Modelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de Software (MONEPS)
|
|
- Fernando Paz Arroyo
- hace 5 años
- Vistas:
Transcripción
1 Molo Neuronal Estimación para el Esfuerzo Desarrollo en Proyectos Software (MONEPS) Mario G. Almache C. Jenny A. Ruiz R. Geovanny Raura Rodrigo E. Fonseca C. Julio 4 y
2 AGENDA 1. Antecentes 2. Trabajos relacionados 3. Molo neuronal propuesto 4. Resultados obtenidos 5. Conclusiones y trabajo futuro
3 Necesidad Necesidad mejorar mejorar la la precisión precisión en en la la estimación estimación l l esfuerzo esfuerzo Los errores en la estimación esfuerzo son todavía masiado grans. Se hace una mínima consiración los aspectos no funcionales l software. No hay un claro entendimiento sobre las relaciones causales entre factores y los resultados finales la estimación esfuerzo en software.
4 Algunos Algunos enfoques enfoques para para estimar estimar el el esfuerzo esfuerzo Existen tres categorías fundamentales: Molos Algorítmicos, Juicio l Experto, Machine Learning. Dentro los molos algorítmicos tenemos: Puntos Función (PF): énfasis en las características l dominio información. Líneas código (LDC): se centra en las funciones l software. Puntos Caso Uso: técnica promisoria pero aún controversial bido a la falta estandarización los casos uso.
5 Molos Molos algorítmicos algorítmicos Vs. Vs. Juicio Juicio l l experto experto Enfoque Ventajas Inconvenientes Aplicación idónea Molos algorítmicos Entradas y parámetros concretos. Objetividad. Eficiencia en cálculos. No prestan atención a circunstancias excepcionales. Rechazan opiniones subjetivas. Proyectos con escasas alteraciones accintales, con equipos sarrollo estables y productos sencillos. Juicio l experto Gran cantidad opiniones subjetivas. Consiración circunstancias excepcionales. Depenncia los expertos. Posturas expertos difíciles adoptar. Primeras fases sarrollo l producto.
6 Dos Dos molos molos algorítmicos: algorítmicos: Cocomo Cocomo y y Cocomo Cocomo II II Figura No. 1: Cocomo 81 Calculator Figura No. 2: USC Cocomo II
7 Machine Machine Learning Learning (Aprendizaje (Aprendizaje Automático) Automático) Lógica difusa Minería datos Algoritmos genéticos Res neuronales artificiales Sistemas neuro-difusos
8 Res Res Neuronales Neuronales Artificiales Artificiales en en Backpropagation Backpropagation Características importantes: Aprenn manera supervisada e inductiva. Son suficientes 3 capas para las tareas aprendizaje e intificación patrones. Poca complejidad estructural y algorítmica. Buena disponibilidad herramientas automatizadas, tanto libres como propietarias, para el diseño y funcionamiento estas res. Campos aplicación más frecuentes: reconocimiento imágenes, clasificación patrones, codificación/codificación información, entre los más relevantes. Figura No. 3: Ejemplo RNA con cuatro capas
9 Aplicaciones Aplicaciones las las RNA RNA Figura No. 4: Reconocimiento Facial Figura No. 5: Procesamiento imágenes Figura No. 6: Reconocimiento voz
10 Molo Molo Neuronal Neuronal Propuesto: Propuesto: Molo Molo Calidad Calidad ISO ISO
11 Codificación Codificación Atributos Atributos en en MONEPS MONEPS Atributo Código Valores Descripción Nivel seguridad A2 Alto, Medio, Bajo Indica el nivel seguridad requerido para la aplicación. Número programadores Experiencia l equipo sarrollo Lenguaje Programación Número servidores M3 1, 2, 3,... Número integrantes l equipo sarrollo asignados. M1 Alta, Media, Baja Indica la experiencia l equipo sarrollo en aplicaciones similares. F1 Tabla No. 1: Algunos atributos tomados la norma ISO Imperativo, Declarativo, Orientado a Objetos, Orientado al Problema Tipo lenguaje programación utilizado. E3 1, 2, 3,... Número servidores requeridos para la aplicación.
