Evaluación e Integración de Toma de Decisiones en Sistemas de Recomendación. Autor: Rus María Mesas Jávega Tutor: Alejandro Bellogín Kouki
|
|
- Julián Fuentes Saavedra
- hace 5 años
- Vistas:
Transcripción
1 Evaluación e Integración de Toma de Decisiones en Sistemas de Recomendación Autor: Rus María Mesas Jávega Tutor: Alejandro Bellogín Kouki
2 Índice Introducción Estado del Arte Toma de Decisiones en Algoritmos de Recomendación Evaluación de Algoritmos que Toman Decisiones Experimentos y Resultados Conclusiones y Trabajo Futuro 2
3 1. Introducción - Motivación Interacciones Pasadas de los Usuarios Recomendaciones Sistema de Recomendación 3
4 1. Introducción - Hipótesis Es mejor no recomendar que fallar 4
5 1. Introducción - Objetivos 1 Introducir la toma de decisión en algoritmos de recomendación 2 Analizar cómo influye la toma de decisión en diferentes dimensiones 3 Estudiar cómo evaluar los nuevos sistemas y proponer nuevas métricas 5
6 2. Estado del Arte Sistemas de Recomendación Filtrado Colaborativo Basado en Contenido K Vecinos Próximos Factorización de Matrices Basado en Usuarios Variational Bayesian Híbridos 6
7 2. Estado del Arte Evaluación Eficiencia Robustez Precisión Confianza Cobertura Sistema de Recomendación Serendipia Diversidad Novedad 7
8 3. Toma de Decisión en Algoritmos de Recomendación Interacciones Estimaciones Pasadas de los Usuarios Estimaciones Sistema de Recomendación 8
9 3. Toma de Decisión en Algoritmos de Recomendación Taxonomía de Técnicas de Toma de Decisión Independiente del Modelo Según el Soporte de la Predicción Según la Incertidumbre de la Predicción KNN Basado en Usuarios KNN Basado en Usuarios Variational Bayesian 9
10 3. Toma de Decisión en Algoritmos de Recomendación Independiente del modelo IDEA: Recomendar ítem cuyo valor de rating sea mayor que un umbral Aplicable a cualquier algoritmo de recomendación Estimación 10
11 3. Toma de Decisión en Algoritmos de Recomendación Según el Soporte de la Predicción IDEA: Cuantas más opiniones se conocen sobre un ítem más confianza genera la estimación final Aplicable a KNN Estimación aplicando KNN basado en usuarios El ítem ha sido votado por al menos n de los k vecinos del usuario? 11
12 3. Toma de Decisión en Algoritmos de Recomendación Según la Incertidumbre IDEA: La desviación típica es sinónimo de incertidumbre. A mayor desviación típica mayor incertidumbre en la estimación y menor confianza en ella. Aplicable algoritmo que proporcionan fórmula para σ Estimación 12
13 3. Toma de Decisión en Algoritmos de Recomendación Según la Incertidumbre K Vecinos Próximos (KNN) Media Ponderada Variational Bayesian 13
14 4. Evaluación de Algoritmos que Toman Decisiones Precisión vs Cobertura HIPÓTESIS: Integración Toma de Decisión PRECISIÓN COBERTURA USC Toma de Decisión Lista 2,5 3,1 4, 5 4,5 3,1 3, 5 3,5 Usuario sin recomendación Usuario lista incompleta Usuario lista completa 4,1 2,1 3, 7 4,1 3,7
15 4. Evaluación de Algoritmos que Toman Decisiones HIPÓTESIS: Precisión vs Cobertura Integración Toma de Decisión PRECISIÓN COBERTURA USC Combinar y USC F-score: G-score: 15
16 4. Evaluación de Algoritmos que Toman Decisiones Métricas Correctness IDEA: Crear una métrica que premie no recomendar a fallar Para la lista de recomendación de cada usuario calculamos: P@N = TP/N NR/N P@N R@N 16
17 4. Evaluación de Algoritmos que Toman Decisiones Métricas Correctness IDEA: Aplicar la misma idea pero desde el punto de vista de ítem Para cada ítem calculamos: TP/ U NR/ U 17
18 5. Experimentos y Resultados - Implementación Implementación Algoritmos Modificaciones KNN Implementación completa y modificaciones Variational Bayesian RankSys Implementación Evaluación RankSys Rival 18
19 5. Experimentos y Resultados - Datasets Se han utilizado diferentes conjuntos de distintos dominios para poder obtener conclusiones consistentes de los algoritmos sin depender del conjunto que se haya usado Dataset Usuarios Ítems Ratings Densidad Rango ML100K ML1M Jester 943 1,7K 100K 1,33% [1, 5] 6,0K 3,9K 1M 4,26% [1, 5] 59,1K 150 1,7M 1,33% [-10, 10] 19
