas clasificadores Estimador del error del clasificador Clasificador Acierto (%) Error (%) IB IB C Núria Macià Antoĺınez PFC: 42/49

43 Conclusiones Part VI Conclusiones Núria Macià Antoĺınez PFC: 43/49

44 Conclusiones Transformaciones Validación 6 Conclusiones Transformaciones Validación Núria Macià Antoĺınez PFC: 44/49

45 Transformaciones Conclusiones Transformaciones Validación Poca amplitud en los resultados Transformación Todas Transformación Aleatoria Conjunto reducido formado por atributos relevantes Mejores transformaciones IBk: Promedio C4.5: Elongación del feret Núria Macià Antoĺınez PFC: 45/49

46 Conclusiones Transformaciones Validación Limitaciones por falta de comprensión en las métricas Poca amplitud en los valores Correlación entres las dos métricas Núria Macià Antoĺınez PFC: 46/49

47 Validación Conclusiones Transformaciones Validación Porcentajes de aciertos comparables a los del artículo [Golobardes, 2001] Correlación entre el error del clasificador IB1 y las métricas de complejidad Relevancia de los atributos Núria Macià Antoĺınez PFC: 47/49

48 BARCELÓ, C.; THIÓ, S. (1997). Estudio piloto sobre el diagnóstico de benignidad o malignidad de las microcalcificacions mamarias mediante digitalización y análisis estadístico. Sección d Estadística i Análisis de Datos del Departamento de I.M.A.. GOLOBARDES, E. [et al.] Classifying microcalcifications in digital mammograms using machine learning tecniques. Proceedings del 4 o Congreso Catalán de Inteligencia. (2001), pp BERNADÓ MANSILLA, E.; HO, T.K. Domain of competence of XCS classifier system in complexity measurement space. IEEE Transaction Evolutionary Computation. vol. 9 (2005), núm. 1, pp HO, T.K.; BASU, M. Complexity measures of supervised classification problems. IEEE Transaction on Pattern Analysis and Machine Intelligence. vol. 24 (2002), núm. 3, pp Núria Macià Antoĺınez PFC: 48/49

49 para la transformación del problema de detección de cáncer basado en mamografías Alumna: Núria Macià Antoĺınez Asesora: Ester Bernadó Mansilla Núria Macià Antoĺınez PFC: 49/49

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

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

Ejemplo de aplicación de la Dimensión Fractal en Medicina

Ejemplo de aplicación de la Dimensión Fractal en Medicina Ejemplo de aplicación de la Dimensión Fractal en Medicina El cáncer de mama es la enfermedad de las mujeres más común en el mundo moderno. Las estadísticas muestran que el riesgo de la mujer de desarrollar

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

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

Determinando Automáticamente los Dominios de Competencia de un Sistema de Clasificación Basado en Reglas Difusas: Un Caso de Estudio con FH-GBML

Determinando Automáticamente los Dominios de Competencia de un Sistema de Clasificación Basado en Reglas Difusas: Un Caso de Estudio con FH-GBML Determinando Automáticamente los Dominios de Competencia de un Sistema de Clasificación Basado en Reglas Difusas: Un Caso de Estudio con FH-GBML Julián Luengo 1 Francisco Herrera 1 1 Departamento Ciencias

Más detalles

DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software

DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software DETECCIÓN DE PATRONES EN IMÁGENES MÉDICAS BASADOS EN TÉCNICAS DE EXPLOTACIÓN DE DATOS Proyecto de Tesis de Magíster en Ingeniería de Software Tesista: Director propuesto: Ing. Gustavo A. Ferrero M. Ing.

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

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

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

Más detalles

Minera de datos aplicada a la detección de Cáncer de Mama

Minera de datos aplicada a la detección de Cáncer de Mama Minera de datos aplicada a la detección de Cáncer de Mama Eugenio Hernández Martínez Universidad Carlos III de Madrid 100039081@alumnos.uc3m.es Rodrigo Lorente Sanjurjo Universidad Carlos III de Madrid

Más detalles

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones.

Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. Capítulo 2. Técnicas de procesamiento digital de imágenes y reconocimiento de patrones. 2.1 Revisión sistema reconocimiento caracteres [9]: Un sistema de reconocimiento típicamente esta conformado por

Más detalles

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides

Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

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

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

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

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

Impacto de la ironía en la minería de opiniones basada en un léxico afectivo

Impacto de la ironía en la minería de opiniones basada en un léxico afectivo Impacto de la ironía en la minería de opiniones basada en un léxico afectivo Yolanda Raquel Baca-Gómez a, Delia Irazú Hernández Farías b, Paolo Rosso b, Noé Alejandro Castro-Sánchez a, Alicia Martínez

Más detalles

PROYECTO IMED. CETA-CIEMAT, Trujillo, España Día Virtual de e-salud RedClara, 12 de Septiembre de 2012

PROYECTO IMED. CETA-CIEMAT, Trujillo, España Día Virtual de e-salud RedClara, 12 de Septiembre de 2012 PROYECTO IMED La experiencia del CETA-CIEMAT en: INVESTIGACIÓN EN MÉTODOS DE AYUDA AL DIAGNÓSTICO EN CÁNCER DE MAMA CETA-CIEMAT, Trujillo, España Día Virtual de e-salud RedClara, 12 de Septiembre de 2012

Más detalles

Enfoque propuesto para la detección del humo de señales de video.

Enfoque propuesto para la detección del humo de señales de video. Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera

Más detalles

Inteligencia de Negocio

Inteligencia de Negocio UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:

Más detalles

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu Agüero Martín Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.martin@gmail.com

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

Weka como herramienta de data mining

Weka como herramienta de data mining Weka como herramienta de data mining Lic. Aldave Rojas Isaac Alberto Instituto Tecnológico Superior de Ciudad Serdán Abstract El presente trabajo muestra un ejemplo introductorio a la herramienta de Data

Más detalles

Tema 7. Introducción al reconocimiento de objetos

Tema 7. Introducción al reconocimiento de objetos Tema 7. Introducción al reconocimiento de objetos En resumen, un sistema de reconocimiento de patrones completo consiste en: Un sensor que recoge las observaciones a clasificar. Un sistema de extracción

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

código Java Solicitudes Reportes AJI resultados API

código Java Solicitudes Reportes AJI resultados API Analizador Java Inteligente Agüero Martin Jorge, miembro IT-Lab de la Universidad de Palermo, agüero.marin@gmail.com López De Luise María Daniela, miembro IT-Lab de la Universidad de Palermo, mlopez74@palermo.edu

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial

Evaluación, limpieza y construcción de los datos: un enfoque desde la inteligencia artificial Universidad del Cauca Facultad de Ingeniería Electrónica y Telecomunicaciones Programas de Maestría y Doctorado en Ingeniería Telemática Seminario de Investigación Evaluación, limpieza y construcción de

Más detalles

Mapas Autoorganizados

Mapas Autoorganizados Mapas Autoorganizados 1 Mapas Autoorganizados S.O.M (Self organized Maps) Mapas de características similar a la organización topológica de la corteza cerebral. Kohonen :dada una estructura y una descripción

Más detalles

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés

Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica

Más detalles

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/

Minería de Datos Web. 1 er Cuatrimestre 2015. Página Web. Prof. Dra. Daniela Godoy. http://www.exa.unicen.edu.ar/catedras/ageinweb/ Minería de Datos Web 1 er Cuatrimestre 2015 Página Web http://www.exa.unicen.edu.ar/catedras/ageinweb/ Prof. Dra. Daniela Godoy ISISTAN Research Institute UNICEN University Tandil, Bs. As., Argentina http://www.exa.unicen.edu.ar/~dgodoy

Más detalles

Tema 1.- Introducción a la Visión Artificial

Tema 1.- Introducción a la Visión Artificial Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Escuela Politécnica Superior Universidad

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

Grupo de investigación en Minería de Datos http://mida.usal.es

Grupo de investigación en Minería de Datos http://mida.usal.es Departamento de Informática y Automática Postgrado en Informática y Automática MÁSTER EN SISTEMAS INTELIGENTES ASIGNATURAS Introducción a la Minería de Datos Minería Web María N. Moreno García http://avellano.usal.es/~mmoreno

Más detalles

Proyecto Piloto sobre Viabilidad de Internet como Fuente de Datos. Resultados del Proyecto

Proyecto Piloto sobre Viabilidad de Internet como Fuente de Datos. Resultados del Proyecto Proyecto Piloto sobre Viabilidad de Internet como Fuente de Datos Resultados del Proyecto ÍNDICE 1. Detección automática de B2C 2. Análisis de demanda de profesionales TICC y programas formativos 3. Análisis

Más detalles

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción

Más detalles

Introducción. -Epidemiología -Anatomía mama. Aplicación n clínica de un sistema CAD y Procesado de Señal en la Imagen de Mamografía INTRODUCCIÓN

Introducción. -Epidemiología -Anatomía mama. Aplicación n clínica de un sistema CAD y Procesado de Señal en la Imagen de Mamografía INTRODUCCIÓN DETECCIÓN N DE LESIONES EN MAMOGRAFÍAS AS EN EL DIAGNÓSTICO PRECOZ DE CANCER DE MAMA Introducción Aplicación n clínica de un sistema CAD y Procesado de Señal en la Imagen de Mamografía Dra. Gloria Bueno,