12 Molo Molo Neuronal Neuronal Propuesto Propuesto Figura No. 7: RNA simplificada y utilizada en Moneps
13 Resultados Resultados obtenidos: obtenidos: herramienta herramienta JustNN JustNN Figura No. 8: Carga datos en JustNN Figura No. 9: Red neuronal artificial en JustNN
14 Entrenamiento Entrenamiento la la RNA RNA usada usada por por MONEPS MONEPS Figura No. 10: Resumen entrenamiento para la RNA Figura No. 11: Error la RNA durante la fase entrenamiento
15 Estimación Estimación para para 3 3 casos casos prueba prueba y y contrastación contrastación con con Cocomo Cocomo Caso Tabla No. 2: Tiempo y costo estimados por Moneps para 3 proyectos SW Tiempo real duración (meses) Tiempo estimado (MONEPS) Costo referencial (USD) Costo estimado (MONEPS) * Caso Tabla No. 3: Cocomo 81 Vs. Moneps Real Tiempo (meses) Estimado por Cocomo Estimado por Moneps 1. CODESOFT: Simulador para la evaluación aptitus aspirantes para el sarrollo software. 2. SIFFAAR: Sistema para automatizar el proceso control inventario y facturación en la empresa FAAR. 3. SICFO: Sistema para gestión fichas odontológicas (parte l conjunto entrenamiento)
16 Contrastación Contrastación con con Cocomo Cocomo II II Caso Nombre l proyecto Real Tiempo (meses) Estimado por Cocomo-II Estimado por Moneps Referen. Costo (USD) Estimado por Cocomo-II Estimado por Moneps 1 CODESOFT SIFFAAR Tabla No. 4: Cocomo II Vs. Moneps Caso Nombre l proyecto Error relativo para el tiempo Error relativo para el costo Cocomo-II Moneps Cocomo-II Moneps 1 CODESOFT % 21.67% 37.20% 7.68% 2 SIFFAAR % 20.60% 40.48% 17.45% Tabla No. 5: Error relativo en Cocomo II y Moneps
17 Conclusiones Conclusiones y y trabajo trabajo futuro futuro El criterio diseño para MONEPS posibilitó la convergencia aspectos funcionales y no funcionales. MONEPS es fácil uso y escalable. El molo permite activar/sactivar atributos entrada manera sencilla. Datos nuevas aplicaciones puen alimentar la RNA para mejorar su sempeño. Intificación nuevos atributos críticos y métricas especializadas para los aspectos no funcionales. Añadir un componente fuzzy (difuso) para realizar interpretaciones lingüísticas las entradas y respuestas obtenidas (sistemas neuro-difusos).
18 En 1899, Max Planck preguntó lo siguiente: cómo sería posible crear un sistema unidas objetivo y universal? La ia Planck es extensible al Software?
19
Modelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de Software (MONEPS)
VICERRECTORADO DE INVESTIGACIÓN INNOVACIÓN Y TRANSFERENCIA DE TECNOLOGÍA MAESTRÍA EN INGENIERÍA DE SOFTWARE SEGUNDA PROMOCIÓN Modelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de
Más detallesEstimación para Proyectos Software
Nilda M. Pérez Otero Sistemas de Información II Cursada 2011 Facultad de Ingeniería - UNJu Fuentes: Ingeniería del Software. Un Enfoque Práctico 6ta. Ed. - Roger S. Pressmann - Capítulo 23 Visión general
Más detallesTEMA 0 Y SUS APLICACIONES. Redes Neuronales Artificiales y sus Aplicaciones
Curso RNA Tema 0 TEMA 0 PRESENTACIÓN DEL CURSO REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES Comienzo del Curso Presentación del Curso Enfoque y Contexto Objetivos Contenidos Teórico Contenido Práctico
Más detallesIngeniería del Software de Gestión Titulación: ITIG / ITIG - LADE 1º Cuatrimestre - octubre de 2012
Ejercicio Análisis 4. Planificación Proyectos. Estimaciones Software. PUNTOS DE FUNCIÓN. Este molo se basa en estimar el tamaño funcional l software. En este método is una forma medir las capacidas una
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesEjemplo Estimación con el método de Cocomo
Ejemplo Estimación con el método de Cocomo Entre los distintos métodos de estimación de costes de desarrollo de software, el modelo COCOMO (COnstructive COst MOdel) desarrollado por Barry M. Boehm, se
Más detalles2.3 ESTIMACION DE PROYECTOS
Ingeniería de Software INF - 163 2.3 ESTIMACION DE PROYECTOS 25/08/2011 Resumen preparado por Miguel Cotaña 1 Larry Putnam, ha apuntado que la gestión del desarrollo de software considera la estimación
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detalles2021: Odisea del Ciberespacio
2021: Odisea del Ciberespacio M.C. Romeo A. Sánchez López CISM CEH CISSP CCNA CCSI SCSA SCJP SCMAD ITIL MCP TOGAF Ingeniero en Seguridad Computacional Maestro en Educación Maestro en Ciencias en Sistemas
Más detallesTema 2.- Caracterización de la informática La informática como disciplina científica Sub-áreas de la disciplina.
