Sistema de recomendación automática como apoyo al juego de terapia auditivo-verbal Hablando con Teo.
|
|
- Vanesa Barbero Ayala
- hace 5 años
- Vistas:
Transcripción
1 SISTEMA DE RECOMENDACIÓN AUTOMÁTICA COMO APOYO AL JUEGO DE TERAPIA AUDITIVO-VERBAL HABLANDO CON TEO 1 Sistema de recomendación automática como apoyo al juego de terapia auditivo-verbal Hablando con Teo. Diana Patricia Sierra Villota - Jhonathan Rengifo Castillo Resumen Debido a la gran información que hoy en día se maneja en internet, los sistemas de recomendación surgieron como una alternativa para recurrir a las opiniones de los usuarios y a partir de ahí, poderle brindar un conjunto de ítems que pueden ayudarle en la toma de decisiones. Aunque cada técnica de recomendación en sí tiene un enfoque diferente para recomendar, existen también sistemas híbridos que nos permiten combinar más de una técnica, donde se pueden obtener recomendaciones más personalizadas o más cercanas a lo que un usuario espera. En este documento veremos cómo mediante un sistema híbrido, se han podido configurar técnicas basadas en contenido, colaborativo y de conocimiento, generando una recomendación de mini-juegos en un sistema que ayuda en el proceso de terapia de niños con problemas auditivosverbales. Adicional, evaluaremos el rendimiento que ha tenido este sistema híbrido para finalmente, ser implementado en el juego de terapia Hablando con Teo. paciente debe practicar y en qué día de la semana debería hacerlo. A partir de lo mencionado anteriormente se vió la necesidad de implementar un sistema de recomendación automática de mini juegos que sirva para hacer más acertivo y más dinámico el proceso terapéutico de los niños con problemas auditivo-verbales usando el juego Hablando con Teo. Para ésto, se desarrollo un sistema de recomendación automática híbrido, que funciona de la siguiente forma: Keywords Sistemas, recomendación, técnicas, híbrido, colaborativo, contenido, conocimiento. I. INTRODUCTION Hablando con Teo es un software interactivo de aprendizaje y tratamiento utilizado en la población de niños con discapacidad auditivo-verbal con la finalidad de mejorar su producción del habla. Esto a través de una serie de ejercicios, compuesto de un conjunto de sílabas (consonante y vocal), los cuales el niño deberá repetir oralmente. Además, el juego cuenta con una serie de interfaces denominadas mini juegos, que ayudan de manera dinámica a que los niños realicen los ejercicios que un fonoaudiólogo les asigne. Como cada mini juego es asignado a un ejercicio de manera aleatoria, esto conlleva a que el mini juego pueda no ser preferido por determinado niño e independientemente de esta situación, este último deba jugar dicho mini juego. Adicional a esto, se tiene una interfaz llamada Taskara la cual permite al fonoaudiólogo gestionar o editar la información de los pacientes existentes o nuevos, ver las recetas de ejercicios que se han creado y verificar el resultado de las mismas. Al final, Taskara generará un archivo de receta que el módulo del paciente (Hablando con Teo ) es capaz de interpretar, donde vendrán contenidos todos los ejercicios que el Figura 1. Arquitectura del sistema de recomendación automática El analizador de contenido T, También llamado como Analizador de contenido Taskara, es quien recibe como entrada el archivo receta.rxml que contiene los ejercicios propuestos al niño por un terapeuta, para que posteriormente esa información pasara a ser recibida por la base de conocimiento, la cual envía las historias existentes del niño que está realizando la terapia a los siguientes filtros de recomendación: I-A. Filtro de contenido contenido El filtro de recomendación basado en contenido consiste en recomendar un ítem P i a un usuario U i, el cual ya tienen una relación en el pasado, es decir, el usuario U i ha comprado anteriormente el item P i o uno parecido[1].
