TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
|
|
- María Luz Belén Quintana Toro
- hace 8 años
- Vistas:
Transcripción
1 TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez
2 * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando: + + todos los recursos de información disponibles el uso de herramientas analíticas y de síntesis con capacidad de transformar la información en conocimiento se centra en generar a partir de estos, conocimiento que contribuya con la toma de decisiones de gestión y generación de planes estratégicos en las organizaciones. La explotación de Información es la sub-disciplina Informática que aporta a la Inteligencia de Negocio las herramientas (procesos y tecnologías) para la transformación de información en conocimiento La explotación de información basada en tecnologias de sistemas inteligentes se refiere a la aplicación de métodos de sistemas inteligentes, para descubrir y enumerar patrones de conocimiento presentes en la información.
3 QUÉ ES UN PATRON DE CONOCIMIENTO? INFORMACION
4 QUÉ ES UN PATRON DE CONOCIMIENTO? ESTADISTICA: Marco Conceptual
5 QUÉ ES UN PATRON DE CONOCIMIENTO? ESTADISTICA: Patrón a priori 1
6 QUÉ ES UN PATRON DE CONOCIMIENTO? ESTADISTICA: Patrón a priori 2
7 QUÉ ES UN PATRON DE CONOCIMIENTO? EXPLOTACION DE INFORMACION (sin patrón a priori)
8 PROCESOS DE EXPLOTACION DE INFORMACION * * PROCESOS UNITARIOS: + Predicción + Agrupamiento + Inducción + Ponderación PROCESOS COMBINADOS: + + Agrupamiento + Inducción Inducción + Ponderación + Agrupamiento + Ponderación
9 TECNOLOGIAS DE SISTEMAS INTELIGENTES CONSIDERADAS * * * * REDES BP REDES SOM ALGORITMOS TDIDT REDES BAYESIANAS
10 CORRESPONDENCIA ENTRE PROCESOS DE EXPLOTACION DE INFORMACION Y TECNOLOGIAS INTELIGENTES PROCESOS Predicción Agrupamiento Inducción Ponderación Agrupamiento + Inducción Inducción + Ponderación Agrupamiento + Ponderación TECNOLOGIAS Redes BP Redes SOM Algoritmos TDIDT Redes Bayesianas SOM + TDIDT TDIDT + Redes Bayesianas SOM + Redes Bayesianas
11 EXPLOTACION DE INFORMACION VS ESTADISTICA Visión Complementaria ESTADISTICA PATRONES INFORMACION PATRONES PROCESOS CONFIRMA / REFUTA / AJUSTA PATRONES SUPUESTOS EXPLOTACION DE INFORMACION
12 REVISION REDES NEURONALES Neurona biológica Neurona artificial
13 REVISION REDES BP Arquitectura Básica CONEXIONES ENTRE NEURONAS PATRON DE ENTRADA PATRON DE SALIDA NEURONAS DE SALIDA NEURONAS DE ENTRADA NEURONAS OCULTAS
14 REVISION REDES BP Presentación intuitiva del proceso de entrenamiento Patrones de Entrenamiento Patrones de Consulta Entrada Patrones de Salida
15 REVISION REDES BP Presentación intuitiva del proceso de entrenamiento f(x 1,...,X n ) = (Y 1,...,Y m ) relación conocida f relación desconocida f(x 1,...,X n ) = (Y 1,...,Y m ) Suponemos que existe una función f entre X e Y Sabemos que (patrones de entrenamiento): f(x 1,...,X n ) = (Y 1,...,Y m ) Con la BP entrenada podremos saber (para patrones de entrada desconocidos): f(x 1,...,X n ) = (Y 1,...,Y m )
16 REVISION REDES SOM Fundamentos Este modelo trata de establecer una correspondencia entre los datos de entrada y un espacio bidimensional, creando mapas topológicos, de manera que datos similares activen neuronas en zonas próximas. Produce una partición (clasificación) de un conjunto de registros ingresados (partición desconocida apriori ) en subconjuntos de registros con caracteristicas similares (clusters). Cada vez que se presenta una registro de entrada, las neuronas compiten y una se define como la ganadora (Best Matching Unit). Los pesos de la BMU se actualizan y también los de las neuronas vecinas de manera más atenuada a través de una función de vecindario o Kernel. Los registros deben tener un grado de redundancia elevado para que la SOM pueda realizar su clasificación.