Tema 2.- Caracterización de la informática 2.1. La informática como disciplina científica. 2.2. Sub-áreas de la disciplina. 2.1. La informática como disciplina científica. 2.1.1 Una definición de Informática.
Más detallesPlanificaciones Inteligencia Artificial. Docente responsable: CABRERA JOSE LUIS. 1 de 5
Planificaciones 7523 - Inteligencia Artificial Docente responsable: CABRERA JOSE LUIS 1 de 5 OBJETIVOS Enseñar los conceptos fundamentales de inteligencia artificial, sus paradigmas, métodos y técnicas.
Más detallesE77 - Gestión de Recursos de la Información. Tema 2 - Estimación
E77 - Gestión de Recursos de la Información Tema 2 - Estimación Factores que afectan al riesgo de la estimación Complejidad del proyecto: medida relativa. Tamaño del proyecto: interdependencia de los elementos
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesCARACTERÍSTICAS GENERALES
CARACTERÍSTICAS GENERALES Nombre del programa Licenciatura de Ingeniería en Sistemas Inteligentes, 2007 Título que otorga Ingeniero/a en Sistemas Inteligentes Espacio donde se imparte Unidad Académica
Más detallesEstimación. Ingeniería de software Eduardo Ferreira, Martín Solari
Ingeniería de software Eduardo Ferreira, Martín Solari 1 Temario Estimación Modelos paramétricos Proceso y ajuste de las estimaciones 2 Estimar: predecir valores de entidades y sus atributos que sean relevantes
Más detallesE77 - Gestión de Recursos de la Información. Tema 1 - Métricas del Proyecto de Software
E77 - Gestión de Recursos de la Información Tema 1 - Métricas del Proyecto de Software Medición y Métricas Proceso de IS Proyecto Recopilación de datos Medidas Producto Cálculo de métricas Métricas Evaluación
Más detallesÍndice general. Introducción... 23
Índice general Introducción... 23 Parte I. Inteligencia Artificial 1. Conocimiento y Razonamiento... 33 1.1. Introducción... 33 1.2. Representaciones proposicionales... 34 1.3. Representaciones estructuradas...
Más detalles5. Cuáles son las actividades primarias de la producción de software
1. La clasificación de los recursos humanos son dos: - Personal con experiencia - Personal nuevo sin experiencia (novatos) 2. Cual son las ventajas y desventajas sobre esta clasificación Las ventajas es
Más detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesUNIVERSIDAD DE GUADALAJARA
UNIVERSIDAD DE GUADALAJARA CENTRO UNIVERSITARIO DE LOS ALTOS DIVISIÓN DE ESTUDIOS EN FORMACIONES SOCIALES LICENCIATURA: INGENIERÍA EN COMPUTACIÓN UNIDAD DE APRENDIZAJE POR OBJETIVOS REDES NEURONALES ARTIFICIALES
Más detallesSistemas Inteligentes en Ingenieria. Antonio Morán, Ph.D.