2 SISTEMA DE RECOMENDACIÓN AUTOMÁTICA COMO APOYO AL JUEGO DE TERAPIA AUDITIVO-VERBAL HABLANDO CON TEO 2 Entre los algoritmos más conocidos en esta técnica, se implementó el algoritmo de Rocchio[2], el cual está definido por la formula 1, donde R representa el conjunto de ejemplos relevantes (ejemplos positivos) y N R el conjunto de ejemplos no relevantes (ejemplos negativos), X i representa una historia del conjunto de NR o R, β y γ representan la influencia de cada uno de los componentes en el nuevo perfil y P representa la puntuación que se le asigna a un item en particular [2]. X P = β X i R i X γ X i NR i (1) R NR Para determinar si un item es recomendado o no, el sistema debe comparar su puntuación con respecto a un umbral µ. Es decir, un item se recomienda si P µ. usuario, con el fin de tener en cuenta variables como el tiempo, número de unidades disponibles, promoción, etc. Entre los algoritmos más conocidos, se implementó una red neuronal artificial compuesta en este caso por 9 neuronas en la capa de entrada, una capa oculta y 5 neuronas en la capa de salida (Imagen 2). En la capa de entrada tenemos variables como los 4 juegos que vienen recomendados desde el filtro colaborativo y de contenido, la edad del niño, la fecha de la receta actual, el tiempo que lleva en hablando con teo y el tipo de subhabilidad del ejercicio. Como salida, tenemos 5 valores que representarán la activación de cada uno de los 5 mini juegos que existen actualmente en Hablando con Teo. I-B. Filtro colaborativo El filtro colaborativo parten de dos o más usuarios, en este caso consideremos U 1 y U 2, los cuales compartieron los mismos intereses de un item en un pasado, entonces probablemente a U 1 le pueda interesar alguno de los productos que U 2 ha comprado previamente [1]. Entre los algoritmos más conocidos en esta técnica, se implementó el algoritmo de los k-vecinos más cercanos, el cual se configuró de la siguiente forma: Algoritmo 1 Algoritmo K-Vecinos Entrada: Niño n, Conjunto de mini juegos J, Conjunto de Historias H, un ejercicio e y k=3. Salida: Conjunto de juegos R no vacío. para i = 0 to longitud(h) hacer si H i.ejercicio == e and H i.genero == n.genero entonces d i = raiz(cuadrado( H i.tiempot erapia n.tiempot erapia ) + cuadrado( H i.edad n.edad )) i = i + 1 3: ordenarascendente(d, H) para j = 0 to k hacer R.agregar(H i.juego) 6: devolver R I-C. Filtro de conocimiento El filtro de conocimiento ayuda a reforzar las recomendaciones que han hecho los dos filtros anteriores, explorando necesidades explícitas del Figura 2. Red neuronal implementada Luego, definido el algoritmo 2, la red neuronal pasó un proceso de entrenamiento y de validación. Durante la fase de entrenamiento, el perceptrón recibió un conjunto de entradas X y un conjunto de salidas esperadas Y y lo que ésta hizo fue tomar el conjunto de entradas, hizo una predicción y en casos donde la predicción no fue acorde al conjunto de salidas esperado, la red calculó el error y automáticamente fue ajustando sus pesos sinápticos mediante una función que ayude a aproximar el conjunto de salida al resultado esperado (retropropagación).
3 SISTEMA DE RECOMENDACIÓN AUTOMÁTICA COMO APOYO AL JUEGO DE TERAPIA AUDITIVO-VERBAL HABLANDO CON TEO 3 Algoritmo 2 Algoritmo red neuronal Entrada: Conjunto de mini juegos J, Conjunto de Historias X, un ejercicio e y un conjunto de salidas esperado d. W = aleatorio(longitud(j)) momentum = α tasa aprend = η mientras i < n hacer para todo l L hacer para todo j X j (l) hacer v j (l) = p i=0 W ijx ( ij) l 1 (n) si l = 1 entonces Yj 0(n) = X j(n) 4: si no, si l = L entonces Yj L(n) = σ j(n) si no Yj l(n) = 1 1+e ( vj j (n)) 8: para todo d desde L 0 hacer e = d j (n) Y j (l) σ j (n)] 12: si no fin mientras si l = L entonces δ l j (n) = ej j (n)σ j(n)[1 δj l (n) = Xl j (n)[1 Xj l(n)] δ l+1 (n)wkj l+1 (n) Wij l (n+1) = α W l ij (n 1)+ηδl j l 1 (n)yi (n) En este filtro también se agregó una sección de recomendación de juegos que no tienen puntajes, con el fin de que los juegos que en un futuro hagan parte de Hablando con Teo, también tengan posibilidad de ser recomendado. Esta recomendación de juegos sin puntajes fue definido por el siguiente algoritmo: Algoritmo 3 Algoritmo mini juegos sin puntajes Entrada: Niño n, Conjunto de mini juegos J, Conjunto de Historias H. Salida: Conjunto de puntajes R no vacío. para i = 0 to longitud(j) hacer si J i no existe en H(n) entonces R j J i 5: devolver R Para definir la prioridad de recomendación entre estos dos algoritmos, se han definido las siguientes condiciones: Si existe al menos un mini juego que no esté en alguna historia, se hace recomendación uno-uno, es decir, se recomienda un mini juego de la red neuronal y un mini juego sin puntuación. Si todos los mini juegos tienen puntuación en alguna historia de un niño, se recomiendan dos mini juegos de la red neuronal. Finalmente, las recomendaciones de mini juegos realizadas por el filtro de conocimiento se envían a Hablando con Teo, que es el sistema en donde el niño realizará sus terapias mediante los mini juegos que se le recomendaron. Una vez el niño ha interactuado con las diferentes recomendaciones que se le hicieron, se envía un historial de progreso del niño al analizador de contenido Hablando con Teo, el cual convierte