20 5. Experimentos y Resultados Experimentos realizados Independiente del Modelo Según el Soporte de la Predicción Según la Incertidumbre de la Predicción KNN Basado en Usuarios Variational Bayesian KNN Basado en Usuarios KNN Basado en Usuarios Variational Bayesian 20
21 5. Experimentos y Resultados Estimación Según la incertidumbre de la predicción Variational Bayesian Precisión vs Cobertura de Usuario 21
22 5. Experimentos y Resultados Según la incertidumbre de la predicción Variational Bayesian Detalle evaluación ML100K Mejora del 250% 22
23 5. Experimentos y Resultados Según la incertidumbre de la predicción Variational Bayesian Novedad y Diversidad 23
24 5. Experimentos y Resultados Según la incertidumbre de la predicción Variational Bayesian 24
25 K Vecinos Próximos Variational Bayesian 25
26 5. Experimentos y Resultados Según el soporte de la predicción (KNN) Estimación El ítem ha sido votado por al menos n de los k vecinos del usuario? Precisión vs Cobertura de Usuario 26
27 5. Experimentos y Resultados Según el soporte de la predicción (KNN) Mejora del 562% 27
28 5. Experimentos y Resultados Según el soporte de la predicción (KNN) Novedad y Diversidad 28
29 6. Conclusiones y Trabajo Futuro Propuesta de taxonomía de técnicas para incorporar la toma de decisión. Con mejoras en P@N de hasta el 560% disminuyendo cobertura, novedad y diversidad. Propuesta de cómo combinar P@10 y USC a través de métricas parametrizables. Creación de métricas Correctness: UC, RUC, IC y RIC. Métricas que premian no contestar frente a fallar y que no necesitan parametrización 29
30 6. Conclusiones y Trabajo Futuro Ampliar experimentos con nuevos datasets y métricas Estudiar nuevas formas de incorporar la toma de decisión en nuevos algoritmos de recomendación Estudiar cómo combinar otras métricas Realizar estudios con usuarios 30
31
32 4. Evaluación de Algoritmos que Toman Decisiones Métricas Correctness EJEMPLO
33 5. Experimentos y Resultados Independiente del modelo KNN Precisión vs Cobertura de Usuario
34 5. Experimentos y Resultados Independiente del modelo KNN 34
35 5. Experimentos y Resultados Independiente del modelo KNN Novedad y Diversidad 35
36 5. Experimentos y Resultados Independiente del modelo Variational Bayesian Precisión vs Cobertura de Usuario
37 5. Experimentos y Resultados Independiente del modelo Variational Bayesian
38 5. Experimentos y Resultados Independiente del modelo Variational Bayesian Novedad y Diversidad 38
39 5. Experimentos y Resultados Según la incertidumbre de la predicción KNN 39
40 5. Experimentos y Resultados Según la incertidumbre de la predicción KNN Mejora del 95% Mejora del 322% 40
41 5. Experimentos y Resultados Según la incertidumbre de la predicción KNN Novedad y Diversidad 41
EVALUACIÓN E INTEGRACIÓN DE TOMA DE DECISIONES EN SISTEMAS DE RECOMENDACIÓN
Universidad Autónoma de Madrid Escuela Politécnica Superior Trabajo de Fin de Máster EVALUACIÓN E INTEGRACIÓN DE TOMA DE DECISIONES EN SISTEMAS DE RECOMENDACIÓN Máster en Ingeniería Informática Rus María
Más detallesAprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo
2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado
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 detallesImplementación y Evaluación del algoritmo de sincronización RBS para redes inalámbricas de sensores
PROYECTO DE TESIS DE MAESTRÍA EN INGENÍERIA DE TELECOMUNICACIONES Implementación y Evaluación del algoritmo de sincronización RBS para redes inalámbricas de sensores Alumno: Seyed Mohammad Pakdaman Tutor:
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
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 detallesIIC Sistemas Recomendadores. Denis Parra Profesor Asistente, DCC, PUC CHile
Métricas de Evaluación IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile TOC En esta clase 1. Prediccion de Ratings: MAE, MSE, RMSE 2. Evaluacion via Precision-Recall 3.