17 REVISION REDES SOM Arquitectura Básica Cada una de las N neuronas de entrada se conecta a las M de salida a través de conexiones hacia adelante (feedfoward). Entre las neuronas de la capa de salida, existen conexiones laterales de inhibición (peso negativo) implícitas Aunque no estén conectadas cada una de las neuronas va a tener cierta influencia sobre sus vecinas. El valor que se asigne a los pesos de las conexiones hacia adelante entre las capas de entrada y salida durante el proceso de aprendizaje de la red va a depender precisamente de esta interacción lateral.
18 REVISION REDES SOM Presentación intuitiva del proceso de agrupamiento SOM
19 ALGORITMOS TDIDT Fundamentos La familia TDIDT (Top Down Induction Trees) pertenece a los métodos inductivos del Aprendizaje Automático que aprenden a partir de ejemplos preclasificados. Valor a Atributo 1 Valor c Dado un conjunto que contiene ejemplos pertenecientes a distintas clases, se realiza una prueba sobre los distintos atributos y se realiza una partición según el mejor atributo. Valor x Atributo 3 Atributo2 Valor y Clase 1 Valor z Clase 2 Valor k Atributo 2 Atributo 4 Valor l Clase 1 Para encontrar el mejor atributo, se utiliza la teoría de la información, determinando que atributo aporta mayor ganacia (o menor perdida de informacion) al tomar un determinado valor. Valor m Clase 3 Valor n Clase 1 Valor x Clase 2 Valor y Clase 4 Valor z Clase 1 TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez
20 ALGORITMOS TDIDT Presentación intuitiva del proceso de inducción Dolor de pecho de angor Irradiación del angor Angor en relación Duración del angor Antigüedad del angor Respuesta vasodilatadora Infarto agudo de miocardio Típico Con esfuerzo Menos de 30 Reciente Positivo Atípico En reposo Más de 30 Más de 1 mes Negativo Ausente En reposo Menos de 30 Más de 1 mes Negativo Atípico En reposo Menos de 30 Reciente Positivo Típico En reposo Menos de 30 Más de 1 mes Negativo Típico Con esfuerzo Más de 30 Reciente Positivo Atípico En reposo Más de 30 Reciente Negativo Típico Con esfuerzo Menos de 30 Reciente Negativo Atípico Con esfuerzo Menos de 30 Reciente Negativo Típico En reposo Más de 30 Más de 1 mes Positivo Ausente En reposo Menos de 30 Más de 1 mes Negativo Típico En reposo Menos de 30 Reciente Negativo Ausente Con esfuerzo Más de 30 Reciente Positivo Típico En reposo Más de 30 Más de 1 mes Positivo Típico En reposo Menos de 30 Reciente Negativo Típico Con esfuerzo Menos de 30 Más de 1 mes Negativo TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez
21 ALGORITMOS TDIDT Presentación intuitiva del proceso de inducción Angor en relación Antigüedad del angor Duración del angor Más de 30 Menos de 30 Dolor de pecho de angor (Infarto de miocardio) Típico Ausente Atípico (Infarto de miocardio) (Infarto de miocardio) Respuesta vasodilatadora Negativo Positivo Irradiación del angor (Infarto de miocardio) (Infarto de miocardio) (Infarto de miocardio) TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez
22 ALGORITMOS TDIDT Construcción de reglas Estoy Estoy yendo Acción Cantidad a dieta? de de al gimnasio? calorías = Alta Baja = Alta Entonces Alta Y estoy Sí a a dieta Sí = = Sí comerlo Alta Sí comerlo Entonces YComerlo estoy yendo al gimnasio = Sí Alta Sí Comerlo Entonces comerlo Alta Comer la Comerlo la mitad mitad Cantidad de calorías Reglas Baja Sí Sí Comerlo Baja Sí Comerlo Baja Sí Comerlo Baja Comerlo TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez
23 ALGORITMOS TDIDT Construcción de reglas Cantidad de calorías = Alta Y estoy a dieta = Sí Entonces comerlo Cantidad de calorías = Alta Y estoy a dieta = Y estoy yendo al gimnasio = Entonces Comerlo la mitad Cantidad de calorías = Alta Y estoy a dieta = Y estoy yendo al gimnasio = Sí Entonces Comerlo Cantidad de calorías = Baja Entonces Comerlo TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez
24 REVISION REDES BAYESIANAS Fundamentos Gentileza: Ing. Pablo Felgaer Una red bayesiana es: Grafo acíclico dirigido dos representan variables Arcos representan dependencias probabilísticas Causa Efecto Probabilidad condicional Ladrón 30% 70% Ladrón Ladrón Terremoto Alarma Alarma 99% 91% 1% 9% Terremoto Terremoto 76% 15% 24% 85% 10% 90%
25 REVISION REDES BAYESIANAS Generación Gentileza: Ing. Pablo Felgaer Aprendizaje estructural Relaciones de dependencia e independencia Aprendizaje paramétrico Probabilidad a priori y condicionales Proceso de inferencia Predicciones a partir de observaciones
26 REVISION REDES BAYESIANAS Aprendizaje estructural Gentileza: Ing. Pablo Felgaer
27 REVISION REDES BAYESIANAS Aprendizaje paramétrico Gentileza: Ing. Pablo Felgaer Visitó Asia Fumador Tuberculosis Cáncer de pulmón Bronquitis Tuberculosis o Cáncer Bronquitis Disnea Presente Ausente Tuberculosis o Cáncer Verdadero Verdadero Presente Ausente 90% 70% 10% 30% Falso Presente 80% 20% Falso Ausente 10% 90% Radiografías Disnea
28 REVISION REDES BAYESIANAS Proceso de inferencia Gentileza: Ing. Pablo Felgaer Visitó 1,0% visitó 99,0% Visitó Asia Visitó Asia Fumador 50,0% fumador 50,0% Fumador Fumador Presente 1,0% Tuberculosis Cáncer de pulmón Bronquitis Tuberculosis Presente Cáncer 5,5% de pulmón Presente Bronquitis 45,0% Ausente 99,0% Ausente 94,5% Ausente 55,0% Tuberculosis o Cáncer de pulmón Tuberculosis o Cáncer Verdadero 6,5% Falso 93,5% Anormal 11,0% rmal 89,0% Radiografías Radiografías Presente 43,5% Ausente 56,5% Disnea Disnea
29 REVISION REDES BAYESIANAS Proceso de inferencia Gentileza: Ing. Pablo Felgaer Visitó 100% 1,0% visitó 99,0% Visitó Asia Visitó Asia Fumador 50,0% fumador 50,0% Fumador Fumador Presente 1,0% 5,0% Tuberculosis Cáncer de pulmón Bronquitis Tuberculosis PresenteCáncer 5,5% de pulmón Presente Bronquitis 45,0% Ausente 99,0% 95,0% Ausente 94,5% Ausente 55,0% Tuberculosis o Cáncer de pulmón Tuberculosis o Cáncer Verdadero 10,2% 6,5% Falso 93,5% 89,8% Radiografías Radiografías Anormal 11,0% 14,5% rmal 89,0% 85,5% Presente 43,5% 45,0% Ausente 56,5% 55,0% Disnea Disnea
30 REVISION REDES BAYESIANAS Proceso de inferencia Gentileza: Ing. Pablo Felgaer Visitó Asia Visitó 100% visitó 0% Fumador Fumador 50,0% 100% fumador 50,0% 0% Tuberculosis Presente 5,0% Ausente 95,0% Cáncer de pulmón Presente 10,0% 5,5% Ausente 94,5% 90,0% Bronquitis Presente 45,0% 60,0% Ausente 55,0% 40,0% Tuberculosis o Cáncer de pulmón Verdadero 10,2% 14,5% Falso 89,8% 85,5% Radiografías Anormal 14,5% 18,5% rmal 85,5% 81,5% Disnea Presente 45,0% 56,4% Ausente 55,0% 43,6%
31 REVISION REDES BAYESIANAS Proceso de inferencia Gentileza: Ing. Pablo Felgaer Visitó Asia Visitó 100% visitó 0% Fumador Fumador 100% fumador 0% Tuberculosis Presente 5,0% 0,1% Ausente 95,0% 99,9% Cáncer de pulmón Presente 10,0% 0,2% Ausente 90,0% 99,8% Bronquitis Presente 60,0% Ausente 40,0% Tuberculosis o Cáncer de pulmón Verdadero 14,5% 0,4% Falso 85,5% 99,6% Radiografías Anormal 18,5% 0% rmal 81,5% 100% Disnea Presente 56,4% 52,1% Ausente 43,6% 47,9%
32 REVISION REDES BAYESIANAS Proceso de inferencia Gentileza: Ing. Pablo Felgaer Visitó Asia Visitó 100% visitó 0% Fumador Fumador 100% fumador 0% Tuberculosis Presente 0,1% 0,2% Ausente 99,9% 99,8% Cáncer de pulmón Presente 0,2% 0,4% Ausente 99,8% 99,6% Bronquitis Presente 60,0% 92,2% Ausente 40,0% 7,8% Tuberculosis o Cáncer de pulmón Verdadero 0,4% 0,6% Falso 99,6% 99,4% Radiografías Anormal 0% rmal 100% Disnea Presente 52,1% 100% Ausente 47,9% 0%
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador INTRODUCCIÓN El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre
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 detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN PROCESOS Y CASOS DE ESTUDIO CURSO DE DOCTORADO Dr. Ramón García-Martínez CORRESPONDENCIA ENTRE PROCESOS DE EXPLOTACION DE INFORMACION, TECNOLOGIAS
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
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 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 detallesInteligencia Computacional II Mapas auto-organizados