Sistemas Inteligentes en Ingenieria Antonio Morán, Ph.D. El Ser Humano es Inteligente Tiene Capacidad Para: Aprender Razonar Intuir Mejorar Es Capaz de Trabajar en Forma Autónoma Diseño de Sistemas Inteligentes
Más detallesIngeniería de Software. Tema 2 ESTIMACION DE PROYECTOS SOFTWARE
UNT. INGENIERIA INDUSTRIAL Ingeniería de Software Tema 2 ESTIMACION DE PROYECTOS SOFTWARE Ing. Francisco Rodríguez Novoa Planificación de Proyectos: Estimación La gestión de proyectos de software comienza
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesCarrera Plan de Estudios Contacto
Carrera Plan de Estudios Contacto La función de un buen software es hacer que lo complejo aparente ser simple Grady Booch Linus Torvalds, creador del kernel Linux, dijo alguna vez La mayoría de los buenos
Más detallesCUESTIONARIO PREE-EXAMEN
CUESTIONARIO PREE-EXAMEN 1.- La clasificación de los recursos humanos son dos: Planificación de los recursos humanos: identificar y documentar los roles del proyecto, las responsabilidades y las relaciones
Más detallesAplicaciones de Técnicas de IA. Ana Lilia Laureano-Cruces UAM-A
Aplicaciones de Técnicas de IA Ana Lilia Laureano-Cruces UAM-A Casi todas las ciencias de ingeniería Comparten técnicas disponibles en el domino de IA. Mencionaremos algunas aplicaciones donde la IA juega
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesTecnologías de Inteligencia Artificial
Tecnologías de Inteligencia Artificial En la actualidad se han desarrollado importantes tecnologías de inteligencia artificial basadas en conjuntos borrosos y redes neuronales artificiales, cuyas potencialidades
Más detallesPlan 95 Adecuado. DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS.
Plan 95 Adecuado ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0488 DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO:
Más detallesAPLICACIONES DE NEGOCIO PARA INTELIGENCIA ARTIFICIAL. Copyright 2017 Accenture All rights reserved.
APLICACIONES DE NEGOCIO PARA INTELIGENCIA ARTIFICIAL AGENDA 01 QUÉ ES? 05 LECCIONES DE NEGOCIO 02 ÁREAS DE INVESTIGACIÓN 03 APLICACIONES 04 EJEMPLOS DE NEGOCIO 01. QUÉ ES?. TIPOS DE INTELIGENCIA Lingüística
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesIngeniero en Informática (BOE: )
Ingeniero en Informática (BOE: 2 11 2005) TITULACIONES Y PLANES DE ESTUDIO ESCUELA SUPERIOR DE INGENIERÍA C/ Sacramento, 86 11002 CADIZ Teléfono: 956 015134 Fax : 956 015101 Itinerario Curricular recomendado
Más detallesPROCESAMIENTO DIGITAL DE IMÁGENES
PROCESAMIENTO DIGITAL DE IMÁGENES 2 OBJETIVO GENERAL Familiarizarse con el análisis de imágenes a través de computadores, aprendiendo técnicas de procesamiento, utilizando la librería de programación OpenCV,
Más detallesDOBLE GRADO EN INGENIERÍA DEL SOFTWARE Y EN TECNOLOGÍAS PARA LA SOCIEDAD DE LA INFORMACIÓN (Código 61ST)
PRIMER CURSO 615000600 ANÁLISIS MATEMÁTICO 6 Bás 1º 615000601 FUNDAMENTOS DE COMPUTADORES 6 Bás 1º 615000602 FUNDAMENTOS DE PROGRAMACIÓN 6 Bás 1º 615000603 LÓGICA Y MATEMÁTICA DISCRETA 6 Bás 1º 615000605
Más detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACION SUPERIOR PROGRAMA SINTÉTICO
CARRERA: Ingeniería en Computación. PROGRAMA SINTÉTICO ASIGNATURA: Redes Neuronales SEMESTRE: Octavo OBJETIVO GENERAL: El alumno aplicará los modelos de las redes neuronales artificiales en sistemas de
Más detallesControl Neuro-Difuso Aplicado a una Grúa Torre. Chahuara Quispe, José Carlos. I. INTRODUCCIÓN
I. INTRODUCCIÓN El presente trabajo de tesis consiste en la automatización del funcionamiento de una Grúa utilizando técnicas Neuro-difusas. La Grúa es como la que se muestra en la figura 1.1, y es conocida
Más detallesInteligencia Artificial. Sistemas Expertos. Presentado por: Marcel Castro
Inteligencia Artificial Sistemas Expertos Presentado por: Marcel Castro Febrero 2002 Contenido SBC y SE. Definiciones. Antecedentes Características de los SE Arquitectura Métodos de desarrollo de SE. Herramientas,