nuevamente la información en la estructura de datos establecida inicialmente para que la base de conocimiento sea la encargada de guardarla. II. GENERACIÓN DE DATOS Y PRUEBAS Para la recolección de datos, se ha generado manualmente información personal de 20 niños ficticios (10 niñas y 10 niños) con problemas auditivo-verbal, a los cuales se les ha generado de forma aleatoria la siguiente información: Fecha de nacimiento: Cada niño debe haber nacido entre el 2008 y el Fecha de inicio terapia: Hace referencia a la fecha en la que un niño empieza su terapia auditivoverbal. Esta fecha debe ser al menos cuatro años despues de la fecha de nacimiento. Fecha de inicio en Hablando con Teo: Hace referencia a la fecha en la que el niño empieza a reforzar su terapia con el juego Hablando con Teo. Esta fecha puede ser igual o después de la fecha de inicio de la terapia. Adicionalmente, en la generación de datos, cada niño tiene al menos una historia con alguno de los ejercicios propuestos en el juego Hablando con Teo. Con respecto a la base de datos de ejercicios y mini juegos planteados en Hablando con Teo, sacamos manualmente los 5 mini juegos y 184 ejercicios, para posteriormente usarlos en el sistema de recomendación automática. Luego de haber obtenido la información de los mini juegos y los ejercicios que un terapeuta puede asignar a
4 SISTEMA DE RECOMENDACIÓN AUTOMÁTICA COMO APOYO AL JUEGO DE TERAPIA AUDITIVO-VERBAL HABLANDO CON TEO 4 un niño que reciba la terapia auditivo-verbal, se generaron aleatoriamente 1500 historias de niños que han realizado un ejercicio cualquiera, con un minijuego cualquiera. De 1500 historias que se tenían en la base de conocimiento, se tomaron el 75 % de éstas para entrenar la red neuronal y el otro 25 % de historias se usaron como ejemplos de prueba. Teniendo en cuenta que el momentum es una fracción para la actualización de un peso anterior al actual y que la tasa de aprendizaje es la facilidad con la que aprende la red neuronal, se tomaron los intérvalos de [0,6, 1] y [0,1, 0,2] respectivamente, de lo cual al ser configuradas se obtuvo lo siguiente: 1. Primero se tomó el conjunto de entrenamiento, además se definió el momentum y la tasa de aprendizaje como constantes (0.6 y 0.1 respectivamente) y se definió como variable el número de neuronas de la capa oculta, agregando de 10 unidades hasta llegar a 70 (Imagen 3). Esto se realizó 50 veces por configuración para verificar su veracidad. Este paso dió origen a la idea de que si se aumentaba el número de neuronas en la capa oculta, se podría tener mayor número de aciertos para los mini juegos que el sistema realmente debía recomendar. Figura 4. Configurando el momentum de la red neuronal 3. Finalmente, se tomó como variable la tasa de aprendizaje, haciendo una variación de 0.02 (Imagen 5). De ahí obtuvimos tan sólo un incremento de 1 recomendación adicional acertada, sin embargo se escogió finalmente una tasa de aprendizaje de valor 0.2, ya que si entrenamos con mayor tasa de aprendizaje, se presentaban problemas de sobreajuste. Figura 5. Configurando la tasa de aprendizaje de la red neuronal Por lo tanto, una vez se probó diferentes configuraciones de la red neuronal, ésta quedo configurada de la siguiente forma: 70 unidades de neuronas en la capa oculta Momentum de 0.5 Tasa de aprendizaje de 0.2 Luego de obtener estos resultados y haber configurado la red neuronal artificial, se procedió a unificar este sistema de recomendación automática con el juego de terapia autiditivo-verbal Hablando con Teo. Figura 3. Configurando el número de unidades en la capa oculta en la red neuronal 2. Al haber escogido 70 unidades de neuronas en la capa oculta, siguió constante la tasa de aprendizaje y configuramos como variable el momentum (Imagen 4), finalmente se ejecutó esta configuración 50 veces. De ahí se obtuvo que con un valor de 0.8 había mayor cantidad de aciertos en los mini juegos que debían ser recomendados. III. RESULTADOS Para evaluar el sistema de recomendación automático que se ha desarrollado, se ha calculado la precisión y exhaustividad(re-call) del sistema. Además se configuró un conjunto de nuevos usuarios de prueba, con los que se evaluará la capacidad del sistema para recomendar mini juegos a un niño que no ha usado Hablando con Teo y por lo tanto no se tiene historia pasada de él. El número de mini juegos recomendados esperados y acertados por el niño fueron de T P = 320, el número de mini juegos recomendados no esperados y acertados fueron de T N = 50 y el número de mini juegos que realmente se esperaban pero el sistema no los