Más detallesIntroducción a Aprendizaje no Supervisado
Introducción a Aprendizaje no Supervisado Felipe Suárez, Álvaro Riascos 25 de abril de 2017 2 / 33 Contenido 1. Motivación 2. k-medias Algoritmos Implementación 3. Definición 4. Motivación 5. Aproximación
Más detallesIIC Sistemas Recomendadores. Denis Parra Profesor Asistente, DCC, PUC CHile
Recomendador Slope One IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile TOC En esta clase 1. Resumen últimas clases 2. Recomendador Slope One 3. Ejemplo pequeño 2/14 Resumen
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesComputación distribuida e inteligencia computacional aplicadas a ciudades inteligentes
Computación distribuida e inteligencia computacional aplicadas a ciudades inteligentes Sergio Nesmachnow, Renzo Massobrio, Sebastián Baña Universidad de la República, Uruguay AGENDA Ciudades inteligentes
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesRecuperación de información desde diferentes perspectivas
Recuperación de información desde diferentes perspectivas Grupo de Ingeniería Telemática Facultad de Informática Universidade de A Coruña Diego Fernández, Víctor Carneiro, Francisco Novoa, Xacobe Macía
Más detallesIIC 3633 - Sistemas Recomendadores
Ranking & UB-CF IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 19 TOC En esta clase 1. Definición y un poco de Historia 2. Ranking No Personalizado 3. User-Based
Más detallesRecomendación de lugares para redes sociales basadas en ubicación
Universidad Nacional del Centro de la Provincia de Buenos Aires Facultad de Ciencias Exactas Recomendación de lugares para redes sociales basadas en ubicación Trabajo final de la carrera Ingeniería en
Más detallesTEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS
Procesado y Análisis de Datos Ambientales. Curso 2009-2010. José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS ÍNDICE Introducción. Selección de variables.
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Modelo 2018) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Modelo 208) Selectividad-Opción A Tiempo: 90 minutos 0 a a Problema (2 puntos) Se considera la matriz A = a 0 a a a 0 a) Determínese para qué valores
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 4, Opción B Reserva 1, Ejercicio 4, Opción B Reserva, Ejercicio
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniería en Electricidad y Computación
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Facultad de Ingeniería en Electricidad y Computación Análisis de Métricas de Similaridad Usadas en un Algoritmo de Filtro Colaborativo Basado en el Usuario Para
Más detalles3.6. Cómo identificar si una población es homógenea?
3.6. Cómo identificar si una población es homógenea? Muchas veces, en el estudio de un fenómeno físico, trabajamos con una población que parece homogénea a simple vista. Sin embargo, existen instrumentos
Más detallesMinería de datos. Unidad 2. El proceso KDD Evaluación, difusión y uso. M en I Sara Vera Noguez
Minería de datos Unidad 2. El proceso KDD Evaluación, difusión y uso M en I Sara Vera Noguez El proceso KDD Hernández, 2008 p.20 La parte iterativa Una vez obtenido el modelo se debe evaluar Si satisface
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:
Más detallesTRABAJO FIN DE GRADO
UNIVERSIDAD AUTONÓMA DE MADRID ESCUELA POLITÉCNICA SUPERIOR Grado en Ingeniería Informática TRABAJO FIN DE GRADO DESARROLLO DE UNA APLICACIÓN WEB PARA VISUALIZAR E INTERACTUAR CON RESULTADOS DE EVALUACIONES
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesLIM. Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo. Trabajo fin de Grado
Trabajo fin de Grado Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo Autor: Alejandro Vázquez Fraga Tutores: Miguel Ángel Naya Villaverde
Más detallesCURSO CORTO DE MONITOREO ESTRUCTURAL DICTADO POR CHARLES FARRAR Y MICHAEL TODD. EXPERTOS DE LOS ALAMOS DYNAMICS.