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesLínea de Especialización Inteligencia Computacional y Robótica
Línea de Especialización Inteligencia Computacional y Robótica 1.- Propósito de la línea de especialización La Inteligencia Computacional agrupa la teoría, diseño y aplicación de métodos y técnicas biológica
Más detallesUNIVERSIDAD TECNOLOGICA DE LOS ANDES VICE RECTORADO ACADEMICO FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
FACULTAD DE INGENIERÍA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA I. INFORMACIÓN GENERAL SILABO 2016 1.1. Nombre de la asignatura SISTEMAS EXPERTOS 1.2. Código SI101 1.3. Año Calendario
Más detallesMetodología y Tecnología de la Programación. I.T. Informática de Gestión
ESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA PROGRAMAS, MÉTODOS Y CRITERIOS DE EVALUACIÓN A APLICAR DURANTE EL PROCESO DE EXTINCIÓN DEL PLAN 1999 Metodología y Tecnología de la Programación I.T. Informática
Más detallesASIGNATURA: INTELIGENCIA ARTIFICIAL
ASIGNATURA: INTELIGENCIA ARTIFICIAL Código: 33-505 Régimen: cuatrimestral Horas reloj semanales: 4 Horas teóricas: 26 Horas prácticas: 34 Carrera: Sistemas Año del programa: 2016 FUNDAMENTOS: La evolución
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detallesModelo Neuronal de Estimación para el Esfuerzo. de Desarrollo en Proyectos de Software (MONEPS)
Modelo Neuronal de Estimación para el Esfuerzo Mario G. Almache C, Geovanny Raura, Jenny A. Ruiz R., Efraín R. Fonseca C. Universidad de las Fuerzas Armadas ESPE Sangolquí, Ecuador mgalmache@espe.edu.ec
Más detallesInteligencia Artificial
Inteligencia Artificial Conjunto de técnicas que se aplican en el diseño de programas de computador para la resolución de problemas que por su dificultad requieren el uso de un cierto grado de inteligencia.
Más detallesSECUENCIA DIDÁCTICA. Nombre de curso: Inteligencia Artificial Clave de curso: COM2508C11
SECUENCIA DIDÁCTICA Nombre de curso: Inteligencia Artificial Clave de curso: COM2508C11 Antecedente: Ninguno Clave de antecedente: Ninguna Módulo Competencia de Módulo: Proponer y aplicar soluciones e
Más detallesSEMINARIO INTERNACIONAL: DISEÑO O DE UN MODELO DE EVALUACION TECNICO ECONÓMICA Y DE GESTION DE EMPRESAS TECNOLÓGICAS UNIVERSITARIAS
SEMINARIO INTERNACIONAL: DISEÑO O DE UN MODELO DE EVALUACION TECNICO ECONÓMICA Y DE GESTION DE EMPRESAS TECNOLÓGICAS UNIVERSITARIAS Curitiba Brasil Octubre 20 a 22 de 2004 CONSULTORIA Y SERVICIOS PONTIFICIA
Más detallesADMINISTRACIÓN DE PROYECTOS. Facultad de Estadística e Informática
ADMINISTRACIÓN DE PROYECTOS Bibliografía Pressman, R.S., Ingeniería del Software. Un enfoque práctico, quinta edición, 2002, España. Parte 2 Sommerville I., Ingeniería de Software, Addison-Wesley, 6ª.
Más detallesTipos Abstractos de Datos (TAD) Lección 1
Tipos Abstractos de Datos (TAD) Lección 1 Esquema Paradigmas de programación Definición de TAD Programación con TAD Ventajas de la programación con TAD Lectura recomendada: secciones 1.1 y 1.2 del libro
Más detallesUniversidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática
Universidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática Plan de Estudios 2008 (Modificado: Resolución VD-8687-2011)
Más detallesSoftware. Programa Paradigmas de programación Cómo se produce software Modelos de procesos Atributos del buen software
SOFTWARE Software Programa Paradigmas de programación Cómo se produce software Modelos de procesos Atributos del buen software Programa Representación de un programa Entrada Programa Salida Cómo son los
Más detallesTeoría de Base de Datos Ing. José J. Reyes. Definiciones
Definiciones 1 Base de Datos: Las Bases de Datos son el núcleo del sistema de información de cualquier empresa. La administración y gestión de las mismas constituye, por tanto, un trabajo muy importante
Más detallesconjunto de elementos que se interrelacionan para producir un resultado. Ejem. Sistema endocrino, óseo, sistema digestivo, sistema nervioso central.