5 SISTEMA DE RECOMENDACIÓN AUTOMÁTICA COMO APOYO AL JUEGO DE TERAPIA AUDITIVO-VERBAL HABLANDO CON TEO 5 recomendó fueron de F N = 5. Al cálcular el promedio que dio la medida de precisión y la medida de exhaustividad al ser ejecutado 50 veces los datos de ejemplos. De ahí se obtuvo el siguiente resultado: T P T P +T N = 320 P recision = = 0,86 Exhaustividad = T P T P +F N = = 0,98 Adicional, se crearon 10 perfiles de niños sin historias en la base de conocimiento, los cuales se probaron 20 veces, con el fin de medir la influencia que tiene el sistema de recomendación automática para recomedar a cada nuevo niño un mini juego que se aproxime a su perfil. De esta prueba, se obtuvo en promedio lo siguiente: Seis de los niños nuevos tenian una similitud o influencia con algún otro niño que si tiene al menos historia en la base de conocimiento y se le recomendaron de él los dos mini juegos que se esperaban. Tres de los niños nuevos no tenian similitud con ningún niño y el sistema les recomendó dos mini juegos sin puntajes (no jugados por algún otro niño). Uno de los niños nuevos tenía similitud con otro niño, sin embargo el sistema le recomendó dos mini juegos sin puntajes. De estos resultados podemos deducir que tenemos un 86 % de precisión en la recomendación de mini juegos relevantes para los niños que ya tenian al menos una historia en la base de datos, además de contar con el 98 % de completitud en las recomendaciones. Aunque estos resultados son resultados muy interesantes, no podemos olvidar que los datos generados para llenar la base de conocimientos son datos sintéticos y que por lo tanto es difícil aprobar que el sistema es funciona eficientemente. IV. CONCLUSION De acuerdo a los resultados y estudios previamente mostrados, se puede concluir que: Se logró diseñar un sistema de recomendación automática, el cual a través de la experiencia entre un niño que recibe terapia auditivo-verbal y una receta previamente definida por un terapeuta, permite recomendar al niño el mini juego que mejor se adapte a los ejercicios contenidos en la receta. Se logró entrenar el sistema de recomendación mediante datos ficticios, los cuales se ajustaron muy bien para servir de base a nuevas historias de niños que empiecen a usar Hablando con Teo. La selección del diseño híbrido es un reto bastante grande, ya que hay que mirar las técnicas de recomendación que mejor combinan según nuestro objetivo y según la información que estemos manejando. En este trabajo, se logró implementar un diseño híbrido de tipo paralelo y segmentado, en donde se combinaron tres de las técnicas más usadas hoy en día y de ahí, se logró obtener más de un 80 % de precisión al momento de recomendar un mini juego y más de un 90 % de exhaustividad en niños que ya venian con un proceso pasado en la terapia. Se logró crear un sistema externo que permite entrenar la red neuronal en el momento en que se considere necesario, sin necesidad de afectar la configuración de la red previamente realizada. V. TRABAJO FUTURO Para el sistema Taskara, Hablando con Teo y el sistema de recomendación automática, se ha visto la posibilidad de realizar mejoras o trabajos adicionales en los siguientes ámbitos: Diseñar otro sistema híbrido de recomendación, con filtros diferentes y una arquitectura diferente, con el fin de evaluar si es posible alcanzar unos valores de rendimiento más altos a los que obtuvimos. Esto debido a que no existe una forma establecida de cómo construir un sistema híbrido de recomendación y que hay diferentes mareras de crearlos. Probar el sistema con niños reales, para obtener datos reales, y validar qué tanto puede variar la precisión del sistema. Mejorar la tasa de precisión del reconocedor de voz en Hablando con Teo, para lograr obtener resultados en la terapia más precisos. Completar el sistema Taskara, ya que éste tiene incluido la fecha de nacimiento, fecha de recetado y fecha de inicio terapia, los cuales el sistema pone por defecto el REFERENCIAS [1] Jannach. D., Zanker. M., Felfernig. A., Friedrich. G. Recommender Systems: An introduction. ISBN-13: , ISBN-10: [2] Tesis. Adrian Fonseca Bruzón, Reynaldo Gil García. Universidad de Oriente Santiago de Cuba Un nuevo algoritmo para el filtrado adaptativo de documentos
Inteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesRelación 7 - Redes neuronales
Sistemas Inteligentes 0-0 Relación - Redes neuronales Problemas Ejercicio. Explicar cómo se usaría una red neuronal para obtener un reconocedor de letras escritas a mano. Describir con precisión qué estructura
Más detallesInteligencia Artificial II (Curso ) Ejercicios propuestos del tema 5
Inteligencia Artificial II (Curso 0-0) Ejercicios propuestos del tema Ejercicio : Diseñar un perceptrón simple con n valores de entrada y función umbral de activación que sirva para calcular la función
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesRedes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
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 detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesRedes Neuronales Artificiales
Red de Hopfield Almacenar un conjunto de p patrones de forma tal que cuando se presente un nuevo patrón, la red responda produciendo alguno de los patrones previamente almacenados que más se parezca al
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesEl sistema fue desarrollado bajo el sistema operativo Windows XP de Microsoft, utilizando
33 3 Diseño del Sistema de Reconocimiento de Letras. 3.. Introducción. El sistema fue desarrollado bajo el sistema operativo Windows XP de Microsoft, utilizando el entorno de desarrollo C++Builder Profesional
Más detallesGestión de la tabla de calificaciones:
Gestión de la tabla de calificaciones Gestión de la tabla de calificaciones: Vista Configuración Autor Aula Virtual URJC online 1 Tabla de contenidos La tabla de calificaciones... 3 Pestaña Vista... 3
Más detallesTLU(s) MULTICAPAS. Se pueden implementar funciones en TLU con más de una capa.