Inteligencia Computacional II Mapas auto-organizados Dra. Ma. del Pilar Gómez Gil Ciencias Computacionales, INAOE pgomez@inaoep.mx Versión: 17-Junio-2015 (c) P. Gómez Gil. INAOE 2015 1 Auto-Organización
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 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 detallesTópicos Avanzados: Inteligencia Computacional I
Tópicos Avanzados: Inteligencia Computacional I V: 17-Ene-18 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2018 pgomez@inaoep.mx (c) 2018. P. Gómez-Gil,
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 detallesRedes Neuronales Artificiales
Adaline-Madaline Utilizan un aprendizaje OFF LINE con supervisión denominado LMS (Least Mean Squared) o regla del mínimo error cuadrático medio (Widrow). También denominado Regla Delta. El aprendizaje
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 detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
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 detallesOBJETIVO INTRODUCCIÓN
Fecha: 1 de julio 2015 Tema: Red Kohonen OBJETIVO El objetivo de este tipo de red es conocer su historia, arquitectura, el aprendizaje, algoritmo, limitaciones y de cómo funciona. INTRODUCCIÓN Desde un
Más detallesRedes Neuronales. Elementos básicos de las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Elementos básicos de las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 4
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Eercicios para Evaluación: Tema 4 1. Indique características del aprendizae no supervisado que no aparezcan en el
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 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 detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
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 detallesSelf Organizing Maps. Self Organizing Maps. SOM/KOHONEN Network Mapas Auto-organizativos. Estructura de la Red. Estructura de la Red
SOM/KOHONEN Network Mapas Auto-organizativos Capitulo 6 Análisis Inteligente de datos Self Organizing Maps La red SOM es creada por Teuvo Kohonen en la década de los 8, rápidamente paso a ser una de las
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 detallesAprendizaje no supervisado: Mapas Auto-organizados SOM - Inspiración y objetivos - Aprendizaje - Ejemplo y aplicaciones
índice Aprendizaje no supervisado: Mapas Auto-organizados SOM - Inspiración y objetivos - Aprendizaje - Ejemplo y aplicaciones 1 RNA No supervisadas: Mapas Auto-Organizados (SOM) Puntos cercanos en el
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesVisión de Alto Nivel. Dr. Luis Enrique Sucar INAOE. ccc.inaoep.mx/~esucar Sesión 5 Representación y Reconocimiento
Visión de Alto Nivel Dr. Luis Enrique Sucar INAOE esucar@inaoep.mx ccc.inaoep.mx/~esucar Sesión 5 Representación y Reconocimiento 1 Visión de Alto Nivel orillas Representación del mundo textura color Descripción
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 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 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 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 detallesClasificación estadística de patrones
Clasificación estadística de patrones Clasificador gaussiano César Martínez cmartinez _at_ fich.unl.edu.ar Tópicos Selectos en Aprendizaje Maquinal Doctorado en Ingeniería, FICH-UNL 19 de setiembre de
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 detallesWind power forecasting for the Villonaco wind farm using AI techniques
Wind power forecasting for the Villonaco wind farm using AI techniques A. Reyes 1, P. H. Ibargüengoytia 1, J. Diego Jijón 2, Tania Guerrero 2, Uriel García 1, and M. Borunda 3 1. Instituto Nacional de
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 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 detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesRepresentación del Conocimiento Otros formalismos. Licenciatura en Ciencias de la Computación. Introducción a la Inteligencia Artificial.