QUÉ ES UN SISTEMA? Un sistema es un conjunto de elementos que se interrelacionan para producir un resultado. Ejem. Sistema endocrino, óseo, sistema digestivo, sistema nervioso central. SISTEMA DE INFORMACIÓN
Más detallesCAPITULO I... 1 INTRODUCCION ANTECEDENTES Y ORIGENES DE LA ROBOTICA LEYES PARA LA ROBOTICA... 4
C O N T E N I D O Prólogo... i CAPITULO I... 1 INTRODUCCION... 1 1.1. ANTECEDENTES Y ORIGENES DE LA ROBOTICA... 2 1.2. LEYES PARA LA ROBOTICA... 4 1.3. ARQUITECTURAS DE LOS ROBOTS... 5 1.3.1. POLIARTICULADOS...
Más detallesRECONOCIMIENTO DE CRÉDITOS
RECONOCIMIENTO DE CRÉDITOS 04/10/2016 Diplomaturas de la ETSISI ETSISI Página 1 TABLA DE RECONOCIMIENTO DE CRÉDITOS PARA LOS DIPLOMADOS EN INFORMÁTICA (PLAN 83) ESPECIALIDAD LÓGICOS Y FÍSICOS A GRADUADO
Más detallesTema 5: Gestión de Proyectos Software Estimación
escuela técnica superior de ingeniería informática Tema 5: Gestión de Proyectos Software Estimación Departamento de Lenguajes y Sistemas Informáticos Ingeniería del Software de Gestión III Índice Introducción
Más detallesARQUITECTURAS. Carlos Reveco D. IN73J Arquitectura, Diseño y Construcción de un Negocio con Apoyo TI.
ARQUITECTURAS 1 IN73J Arquitectura, Diseño y Construcción de un Negocio con Apoyo TI Carlos Reveco D. creveco@dcc.uchile.cl Arquitectura de una aplicación 2 Arquitectura: desarrolla un plan general del
Más detallesTema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision
Tema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision Procesos de desarrollo de SAD Hay dos formas de desarrollar SAD: Programar un SAD a medida: se puede emplear un lenguaje convencional como
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento I. A. Clásica Nuevos enfoques de la I. A. Agentes Inteligentes Aprendizaje Introducción Aprendizaje inductivo decisión Planteamiento conectivista.
Más detallesCOCOMO. Modelo constructivo de costes
COCOMO Modelo constructivo de costes QUE ES Es un modelo matemático para la estimación de costes. Incluye tres submodelos, cada uno ofrece un nivel de detalle y aproximación, cada vez mayor, a medida que
Más detallesEs un conjunto de palabras y símbolos que permiten al usuario generar comandos e instrucciones para que la computadora los ejecute.
Los problemas que se plantean en la vida diaria suelen ser resueltos mediante el uso de la capacidad intelectual y la habilidad manual del ser humano. La utilización de la computadora en la resolución
Más detallesPROGRAMACIÓN DE EXPERT ADVISORS
PROGRAMACIÓN DE EXPERT ADVISORS (TRADING ALGORÍTMICO) Quieres automatizar tus señales de entrada o de órdenes al mercado en tu MT4? A través del servicio de Programación de EA s (Trading Algorítmico) el
Más detallesLenguajes de Programación
Lenguajes de ción Bloque 1. Complemento a Tema 1 1. Historia 2. Paradigmas de programación 3. Fases creación de un programa 4. Traducción: compilación e interpretación 1ª Generación Ordenadores sólo entienden
Más detallesG: GRADOS PLAN 2014 (COMPUTADORES, SOFTWARE Y SISTEMAS DE INFORMACIÓN), C: COMPUTADORES (PLAN 2009), S: SOFTWARE (PLAN 2009)
PROGRAMACIÓN EÁMENES GRADOS CURSO 2015/16 EÁMENES CONVOCATORIA DE M1 9 a 12 12 a 15 15 a 18 18 a 21 2016 L M J V S D 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 DÍA TURNO M1 V 8 M1 LÓGICA Y MATEMÁTICA DISCRETA
Más detallesBloque/ Aula T1 ARQUITECTURA Y DISEÑO SOFTWARE (S3) 3101
EXÁMENES CONVOCATORIA DE 9 a 12 12 a 15 15 a 18 18 a 21 2017 9 10 11 12 13 14 15 16 17 18 19 20 21 22 FUNDAMENTOS DE LOS COMPUTADORES (G1)/ SISTEMAS DIGITALES (C1) L 9 INGLÉS MEDIO (G-OPT y CS-OPT) REDES
Más detallesAulas Pruebas de Evaluación Grados Ingeniería Informática, Ingeniería Informática + ADE y Matemáticas e Informática