TLU(s) MULTICAPAS Se pueden implementar funciones en TLU con más de una capa 1 05 2 15 2 3 z 3 15 2 4 05 No eisten, en la actualidad, mecanismos de entrenamiento que permita conocer los pesos sinápticos
Más detallesREDES NEURONALES NO SUPERVISADAS
Redes no supervisadas REDES NEURONALES NO SUPERVISADAS Redes no supervisadas El cerebro tiene la capacidad de auto-organizarse a partir de los estímulos recibidos y esto lo logra de manera no supervisada.
Más detallesMicrosoft Project 2013 Curso Básico Programación con Recursos
Microsoft Project 2013 Curso Básico Programación con Recursos Como ha podido verse hasta el momento, Microsoft Project 2013 permite de una forma sencilla la configuración de cronogramas de trabajo. Una
Más detallesPRC-DTI-010 Creación y control del ambiente de desarrollo y producción Procedimiento Dirección de TI - COSEVI
PRC-DTI-010 Creación y control del ambiente de desarrollo y producción Procedimiento Dirección de TI - COSEVI Versión: 1.0 Fecha de la versión: Febrero del 2012 Creado por: PwC Costa Rica Aprobado por:
Más detallesDISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN GUIAS PARA EL DISEÑO DEL LABORATORIO
DISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN DESCRIPCIÓN DEL DOCUMENTO: Este documento presenta la construcción de un laboratorio virtual básico para el diseño de redes
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesMétodos de Aprendizaje en Redes Neuronales
11 de abril de 2011 Entrenamiento de redes feedforward (Backpropagation) Siendo {z m, t m } m=1...n un conjunto de n patrones de entrenamiento, con z m las entradas conocidas para el m ésimo patrón y
Más detallesRECOMENDADOR DE USUARIOS EN UNA PLATAFORMA COLABORATIVA EN BASE A SU PERFIL Y REPUTACIÓN
RECOMENDADOR DE USUARIOS EN UNA PLATAFORMA COLABORATIVA EN BASE A SU PERFIL Y REPUTACIÓN Dra. Silvana Aciar Instituto de Informática UNSJ Día Virtual sobre Sistemas Colaborativos Octubre 2013 1 Indice
Más detallesCAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN
CAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN PERCEPTRÓN MULTICAPA EN MATLAB 4.1 Matlab Matlab ha demostrado ser un programa de desarrollo muy completo en distintas áreas, más que nada
Más detallesRedes Neuronales. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detallesCAPITULO 5 DISEÑO DE UN CLASIFICADOR DE
Capitulo 5. Diseño de un Clasificador de Patrones. 60 CAPITULO 5 DISEÑO DE UN CLASIFICADOR DE PATRONES. En este capítulo se presenta un problema simple de clasificación de patrones, en el cual se pondrán
Más detallesUso de una red neuronal multicapa para el reconocimiento de caracteres griegos. Skynet Reloaded
Uso de una red neuronal multicapa para el reconocimiento de caracteres griegos: Skynet Reloaded...decided our fate in a microsecond... P. García H. Rajchert I. Scena Sistemas de Inteligencia Artificial
Más detallesCapítulo 6 Pruebas y resultados
Capítulo 6 Pruebas y resultados [6. Pruebas y resultados] En este capítulo se comentan las pruebas hechas a Gisweb que validan a este proyecto como resultado al problema definido en el capítulo 1, y finalmente
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO V
CAPÍTULO V V. ALGORITMOS NEURONALES Los modelos neuronales utilizan varios algoritmos de estimación, aprendizaje o entrenamiento para encontrar los valores de los parámetros del modelo, que en la jerga
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 detallesMetaheurísticas
UNIVERSIDAD DE GRANADA E.T.S.I. INFORMÁTICA Y TELECOMUNICACIÓN Departamento de Ciencias de la Computación e Inteligencia Artificial Metaheurísticas http://sci2s.ugr.es/graduatecourses/metaheuristicas https://decsai.ugr.es
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesModelo Lineal PRACTICA 3
Modelo Lineal PRACTICA 3 1. Con los datos del ejercicio 20 de la práctica 1, a) calcule, para cada punto del diseño, el intervalo de confianza de nivel 0.95 para la respuesta. b) calcule, para cada punto
Más detallesALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION
ALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION En una RN entrenada, si las salidas calculadas por la red con nuevos ejemplos están próimas a los valores deseados, hay generalización (Haykin,
Más detallesANEXO B REDES NEURONALES