Chacabuco 1085, of. 502. Concepción, Chile. +56 41 269 7213, +56 9 9833 0367 contacto@lind.cl CURSO CORTO DE MONITOREO ESTRUCTURAL DICTADO POR CHARLES FARRAR Y MICHAEL TODD. EXPERTOS DE LOS ALAMOS DYNAMICS.
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2007) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2007) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Se considera el sistema lineal de ecuaciones, dependiente del parámetro
Más detallesESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF
ESTIMACIÓN N DE LA DISTANCIA RECORRIDA POR UN ROBOT MÓVIL M MEDIANTE LA UTILIZACIÓN N DE DESCRIPTORES SURF Autor: Juan Manuel Peraza Domínguez Tutor: Dr. Luis Moreno Lorente Noviembre de 2009 1 ÍNDICE
Más detallesTarea - Examen. No reaparece Sí reaparece Crema Crema
Tarea - Examen 1. Un juego consiste en elegir al azar una carta de una baraja de 52 cartas. Si esta carta es un corazón negro nos pagan 200 pesos y si es un diamante 100 pesos, pero en otro caso hemos
Más detallesAsesoramiento en la fijación de tipos de interés de operaciones de financiación intragrupo
Asesoramiento en la fijación de tipos de interés de operaciones de financiación intragrupo Índice 1. Metodología de fijación de tipos de interés intragrupo 2. Modelo de rating de Afi 3. Enfoque del asesoramiento
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesAutor: Manuel Martín Salvador Tutor: Juan Huete Guadix
Un sistema de recomendación para sitios de ocio de Andalucía Autor: Manuel Martín Salvador Tutor: Juan Huete Guadix Proyecto Fin de Carrera Ingeniería Informática Universidad de Granada Introducción: motivación
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesLOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR
LOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR Presentado por: Ing. ANDRES ALEJANDRO DIAZ TORO Director: Dr. Eduardo Caicedo Bravo Asesor: Dra. Lina María Paz GRUPO DE INVESTIGACION
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesTEMA 5 Estadística descriptiva. Análisis de datos
TEMA 5 Estadística descriptiva. Análisis de datos Florence Nightingale (1820-1910) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales 3.
Más detallesFILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES. Jesús López de la Cruz Grupo 10
FILTRO DE COLOR FUZZY BASADO EN EL HISTOGRAMA PARA LA RESTAURACIÓN DE IMÁGENES Jesús López de la Cruz Grupo 10 Problema Soluciones anteriores Algoritmo HFC Explicación visual Problema Tenemos una imagen
Más detallesA mis padres. A Paco y Eva.
A mis padres. A Paco y Eva. ÍNDICE 1. UNIDAD 1: Formas de contar. Números para contar... 9 1.1 Variaciones ordinarias... 9 1.2 Variaciones con repetición... 10 1.3 Permutaciones ordinarias... 11 1.4 Permutaciones
Más detallesSEGUNDO DE BACHILLERATO MATEMÁTICAS II
SEGUNDO DE BACHILLERATO MATEMÁTICAS II La asignatura Matemáticas II, de segundo de bachillerato, en una materia troncal de acuerdo con el Real Decreto 1105/2104, de 26 de diciembre, (BOE 3-I- 2015), por
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesLlamando: y = número de kg de B. La función objetivo a minimizar es: F (x, y) = 5x + 4y. con las restricciones: y 1,5x x 500 y 500 x + y 600 x 0 y 0
OPCIÓN A 1. Un producto se compone de la mezcla de otros dos A y B. Se tienen 500 kg de A y 500 kg de B. En la mezcla, el peso de B debe ser menor o igual que 1,5 veces el de A. Para satisfacer la demanda,
Más detallesInfluencia de los subcentros de empleo en los valores urbanos: Un análisis de la Región Metropolitana de Barcelona
Tesis de Máster M Oficial en Gestión n y Valoración n Urbana Influencia de los subcentros de empleo en los valores urbanos: Un análisis de la Región Metropolitana de Barcelona Estudiante: Carlos Aguirre