Miércoles 27 de junio de 2018 105000013 Programación I 1º 9:00 167 105000352 Programación I 1º 9:00 3203 5 105000105 Programación I 1º 9:00 Bloque 3 aula 3202 24 105000141 Geometría Fractal 8º 9:00 0 105000048
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 detallesInteligencia Artificial II
Misión del Centro Universitario Somos un centro que forma parte de la Red Universitaria de la Universidad de Guadalajara. Como institución de educación superior pública asumimos el compromiso social de
Más detallesUNIVERSIDAD MAYOR DE SAN ANDRES FACULTAD DE CIENCIAS PURAS Y NATURALES CARRERA DE INFORMATICA
UNIVERSIDAD MAYOR DE SAN ANDRES FACULTAD DE CIENCIAS PURAS Y NATURALES CARRERA DE INFORMATICA PROYECTO DE GRADO SISTEMA DE COTIZACIONES Y REGISTRO DE MATERIALES QUIRURGICOS PARA OPTAR AL TITULO DE LICENCIATURA
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Más detallesDesde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria
3 Sistemas Expertos 3.1 Introducción Desde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria son la falta de personas capacitadas en campos muy específicos y el elevado
Más detallesPROYECTO DOCENTE ASIGNATURA "Sistemas multiagente e inteligencia distribuida"
PROYECTO DOCENTE ASIGNATURA "Sistemas multiagente e inteligencia distribuida" DATOS BÁSICOS DE LA ASIGNATURA Titulación: MASTER EN INGENIERIA DE COMPUTADORES Y REDES Asignatura: Sistemas multiagente e
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INGENIERÍA EN COMPUTACIÓN (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN OTROS REQUERIMIENTOS Álgebra (1100) 1 Geometría Analítica (1102) 1 Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de las Matemáticas sea similar
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesV https://www.google.com/analytics/resources/white-paper-mit-tr-analytics-machine-learning.html?utm_source=twitter&utm_medium=social-owned&utm_campaign=2016-q4-gbl-all-ga360-suite&utm_content=mit-whitepaper
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
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 detallesM.C. Mariano Larios G. 3 de diciembre de 2009
3 de diciembre de 2009 Tabla de criterios Criterios Porcentajes Exámenes 30 % Participación en clase Tareas 20 % Exposiciones 10 % Simulaciones Trabajos de investigación y/o de intervención Prácticas
Más detallesSISTEMAS DE INFORMACIÓN III TEORÍA
CONTENIDO: MANTENIMIENTO DE SISTEMAS TIPOS DE MANTENIMIENTO COSTO DEL MANTENIMIENTO GERENCIANDO EL MANTENIMIENTO LAS HERRAMIENTAS CASE Y EL CICLO DE VIDA LAS HERRAMIENTAS CASE Y SU ROL EN EL MANTENIMIENTO
Más detallesVICERRECTORADO DE INVESTIGACIÓN INNOVACIÓN Y TRANSFERENCIA DE TECNOLOGÍA
i VICERRECTORADO DE INVESTIGACIÓN INNOVACIÓN Y TRANSFERENCIA DE TECNOLOGÍA MAESTRÍA EN INGENIERÍA DE SOFTWARE II PROMOCIÓN TESIS DE GRADO MAESTRÍA EN INGENIERÍA DE SOFTWARE TEMA: MODELO NEURONAL PARA LA
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
Más detallesESPE UNIVERSIDAD DE LAS FUERZAS ARMADAS INNOVACIÓN PARA LA EXCELENCIA
ESPE UNIVERSIDAD DE LAS FUERZAS ARMADAS INNOVACIÓN PARA LA EXCELENCIA IMPLEMENTACIÓN DE UN SISTEMA WEB TRANSACCIONAL Y LOGÍSTICO PARA LA MICROEMPRESA CRÉDITOS KRISMAT, MEDIANTE LA UTILIZACIÓN DE LA PLATAFORMA
Más detallesUNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA INGENIERÍA DE SOFTWARE PROGRAMA DE LA ASIGNATURA INGENIERÍA DE SOFTWARE I
UNIVERSIDAD ABIERTA PARA ADULTOS UAPA CARRERA INGENIERÍA DE SOFTWARE PROGRAMA DE LA ASIGNATURA CLAVE: ISW-234; PRE REQ.: INF321 No. CRED.: 4 I. PRESENTACIÓN: INGENIERÍA DE SOFTWARE I Esta asignatura contiene
Más detallesINDICE Ciclo de Desarrollo de Sistemas de Información Índice Capítulo I. Desarrollo de Sistemas de Información Capitulo II.