Representación del Conocimiento Otros formalismos Licenciatura en Ciencias de la Computación. Introducción a la Inteligencia Artificial. Conocimiento Definición El conocimiento es una mezcla de experiencia,
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 Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más 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 detallesInteligencia Artificial
Inteligencia Artificial Conocimiento y razonamiento 4. Otras representaciones de conocimiento Dr. Edgard Iván Benítez Guerrero 1 Representación del conocimiento La inteligencia de un agente radica principalmente
Más detallesCLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)
CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE
Más 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 detallesIntroducción al Aprendizaje de Máquina II
Depto. de Ing. de Sistemas e Industrial Universidad Nacional de Colombia, Bogotá 12 de febrero de 2007 Contenido Patrones y Generalización 1 Patrones y Generalización Generalización a partir de ejemplos
Más detallesXV Workshop de Investigadores en Ciencias de la Computación 2013
XV Workshop de Investigadores en Ciencias de la Computación 2013 ISBN: 9789872817961 Facultad de Ciencia y Tecnologí a Universidad Auto noma de Entre Rí os (UADER) WICC 2013 El Workshop de Investigadores
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 detallesSeminario Aplicaciones de las Redes Neuronales (WebSOM)
Seminario Aplicaciones de las Redes Neuronales (WebSOM) Inteligencia Artificial 5 o Informática IA curso 2012-2013 CCIA Noviembre 2012 IA 1213 (CCIA) Seminario WebSOM Noviembre-2012 1 / 12 Usos de los
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 detallesApellidos:... Nombre:...
Ejercicio 1 (1.5 puntos): Cuestiones Contestar a las siguientes preguntas de manera clara y concisa, usando el espacio en blanco que se deja a continuación: 1. Qué es un unificador de dos átomos? Describir
Más detallesSistema Automático de Reconocimiento Fonético
PROYECTO FIN DE CARRERA para la obtención del título de Ingeniero Industrial Sistema Automático de Reconocimiento Fonético Alumno: Francisco José Cadaval Arrola Tutor: Dr. J. Ramiro Martínez de Dios Departamento
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
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 detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
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 detallesRazonamiento probabilístico y redes bayesianas
Razonamiento probabilístico y redes bayesianas Clasificador bayesiano Representación y semántica de las RB Blanca A. Vargas Govea vargasgovea@itesm.mx Octubre 12, 2012 Correcciones al ejercicio de clase
Más detallesC Tópicos Avanzados: Tópico Redes Neuronales Redes Artificiales Neuronales Mapas Auto-Organizados Dra. Pilar Gómez Dra. Gil
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Mapas Auto-Organizados Dra. Pilar Gómez Gil Coordinación de Computación Modified: 26-03-12 INAOE 1 Auto-Organización Capacidad de adaptación
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 detallesClasificación. Clasificadores Bayesianos
Clasificación Clasificadores Bayesianos Clasificadores Bayesianos Modela relaciones probabilisticas entre el conjunto de atributos y el atributo clase Probabilidad condicional: probabilidad de que una
Más detallesIntroducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesIntroducción a las Redes de Neuronas
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 1 Introducción a las Redes de Neuronas Introducción a las Redes de Neuronas 1 Introducción a las Redes de Neuronas Introducción
Más detallesCapítulo 2. Metodología empleada Redes Neuronales Introducción
Capítulo 2 Metodología empleada En este capítulo se presenta la definición formal de las Redes de Neuronas artificiales, más adelante se presentan los diferentes paradigmas de aprendizaje. La información
Más detallesGeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh.