Más detallesSegmentación de películas: el dataset Movielens. Pedro Concejero Mayo 2015 grupo R madrid
Segmentación de películas: el dataset Movielens Pedro Concejero Mayo 2015 grupo R madrid http://madrid.r-es.org/ El premio Netflix 2006-2009 http://www.netflixprize.com/community/viewtopic.php?id=1537
Más detallesLA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO. Introducción 1
LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO ÍNDICE CONCEPTO Página Introducción 1 I Generalidades... 3 I.1 Definiciones de Estadística... 4 I.2 Diferentes clases de Estadística... 8 II La Estadística
Más detallesR E S O L U C I Ó N. σ σ a) El intervalo de confianza de la media poblacional viene dado por: IC.. µ zα, µ+ zα
En una población una variable aleatoria sigue una ley Normal de media desconocida y desviación típica. a) Observada una muestra de tamaño 400, tomada al azar, se ha obtenido una media muestral igual a
Más detallesEstudio comparativo de algoritmos disponibles en ITK para la segmentación de imágenes médicas Aplicación al caso particular de la aurícula izquierda
Estudio comparativo de algoritmos disponibles en ITK para la segmentación de imágenes médicas Aplicación al caso particular de la aurícula izquierda Autor Joaquín Panduro Cívico Tutora Carmen Serrano Gotarredona
Más detallesRegresión lineal múltiple multivariante. Regresión no lineal. Métodos especiales de regresión.
GUÍA DOCENTE DE LA ASIGNATURA MÉTODOS DE REGRESIÓN 1. Descriptores de la asignatura: Regresión lineal múltiple multivariante. Regresión no lineal. Métodos especiales de regresión. 2. Situación de la asignatura.
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
MATRIZ DE ESPECIFICACIONES DE LA ASIGNATURA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II BLOQUES DE CONTENIDO PORCENTAJE ASIGNADO AL BLOQUE ESTÁNDARES DE APRENDIZAJE Bloque 1. Procesos, métodos
Más detallesPage 1 of 5 Departamento: Dpto Matematica Nombre del curso: PROBABILIDAD Y ESTADÍSTICA Clave: 003872 Academia a la que pertenece: Probabilidad y Estadística Requisitos: Requisito de Probabilidad y Estad
Más detallesVALIDEZ DE LAS I FERE CIAS (Tema 6) Medición de variables psicológicas: mediante conductas (indicadores del constructo a medir)
VALIDEZ DE LA I FERE CIA (Tema 6) Medición de variables psicológicas: mediante conductas (indicadores del constructo a medir) (Con la medida obtenida en los indicadores obtendremos la medida en el constructo
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesEXAMEN DE ESTADISTICA. 3 o DE CCAA. 6 DE SEPTIEMBRE DE 2004.
EXAMEN DE ESTADISTICA. 3 o DE CCAA. 6 DE SEPTIEMBRE DE 2004. Apellidos y nombre: NOTAS: Cada ejercicio debe realizarse en la hoja correspondiente. En todos los ejercicios se deben indicar todas las operaciones.
Más detalles[1,75 PUNTOS] Considerando la matriz A del apartado anterior con a = 1, resuelve la ecuación C. 6 si x 1
MATEMÁTICAS CCSS º DE BACHILLERATO 014 OPCIÓN DE EXAMEN Nº 1 Ejercicio 1 [,5 PUNTOS] A. [1,75 PUNTOS] Determina para qué valores de a la matriz 1 A 5 a 1 1 a no tiene inversa. [1,75 PUNTOS] Considerando
Más detallesAplicación de Apache Spark y su librería MLlib para el desarrollo de sistemas recomendadores
Aplicación de Apache Spark y su librería MLlib para el desarrollo de sistemas recomendadores Enrique Costa-Montenegro1, Alexander Tsybanev1, Héctor Cerezo-Costas2, Francisco Javier González-Castaño 1,
Más detallesIIC Sistemas Recomendadores
Filtrado Basado en Contenido II IIC 3633 - Sistemas Recomendadores Denis Parra Profesor Asistente, DCC, PUC CHile Page 1 of 22 TOC En esta clase 1. Representación y Aprendizaje del Modelo de Usuario 1.