Más detalles

PLAN DE TRABAJO DOCENTE 2013

PLAN DE TRABAJO DOCENTE 2013 PLAN DE TRABAJO DOCENTE 2013 1. DATOS DE LA ASIGNATURA Nombre: Procesamiento Analítico de Datos Código: Nivel: Grado Carácter: Optativo Área curricular a la que pertenece: Administración Carrera: Contador

Más detalles

INTRODUCCIÓN A LAS TÉCNICAS DE APRENDIZAJE AUTOMÁTICO (PARTE I): ESTRUCTURACIÓN DE UN CURSO DOCENTE

INTRODUCCIÓN A LAS TÉCNICAS DE APRENDIZAJE AUTOMÁTICO (PARTE I): ESTRUCTURACIÓN DE UN CURSO DOCENTE INTRODUCCIÓN A LAS TÉCNICAS DE APRENDIZAJE AUTOMÁTICO (PARTE I): ESTRUCTURACIÓN DE UN CURSO DOCENTE Elisabet Golobardes, Ester Bernadó, Xavier Llorà, Josep M. Garrell, Maria Salamó, Joan Camps y David

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

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES

REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES REVISTA COLOMBIANA DE FÍSICA, VOL. 34, No. 1. 2002 CONTEO Y CARACTERIZACIÓN DE REGIONES COMPLETAS EN IMÁGENES 2D: APLICACIÓN A NÚCLEOS CELULARES Y. Sossa, G. Osorio, F. Prieto, F. Angulo Grupo de Percepción

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

Big Data & Machine Learning. MSc. Ing. Máximo Gurméndez Universidad de Montevideo

Big Data & Machine Learning. MSc. Ing. Máximo Gurméndez Universidad de Montevideo Big Data & Machine Learning MSc. Ing. Máximo Gurméndez Universidad de Montevideo Qué es Big Data? Qué es Machine Learning? Qué es Data Science? Ejemplo: Predecir origen de artículos QUÉ DIARIO LO ESCRIBIÓ?

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

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

Análisis de imágenes de mamografía para la detección de cáncer de mama

Análisis de imágenes de mamografía para la detección de cáncer de mama Notas Análisis de imágenes de mamografía para la detección de cáncer de mama 1.Introducción El cáncer de mama es una enfermedad en la que se forman células malignas en los tejidos de la mama (Instituto

Más detalles

Anexo 11. Manual de Administración

Anexo 11. Manual de Administración PONTIFICIA UNIVERSIDAD JAVERIANA Anexo 11. Manual de Administración Para mantenimiento a los modelos y código fuente Alex Arias 28/05/2014 El presente documento muestra los requerimientos necesarios para

Más detalles

Capítulo III Procesamiento Digital de Imágenes

Capítulo III Procesamiento Digital de Imágenes Capítulo III Procesamiento Digital de Imágenes Contenido Introducción al Procesamiento digital de imágenes Orígenes del procesamiento digital de imágenes. Aplicaciones del Procesamiento de Imágenes Componentes

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

Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria

Minería de Datos. Presentación de la asignatura. Fac. Ciencias Ing. Informática Otoño de 2012. Dept. Matesco, Universidad de Cantabria Minería de Datos Presentación de la asignatura Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Cuestiones Factuales De índole práctica Personal e

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

Darío Álvarez Néstor Lemo www.autonomo.edu.uy

Darío Álvarez Néstor Lemo www.autonomo.edu.uy Data Mining para Optimización de Distribución de Combustibles Darío Álvarez Néstor Lemo Agenda Qué es DODC? Definición de Data Mining El ciclo virtuoso de Data Mining Metodología de Data Mining Tareas

Más detalles

Visión Artificial. Por Elisabeth Pérez

Visión Artificial. Por Elisabeth Pérez Visión Artificial Por Elisabeth Pérez Indice Qué es la Visión Artificial? Visión Artificial Diversos nombres Áreas de Aplicación Visión Artificial en Sistemas de Calidad Los pasos a tener en cuenta Áreas

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

M1. FUNDAMENTOS DE MINERÍA DE DATOS

M1. FUNDAMENTOS DE MINERÍA DE DATOS MÁSTER OFICIAL DE LA UNIVERSIDAD DE GRANADA "SOFT COMPUTING Y SISTEMAS INTELIGENTES" M1. FUNDAMENTOS DE MINERÍA DE DATOS J.L. CUBERO, F. BERZAL, F. HERRERA Dpto. Ciencias de la Computación e I.A. Universidad

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

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

PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI

PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN. Eduardo CRIVISQUI PRESENTACIÓN DE LOS MÉTODOS DE CLASIFICACIÓN Eduardo CRIVISQUI ADVERTENCIA SÓLO EL CONOCIMIENTO DE LAS PROPIEDADES LÓGICAS DE LOS MÉTODOS ESTADÍSTICOS PERMITE EVITAR EL EMPLEO «A CIEGAS» DE LOS MISMOS.