ANEXO B REDES NEURONALES En la búsqueda de la arquitectura de la red neuronal se conto con aproximadamente 30300 datos para 3 líneas diferentes. Se realizaron diferentes configuraciones para encontrar
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detallesINTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
Más detallesContenido. 1. Cuestionario Agregar y Configurar Cuestionario Crear categorías para guardar preguntas... 7
Contenido 1. Cuestionario... 3 1.1 Agregar y Configurar Cuestionario... 3 1. Crear categorías para guardar preguntas... 7 1.3 Crear preguntas dentro de una categoría... 9 1.4 Agregar las preguntas al cuestionario...
Más detallesAprendizaje no supervisado
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 4 1 Introducción Aprendizaje competitvo Otros algoritmos de agrupación 2 1 Introducción Características principales de las
Más detallesEl modelo V nos permite ejecutar el proceso de validación y verificación en cada una de las etapas de un proyecto. Codificación
ASEGURAMIENTO DE CALIDAD Modelo V El modelo V nos permite ejecutar el proceso de validación y verificación en cada una de las etapas de un proyecto. Análisis de Requerimientos Pruebas de Aceptación Diseño
Más detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesWikis en Mediación Virtual. Diseño de las Wikis en Mediación Virtual. 1. Planificación didáctica de la Wiki
Wikis en Mediación Virtual El siguiente manual es un recurso generado por METICS para impulsar la autogestión y actualización del personal docente en el uso de la plataforma Mediación Virtual. A través
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesMicrosoft Excel para la optimización del trabajo en la empresa
Microsoft Excel para la optimización del trabajo en la empresa Contenido Contenido... 2 Introducción... 3 Tema 9 Funciones adicionales y auditoría de fórmulas... 4 Tema 10 - Administración de los datos
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesTécnicas de Pruebas de
Técnicas de Pruebas de Software Lecturas Pruebas de Unidades Pruebas Integración Docente Beatriz E. Florián bflorian@eisc.edu.co Mayo 3 de 2005 Pruebas Reglas de oro para pruebas Límites de Pruebas: Probar
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 28 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM marzo 2018 Ideas básicas del diseño experimental Capítulo 4 de Analysis
Más detallesIIC Sistemas Recomendadores
Sistemas Recomendadores Híbridos IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 33 Memo del Semestre Tarea 1: Deadline el Jueves 17 de Septiembre. Lecturas
Más detallesTema 6. Reconocimiento de voz
Tema 6. Reconocimiento de voz 6.1.- Introducción 6.2.- Problemática 6.3.- Clasificación 6.4.- Esquema de trabajo 6.5.- Técnicas de reconocimiento 6.6.- Conclusiones 6.1.- Introducción Reconocimiento de
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesEstado civil: {casado/a, soltero/a, divorciado/a}
Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene
Más detallesArquitectura Big Data de Ingesta en Real Time. Autor: Ferran Fernández Garrido Consultor: David Cabanillas Barbacil PRA: Josep Curto Díaz
Arquitectura Big Data de Ingesta en Real Time Autor: Ferran Fernández Garrido Consultor: David Cabanillas Barbacil PRA: Josep Curto Díaz Índice 1. Problema Planteado a. Descripción general b. Casos similares
Más detallesCapítulo 3. Diseño del Sistema
Capítulo 3 Diseño del Sistema 31 Algoritmo para la generación automática del extracto El algoritmo para generar el resumen automático de un documento HTML, tiene los siguientes pasos: 1 Aplicar el parser
Más detallesProceso Evaluación de la Gestión y Rendición de Cuentas GUÍA PARA LA GESTIÓN DE INDICADORES
Proceso Evaluación de la Gestión y Rendición de Cuentas GUÍA PARA LA GESTIÓN DE INDICADORES Página 1 de 9 Código: EG-G-001 Versión: 02 1. OBJETIVO Suministrar una herramienta para la creación, gestión
Más detallesLección 5: Estimaciones de tiempo y tamaño
PSP1 Lección 5: Estimaciones de tiempo y tamaño PSP1 Objetivo de PSP1: Estimar tiempo y tamaño inicial Entradas al proceso: Buenos requisitos Datos históricos Para que la estimación de tamaño inicial y
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesManual del Usuario para el programa de reconocimiento de caracteres.