GeNie: entorno de desarrollo para la construcción de modelos gráficos de decisión Decision Systems Laboratory, University of Pittsburgh GeNie Modelos Gráficos Probabilísticos Modelos Gráficos: teoría de
Más detallesRedes Neuronales Artificiales
Estructuras de las Los aspectos más característicos de las estructuras son: la conexión, el tamaño y la elección entre ACON y OCON. Dos posibles tipos de arquitectura son: All-Class-in-One-Network (ACON),
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 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 detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
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 detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesTeoría de probabilidades
Modelos Probabilistas Teoría de probabilidades Teoría de probabilidades Definiremos como probabilidad a priori (P(a)) asociada a una proposición como el grado de creencia en ella a falta de otra información
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 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 detallesAplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú
Aplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú Vladimir Cáceres Salazar Innovaciones Tecnológicas S.A.C. 1 Agenda 1. Introducción 2. Marco teórico 3. Metodología
Más detallesTema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
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 detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Redes Bayesianas: Parte I Introducción Representación Inferencia Propagación
Más detalles(V2.0) SILABO CS261T.
Sociedad Peruana de Computación Facultad de Computación Programa Profesional de (Ciencia de la Computación) (V2.0) SILABO CS261T. Inteligencia Artificial (Obligatorio) 2010-1 0. DATOS GENERALES 0.1 CARRERA
Más detallesDetección Multiusuario para DS-CDMA basado en SVM
9 Otra técnica basada en el aprendizaje y más conocida que la anterior es la basada en. Vamos a realizar una pequeña comparativa teórica de sobre ambas técnicas de clasificación. Estudiaremos los conceptos
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesTema 8: Árboles de Clasificación
Tema 8: Árboles de Clasificación p. 1/11 Tema 8: Árboles de Clasificación Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesOperaciones sobre Consultas. UCR ECCI CI-2414 Recuperación de Información Prof. Kryscia Daviana Ramírez Benavides
UCR ECCI CI-2414 Recuperación de Información Prof. Kryscia Daviana Ramírez Benavides Tipos de Consulta Texto: Palabra única. En contexto: Frase. Proximidad. Booleana. Lenguaje natural. Tipos de Consulta
Más detalles1.1. Exponer la especificación PAMA de un agente software encargado de servir de asistente en una herramienta de desarrollo (Netbeans o VS)
1. Cuestiones 1.1. Exponer la especificación PAMA de un agente software encargado de servir de asistente en una herramienta de desarrollo (Netbeans o VS) Percepción Acciones sobre el programa, Acción Compilar,
Más detallesAplicaciones empresariales
KDD y Data Minig Descubrimiento de Conocimiento en Bases de Datos Se define como la extracción no trivial de información implícita, desconocida, y potencialmente útil de los datos. La palabra descubrimiento
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 detallesAnálisis multivariante
Machine Learning 2016-17 1 Aprendizaje automatizado (ML) 2 3 Aprendizaje automatizado (ML) Definiciones Conjunto de herramientas para transformar datos en conocimiento. Conjunto de técnicas que permitan
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 detallese Inteligencia Artificial
Inteligencia Artificial Redes bayesianas Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla CCIA, US Inteligencia Artificial IA 1 / 90 Repaso de Teoría de Grafos
Más detallesI. CARACTERISTICAS DEL ALGORITMO ID3
I. CARACTERISTICAS DEL ALGORITMO ID3 El investigador J. Ross Quinlan desarrolló el algoritmo conocido como ID3 (Induction Decision Trees) en el año de 1983. Pertenece a la familia TDIDT (Top-Down Induction
Más detallesPredicción basada en vecinos
Predicción basada en vecinos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Esquema de predicción directa Predicción basada
Más detallesInteligencia de Negocios
Inteligencia de Negocios T E C N O L O G Í A S D E A P O Y O Claudio Henríquez Berroeta Modelamiento de la toma de decisión y sus procesos Temario Introducción Data Warehouse Data Mining Modelamiento del
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
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 detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesTema 7. Reconocimiento del locutor
Tema 7. Reconocimiento del locutor 7.1.- Introducción 7.2.- Clasificación 7.3.- Fases del reconocimiento 7.4.- Técnicas de reconocimiento 7.5.- Evaluación 7.1.- Introducción Reconocimiento de voz: Identificar
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 detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesEncontrando estructura en grandes volúmenes de datos
Encontrando estructura en grandes volúmenes de datos ACIS 13 de julio 2017 Carenne Ludeña Facultad de Ciencias Básicas Sobre mi trabajo: Profesora/investigadora en estadística Intereses: estadística, modelos,
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detalles