Más detalles

PROPUESTA DE ALTERNATIVAS PARA EL MODELADO DE USUARIO ESTADÍSTICO UNIVERSIDAD CARLOS III D E MADRID

PROPUESTA DE ALTERNATIVAS PARA EL MODELADO DE USUARIO ESTADÍSTICO UNIVERSIDAD CARLOS III D E MADRID PROPUESTA DE ALTERNATIVAS PARA EL MODELADO DE USUARIO ESTADÍSTICO LEONARDO C A STAÑO ZABALETA LCASTANO@INF.UC3M. ES D EPARTAMENTO D E INFORMÁTICA UNIVERSIDAD CARLOS III D E MADRID CONTENIDOS Introducción

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

PROGRAMA DE ASIGNATURA

PROGRAMA DE ASIGNATURA PROGRAMA DE ASIGNATURA 01. Carrera Lic. En Administración de Negocios Internacionales Lic. En Dirección del Factor Humano Lic. En Comercialización x Lic. En Tecnología Informática Lic. En Administración

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

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

Curso del Data Mining al Big Data

Curso del Data Mining al Big Data Curso del Data Mining al Big Data Instructor: Dr. Luis Carlos Molina Félix Presentación. Las bases de datos y los sistemas de administración de datos han jugado un papel primordial en el crecimiento y

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

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

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA JUSTIFICACIÓN OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS UNIVERSIDAD DE COSTA RICA SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO EN COMPUTACION E INFORMATICA PF-3808 Minería de Datos II Semestre del 2009 Profesor: Dr. Francisco J. Mata (correo: fmatach@racsa.co.cr;

Más detalles

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT

RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS EN IMÁGENES CON TRANSFORMADA SIFT UNIVERSIDAD CARLOS III DE MADRID ESCUELA POLITÉCNICA SUPERIOR INGENIERÍA TÉCNICA DE TELECOMUNICACIÓN (ESPECIALIDAD EN SONIDO E IMAGEN) PROYECTO FIN DE CARRERA RECONOCIMIENTO E IDENTIFICACIÓN DE LOGOTIPOS

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de Cuidados Intensivos Neonatales (UCIN)

Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de Cuidados Intensivos Neonatales (UCIN) Mesa de investigadores IDIC Presentación de Informes Finales de Proyectos 2013 4, 11 y 25 de abril de 2014 Modelo de predicción del nivel de supervivencia en la atención de un paciente de una Unidad de

Más detalles

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación

Contenido del Curso. Descubrimiento de Conocimiento a partir de datos. Introducción. Motivación Contenido del Curso Descubrimiento de Conocimiento a partir de Datos ISISTAN UNCPBA sschia@exa.unicen.edu.ar http://www.exa.unicen.edu.ar/catedras/dbdiscov/ Introducción al KDD Etapas Pre-procesamiento

Más detalles

Imágenes binarias. Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing. imagenes binarias 1

Imágenes binarias. Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing. imagenes binarias 1 Imágenes binarias Horn, Robot Vision Haralick & Shapiro, Computer and Robot Vision Gonzalez & Woods, Digital Image Processing imagenes binarias 1 Propiedades geométricas simples: Area: la integral de la

Más detalles

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid

Otros aspectos. Procesado de la entrada Procesado de la salida. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Otros aspectos Procesado de la entrada Procesado de la salida Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Procesado de la entrada 1. Motivación y tareas

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

González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21.

González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21. Capítulo 1 Introducción Bibliografía: González, R.C., Wintz, P. (1996), Procesamiento digital de imágenes. Addison- Wesley, Tema 1, pág 1-21. Jain, R., Kasturi, R., Schunck, B. (1995), Machine Vision,

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

Aplicación de Redes bayesianas usando Weka.