Más detallesArboles de decisión. Area de Computación e Inteligencia Artificial
Arboles de decisión 1 Teoría de la decisión Hemos estudiado las redes bayesianas como instrumento para el diagnóstico en presencia de incertidumbre. La idea ahora es aprovechas ese diagnóstico para decidir
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesPosicionamiento indoor con señales de WiFi
Posicionamiento indoor con señales de WiFi Claudio Avallone, Germán Capdehourat Tratamiento Estadístico de Señales Curso 2010 Outline 1 Introducción 2 Estimación de la posición basada en huellas 3 Escenario
Más detallesCI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesxn, y a su vez existen variables que no son determinadas o incontrolables z1, z2 zn.
CAPÍTULO 4 CONSIDERACIONES PARA EL DISEÑO DE EXPERIMENTOS Todos los investigadores realizan experimentos en todos los campos del saber con el objetivo de descubrir algo acerca de un proceso. Un experimento
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesTema 5: Muestreo sistemático
Tema 5: Muestreo sistemático Contenido 1- Definición, Ventajas Desventajas, Variantes del muestreo sistemático, selección de una muestra sistemática. - Muestreo sistemático como Estratificado o Conglomerado
Más detallesHerramientas estadísticas aplicadas a la validación de métodos analíticos.
Herramientas estadísticas aplicadas a la validación de métodos analíticos. Analítica Experimental III P. en F. Romero Martínez Marisol Revisión: Dra. Silvia Citlalli Gama González Analítica Experimental
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesINCERTIDUMBRE DE LA MEDIDA
INCERTIDUMBRE DE LA MEDIDA 22 de septiembre de 2017 1. Resultado de la mediciòn 2. Definiciones 3. Por qué se debe estimar la incertidumbre 3. Modelo matemático 4. Valor mejor estimado 5. Dos métodos de
Más detalles4.1 Introducción al filtrado adaptativo
41 Introducción al filtrado adaptativo El problema del filtrado Clases básicas de estimación Filtrado adaptativo Estructuras de filtrado lineal Algoritmos Criterios para la elección del filtro adaptativo
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesR E S O L U C I Ó N. a) La distribución de las medias muestrales es: N µ, = N 17 '4, = Como el nivel de confianza es del 95%, podemos calcular.
En una muestra aleatoria de 56 individuos se ha obtenido una edad media de 17 4 años. Se sabe que la desviación típica de la población normal de la que procede esa muestra es de años. a) Obtenga un intervalo
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesModelos para la estimación bayesiana
Capítulo 4 Modelos para la estimación bayesiana El paradigma de estimación bayesiana para los robots móviles se basa en la definición probabilística de un modelo del entorno, un modelo de observación y
Más detallesORGANIZACIÓN, IMPLEMENTACIÓN Y CONTROL DE MARKETING. Omar Maguiña Rivero
ORGANIZACIÓN, IMPLEMENTACIÓN Y CONTROL DE MARKETING 1 OBJETIVOS ESPECIFICOS Explicar la importancia de seguir un proceso adecuado de marketing internacional. 2 CONTENIDOS 1. Estructura Organizacional y
Más detallesUniversidad Autónoma del Estado de México Unidad Académica Profesional Tianguistenco Licenciatura en Ingeniería de Software
Unidad Académica Profesional Tianguistenco Guía de evaluación del aprendizaje: Arquitectura de software Elaboró: LSCA Carlos Alberto García Acevedo Fecha: 30/enero/2015 Fecha de aprobación H. Consejo académico
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 6
Planificaciones 8103 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 6 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 5
Planificaciones 6106 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 5 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesJesús García Herrero TÉCNICAS CLÁSICAS DE ANÁLISIS DE DATOS
Jesús García Herrero TÉCNICAS CLÁSICAS DE ANÁLISIS DE DATOS En esta clase se presentan los primeros algoritmos Análisis de Datos para abordar tareas de aprendizaje de modelos descriptivos y predictivos.
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detalles