Manual del Usuario para el programa de reconocimiento de caracteres. Instalación. El software no tiene programa de instalación, solo es necesario copiar el ejecutable al directorio donde usted desee. Y
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 P (X > 0) P ( 0,5 < X < 0,5) P ( X > 0,25) 1 si 2 x P (X 1) P (0,5 X 1) P (0,5 < X 1 X < 1)
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 3 1. Sea X una v.a. con función de densidad { 0,75 (1 x f X (x) = 2 ) 1 x 1 0 en otro caso. a) Verificar que f X es realmente una función de densidad. b) Calcular:
Más detallesProgramming Languages that minimize response times of an Artificial Neuron
Programming Languages that minimize response times of an Artificial Neuron Edwin Fernando Mejía Peñafiel 17 de Noviembre del 2017 Byron Vaca Eduardo Villa Washington Luna Raul Rosero Contenido Introducción
Más detallesARANDA SERVICE DESK WINDOWS 8.1.5
NOMBRE DEL PRODUCTO Aranda: ARANDA SERVICE DESK WINDOWS 8.1.5 VERSIÓN DE ACTUALIZACIÓN QUE SE LIBERA: 8.1.5 LISTADO DE ARCHIVOS Nombre de Archivo Versión Tamaño (En Bytes) Destino del Archivo (Ruta) ServiceDesk.exe
Más detallesAdministración y Mantenimiento de Aplicativos
Página 1 de 5 1. Objetivo y Alcance Administrar los aplicativos del banco de datos de la Biblioteca, posibilitando la parametrización de los aplicativos para el correcto funcionamiento del sistema mediante
Más detallesAnexo 10. Pruebas verificadas
1 Anexo 10. Pruebas verificadas Introducción El proceso de pruebas inició con una revisión conceptual para la identificación de las pruebas por realizar, a partir de las características del proyecto. En
Más detallesÍndice. Tutor de casilleros Página 1 de 10
Página 1 de 10 Índice Tutor de casilleros... 2 Introducción... 2 Proyecto de datos... 2 Definición de los casilleros... 2 Casillero de familias... 2 Casillero de artículos... 4 Interfaz... 5 Formulario
Más detallesAprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Asignatura troncal: 4.5cr, 4ºCurso Ing Inf Aprendizaje: Perceptrón multi-capa 2003-2004 F.Escolano, O.Colomina, M.A. Cazorla Perceptrón 1 Indice Regla delta Modelo computacional
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
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 detallesOrden de las clases...
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 20 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesMANUAL DE USUARIO PROCESOS ESPECIALES
PROCESOS ESPECIALES Los procesos especiales de la aplicación de Facturación le permitirán realizar operaciones sobre la información que tiene, por eso su importancia ya que cuando se ejecutan puede ayudar
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 20
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 20 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesSISTEMA DE CONTROL INTERNO DE GESTION PRESIDENCIAL
Página 1 de 9 SISTEMA DE CONTROL INTERNO DE GESTION 1. Descripción del Sistema Este sistema fue creado para contribuir con el seguimiento a la ejecución de los compromisos y disposiciones presidenciales,
Más detallesModelo de simulación en oficina bancaria
Modelo de simulación en oficina bancaria Oficinas de servicio en Bogotá Soluciones usadas:» ProModel» Tableau» MS Excel Resultados» Establecer política de priorización más adecuada y alineada a la segmentación
Más detallesPago de Facturas. Bizagi Suite. Copyright 2016 Bizagi
Pago de Facturas Bizagi Suite Pago de Facturas 1 Tabla de Contenido Pago De Facturas... 2 Elementos del proceso... 4 Llegada de Factura... 4 Recibir Factura... 4 Validar Factura... 5 Factura concuerda
Más detallesPlan de salida a producción
Plan de salida a producción AZDigital-RFC-013 Localización: http://subversion.analitica.com.co:8023/azdigital/docs/rfcs/azdigital-rfc- 013- Plan de Salida a Producción.docx Editor: Marcela Galindo (marcela.galindo@analitica.com.co)
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesHerramienta Libro de Evaluación
Herramienta Libro de Evaluación Para utilizar la herramienta Libro de evaluación, en primer lugar debe añadirse al menú de la izquierda siguiendo el procedimiento descrito en el documento Añadir/eliminar
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesSistema de Administración y Cobro de BECAS SBA-TUI UV
Dirección de Sistemas de Información y Computación (DISICO) Sistema de Administración y Cobro de BECAS SBA-TUI UV Participación Concurso Golden TUI Univesidad de Valparaíso 30-3-2016 P á g i n a 0 23 TABLA
Más detallesTEMARIO PARA OBTENER LA CERTIFICACIÓN MICROSOFT OFFICE EXCEL EXPERT 2016.