Aplicación de Redes bayesianas usando Weka. Aplicación de Redes bayesianas usando Weka. Cynthia Lorena Corso 1, Fabian Gibellini 1 1 Universidad Tecnológica Nacional, Facultad Regional Córdoba Laboratorio de Sistemas de Información Maestro M. López

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

TÓPICOS AVANZADOS DE BASES DE DATOS

TÓPICOS AVANZADOS DE BASES DE DATOS TÓPICOS AVANZADOS DE BASES DE DATOS 1. DATOS DE LA ASIGNATURA. Nombre de la asignatura: TÓPICOS AVANZADOS DE BASES DE DATOS Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: Modulo

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

Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial

Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial Inteligencia Artificial II Propuesta de trabajo Detección de correo basura (anti-spam) mediante técnicas de Inteligencia Artificial José F. Quesada 1 Introducción La idea de detección o filtrado de correo

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

UNIVERSIDADDE CHilE FACULTADDE CIENCIAS FíSICAS Y MATEMÁTICAS DEPARTAMENTODE INGENIERIAINDUSTRIAL

UNIVERSIDADDE CHilE FACULTADDE CIENCIAS FíSICAS Y MATEMÁTICAS DEPARTAMENTODE INGENIERIAINDUSTRIAL UNIVERSIDADDE CHilE FACULTADDE CIENCIAS FíSICAS Y MATEMÁTICAS DEPARTAMENTODE INGENIERIAINDUSTRIAL SEGMENTACiÓNDE LOS CONTRIBUYENTESQUE DECLARANIVA. UTILIZANDOTÉCNICASDE DATAMINING MEMORIA PARA OPTAR AL

Más detalles

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico

Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Master de Ingeniería Biomédica Sistemas de ayuda al diagnóstico clínico Emilio Soria Olivas! Antonio José Serrano López! Departamento de Ingeniería Electrónica! Escuela Técnica Superior de Ingeniería!

Más detalles

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García

Aplicación de mapas autoorganizados (SOM) a la visualización de datos. Modelos Computacionales Fernando José Serrano García Aplicación de mapas autoorganizados (SOM) a la visualización de datos Modelos Computacionales Fernando José Serrano García 2 Contenido Introducción... 3 Estructura... 3 Entrenamiento... 3 Aplicación de

Más detalles

TFG Educational Data Mining & Learning Analytics

TFG Educational Data Mining & Learning Analytics TFG Educational Data Mining & Learning Analytics Estudio de las Matriculaciones de A.D.E. en la UOC Autor: Antonio Blanco Carpintero Tutor: Ramón Caihuelas Quiles Introducción Educational Data Mining Soporte

Más detalles

CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial

CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial TÍTULO Segmentación, localización y reconocimiento de piezas OBJETIVO El objetivo de la práctica es mostrar al alumno un método para el reconocimiento de varias piezas existentes en el módulo servidor

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

Autenticación Centralizada

Autenticación Centralizada Autenticación Centralizada Ing. Carlos Rojas Castro Herramientas de Gestión de Redes Introducción En el mundo actual, pero en especial las organizaciones actuales, los usuarios deben dar pruebas de quiénes

Más detalles

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 12 -

Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 12 - Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 12 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Fundamentos de clustering Ejemplo inicial Aplicaciones

Más detalles

Términos Generales Algorithms, Documentation, Human Factors, Languages.

Términos Generales Algorithms, Documentation, Human Factors, Languages. Reconocimiento Óptico de Caracteres (OCR) Carlos Javier Sánchez Fernández Ingeniería de telecomunicaciones Universidad Carlos III Av. De la Universidad, 30 28911 Leganés (Madrid) cjsanchez@tsc.uc3m.es

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

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil

Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Aplicación de técnicas de minería de datos para la evaluación del rendimiento académico y la deserción estudiantil Osvaldo M. Spositto spositto@unlam.edu.ar Martín E. Etcheverry metcheverry@unlam.edu.ar

Más detalles

SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES

SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES SISTEMA DE APOYO PARA IDENTIFICACIÓN Y ESTIMACIÓN DE VOLUMETRÍA DE NÓDULOS PULMONARES CIS1510AP04 Pontificia Universidad Javeriana Autor. José Alejandro León Andrade Directores: Andrea del Pilar Rueda

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

Morfología Matemática en Imágenes

Morfología Matemática en Imágenes 8 de mayo de 2013 Morfología Estudio de la forma y la estructura Es una técnica de procesado no lineal de la imagen, interesada en la geometría de los objetos contenidos en una escena segmentada (usualmente

Más detalles

Técnicas Clásicas de Segmentación de Imagen

Técnicas Clásicas de Segmentación de Imagen Técnicas Clásicas de Segmentación de Imagen Marcos Martín 21 de mayo de 2002 1. Introducción El primer paso en cualquier proceso de análisis de imagen es la segmentación. Mediante la segmentación vamos

Más detalles