INDICE Ciclo de Desarrollo de Sistemas de Información Índice Capítulo I. Desarrollo de Sistemas de Información 1. El desarrollo de Sistemas de Información 1 2. Cómo es el Ciclo de Desarrollo de los Sistemas
Más detallesCRONOGRAMA MODALIDAD A DISTANCIA
CRONOGRAMA MODALIDAD A DISTANCIA (BIENIO 2014-2015 / 2015-2016) SEGUIMIENTO CONDENSADO CONTENIDO OBJETO DE DESARROLLO MATERIALES 00 Ejercicio previo de traducción: traducción convencional vs. traducción
Más detallesEL MÉTODO DE LOS PUNTOS CASO DE USO (UCP)
EL MÉTODO DE LOS PUNTOS CASO DE USO (UCP) Mª Carmen García y Javier Garzás www.kybeleconsulting.com 1. INTRODUCCIÓN El método de Punto de Caso de Uso (UCP - Use Case Point), está basado en los tradicionales
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
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 detallesCARRERA DE INGENIERIA DE SISTEMAS
COMPUTACIÓN GRÁFICA CARRERA DE INGENIERIA DE SISTEMAS Act. Mayo 14 2013 ASIGNATURAS DE ÉNFASIS OFRECIDAS PARA LA CARRERA COMPUTACIÓN GRÁFICA 4189 Introducción a la Computación Gráfica 3 21801 Interacción
Más detallesSistemas Basados en Conocimiento
Introduccio n Representacio n Ingenierı a Ontologı as Ontologı a para Vio (INAOE) 1 / 47 Contenido Ingeniería s para Vio- 1 2 3 4 5 Ingeniería 6 s 7 para Vio- (INAOE) 2 / 47 Definición Ingeniería Un sistema
Más detallesPosibilidades de realización de Prácticas Profesionales Supervisadas. Proyectos del Polo IT La Plata
Posibilidades de realización de Prácticas Profesionales Supervisadas Proyectos del Polo IT La Plata QWERTY SOFT SRL 1 CELERATIVE 2 TENDTEC TENDENCIAS TECNOLOGICAS SRL 3 SNAPPLER 3 TECNOM 4 HEXACTA 5 NAN
Más detallesLICENCIATURA LICENCIATURA EN CIENCIAS DE LA COMPUTACIÓN PLAN: 2052 OPCIÓN: Horas Teo.
Hoja : 1 de 7 PROGRAMA: EN CIENCIAS DE LA COMPUTACIÓN PLAN: 2052 Clave Materia Tipo Créditos Horas Teo. Horas Lab. Eje Créditos Req. Materias Requisito 0119 ACTIVIDADES CULTURALES Y DEPORTIVAS OBL 4 0
Más detallesCRONOGRAMA SEGUIMIENTO A DISTANCIA
CRONOGRAMA SEGUIMIENTO A DISTANCIA (BIENIO - / -2017) MODALIDAD A TIEMPO PARCIAL (DOS AÑOS) MATERIALES 01 Ejercicio previo de traducción: traducción convencional vs. traducción aplicada a las nuevas tecnologías
Más detallesINGENIERÍA DE SOFTWARE. Sesión 1: Introducción a la ingeniería del software
INGENIERÍA DE SOFTWARE Sesión 1: Introducción a la ingeniería del software Contextualización Con el paso de los años, la tecnología ha avanzado y con ella el uso de los dispositivos y el software que utiliza
Más detalles