TEMARIO PARA OBTENER LA CERTIFICACIÓN MICROSOFT OFFICE EXCEL EXPERT 2016. EXAMEN 77-728 INTERPRETACIÓN DE DATOS Y SU APLICACIÓN A LA TOMA DE DESICIONES. Los candidatos para el examen Microsoft Excel Expert
Más detallesHerramienta Buzón de tareas
Herramienta Buzón de tareas Este documento contiene los tres pasos a seguir para administrar la herramienta Buzón de tareas. CREAR CONFIGURAR GUARDAR Paso 1 CREAR: Haga clic en Añadir. Paso 2 CONFIGURAR:
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesAranda SERVICE DESK WEB
NOMBRE DEL PRODUCTO: ARANDA SERVICE DESK WEB 8.15.1 VERSIÓN DE ACTUALIZACIÓN QUE SE LIBERA: 8.15.1 FECHA DE LIBERACIÓN: 27/10/2017 LISTADO DE ARCHIVOS Nombre de Archivo Versión Tamaño (En Bytes) Destino
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesImplementación de un Entrenador Neuronal para Robots Futbolistas y su Aplicación al Simulador TeamBots
Implementación de un Entrenador Neuronal para Robots Futbolistas y su Aplicación al Simulador TeamBots Nicolás Antequera Rodríguez nicolas.antequera@gmail.com Matilde Santos Peñas Departamento de Arquitectura
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesVideojuego Educativo como apoyo a la enseñanza de la Algoritmia para los estudiantes del Programa Nacional de Formación en Sistemas e Informática
INSTITUTO SUPERIOR POLITÉCNICO JOSÉ ANTONIO ECHEVERRÍA FACULTAD DE INGENIERÍA INFORMÁTICA CENTRO DE ESTUDIOS DE INGENIERÍA DE SISTEMAS (CEIS) MAESTRÍA EN INFORMÁTICA APLICADA Videojuego Educativo como
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 detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesLección 1. Estructura de las Tablas Bases de Datos para la creación de informes de Tabla Dinámica.
Dirigido a: Este curso está dirigido a cualquier persona que en su actividad laboral o académica, requiera resumir, analizar y consolidar cualquier tipo de información, ya sea tabulada en Excel, proveniente
Más detallesDesarrollo ágil basado en pruebas de aceptación
Desarrollo ágil basado en pruebas de aceptación Patricio Letelier letelier@dsic.upv.es Qué resultados de I+D tenemos? TUNE-UP Process: enfoque y herramienta de apoyo para gestión ágil de proyectos (equipos
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesLIBROS OFICIALES (Diciembre 2016) Libros oficiales. Diciembre 2016
Libros oficiales Diciembre 2016 Aprende a Utilizarla y obtén el máximo provecho ÍNDICE 1. Manual de Uso 2. Configuración y puesta en marcha 3. Preguntas Frecuentes MANUAL 1. LIBROS OFICIALES Gestiona,
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Perceptrón Simple William Campillay-LLanos williamcampillay@gmail.com https://sites.google.com/site/williamcampillay/home Departamento de Matemática, Física y Estadística.
Más detallesNOTIFICACIONES PUSH APP MOVIL ANDROID ASDK Y USDK. Luis Fernando Leal Quitian
NOTIFICACIONES PUSH APP MOVIL ANDROID ASDK Y USDK Luis Fernando Leal Quitian Contenido NOTIFICACIONES PUSH... 2 Aranda Push Windows Service REGLAS PARA PUSH... 2 Configuración Reglas PUSH. NOTIFICACIÓN
Más detallesCAPÍTULO Reconocimiento de voz usando redes neuronales artificiales del CSLU
CAPÍTULO 5 Reconocimiento de voz usando redes neuronales artificiales del CSLU Una vez teniendo los datos listos para ser usados, el paso siguiente es entrenar un reconocedor de voz usando alguna técnica
Más detallesEurowin Toolkit Soluciones Sectoriales Eurowin. a aaaaaaaaaaaaaaaa
Eurowin Toolkit 2011 00- Soluciones Sectoriales Eurowin a aaaaaaaaaaaaaaaa Definición Eurowin Toolkit 2011 es un completo kit de herramientas creadas con el objetivo de facilitar la personalización de
Más detalles