MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
|
|
- Joaquín Henríquez Salazar
- hace 7 años
- Vistas:
Transcripción
1 Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
2 REDES NEURONALES 2
3 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura del cerebro humano. Cerebro humano: Millones de neuronas (0 neuronas) altamente interconectadas. 3 elementos fundamentales en una neurona (simplificada): Cuerpo Axon Dendritas Cuerpo Axon Dendritas Cada neurona se conecta a muchas otras (0 3, 0 4 ). Las conexiones se llaman sinapsis. 3
4 Redes neuronales (II) Cómo funcionan las conexiones entre neuronas? Cada célula recibe señales (pulsos eléctricos) de las neuronas cercanas a través de sus dendritas. Si el total de las señales recibidas supera un cierto umbral, la neurona se activa y envía a su ve pulsos eléctricos a través de su axon hacia otras células. entradas salida 4
5 Redes neuronales (III) La velocidad con la que conmutan las neuronas es muy lenta (0 6 veces más lenta que una puerta lógica). Sin embargo, el cerebro es capa de realiar operaciones compleas más rápidamente y más eficientemente que un ordenador (e. Visión artificial frente a visión humana). Cuál es la raón? LA raón se encuentra en el alto grado de paralelismo del cerebro humano (hay millones de neuronas y conexiones). Las redes neuronales artificiales (ANN o NN) están inspiradas en el cerebro humano, y en las múltiples interconexiones entre neuronas. 5
6 Redes neuronales (IV) Modelo de una neurona artificial: Entrada (x ) Entrada 2 (x 2 ) w w Umbral (t) Actividad (a) f Salida (y) Entrada N (x N ) w N y f ( a) a a N i N i o x x i i w i w i t r r x w; x 0 ; w 0 t 6
7 Redes neuronales (V) Función de activación f: Función más sencilla posible: signo. f(a) + - a f ( a) + if if a a < 0 0 Otra función utiliada: sigmoidea (derivable). f(a) + f ( a) + e a a similar: comportamiento todo/nada para valores elevados de. 7
8 Redes neuronales (VI) Posibles estructuras para la red: Unidireccional (feedforward networs) La información fluye en una única dirección. Muy utiliadas, en general como clasificadores. Recurrentes (feedbac networs) La información se realimenta mediante bucles. No muy utiliadas. Mapas autoorganiados (self organiing maps) La estructura de la red se deforma durante el entrenamiento, intentando adaptarse a los valores de los eemplos de entrenamiento. Muy utiliadas para clustering (detección de grupos de instancias similares). 8
9 Redes neuronales (VII) Redes unidireccionales Cada círculo representa una neurona. Cada neurona recive señales desde las neuronas situadas a su iquierda y envía señales a las neuronas situadas a su derecha. 9
10 Redes neuronales (VIII) Redes recurrentes (red de Hopfield) Circulos: neuronas; bloques - : retrasos. Las entradas de una neurona están conectadas con las salidas (retrasadas) de otras neuronas situadas al mismo nivel. 0
11 Redes neuronales (IX) Mapas autoorganiados (SOMs) Temp. Temp. ANTES DEL ENTRENAMIENTO Vibraciones DESPUÉS DEL ENTRENAMIENTO Vibraciones Eemplo 2D: las neuronas se adaptan a los eemplos. Muy útil para representar información de múltiples dimensiones en una red 2D y visualiar clusters (grupos).
12 Redes neuronales (X) Eemplo de red unidireccional Temperatura w i Vibraciones w i fallará / no fallará Horas funcion. CAPA DE SALIDA Meses revisión CAPA(S) OCULTAS CAPA DE ENTRADA Estructura en capas. Los pesos w i representan la influencia mutua entre neuronas. Durante el entrenamiento se austan los pesos a los eemplos; pero la estructura permanece fia. 2
13 Redes neuronales (XI) Entrenamiento de redes unidireccionales Los pesos se austan utiliando las instancias de entrenamiento. Obetivo: predecir la clase correcta para cada instancia de entrenamiento. Solución óptima: imposible de encontrar. Se utilia un proceso iterativo (bacpropagation):. Se eligen pesos aleatoriamente. 2. Se modifican los pesos de acuerdo con los errores de clasificación obtenidos con las instancias de entrenamiento. 3. Se repite el paso 2 mientras: El error supere un cierto nivel. No se sobrepase un número de iteraciones o epochs. 3
14 Redes neuronales (XII) Posibles problemas en el entrenamiento: Sobreauste cuando el número de iteraciones es demasiado elevado. Mínimos locales para el error, dependiendo de los valores iniciales de los pesos. Parámetros a austar: Número y tamaño de las capas ocultas. Criterio de parada (normalmente 500 epochs). Tasa de aprendiae Momento α η (velocidad de convergencia). (inercia para evitar mínimos locales). Demasiados parámetros: no es fácil conseguir resultados óptimos. 4
15 Redes neuronales (XIII) El perceptrón simple Red neuronal unidireccional más sencilla posible. Una sóla neurona. Entrada (x ) Entrada 2 (x 2 ) w w Umbral (x 0,w 0 ) Actividad (a) f Salida (y) Entrada N (x N ) w N y a f ( a ) N x i o i w i r r x w 5
16 Redes neuronales (XIV) Entrenamiento del perceptrón simple Se define el error para un eemplo a partir de la diferencia entre la actividad (a) y la clase real del eemplo E( w ) 2 ( t a) 2 El error se define como una función de los pesos (vector w). 6
17 Redes neuronales (XV) Entrenamiento del perceptrón simple Se parte de unos pesos w i aleatorios y se modifican en la dirección que más rápidamente hace disminuir el error -> dirección del gradiente del error. E( w ) E w 0 E, w E, w 2 E,..., w n 7
18 Redes neuronales (XVI) Eemplo con dos pesos a austar error E(w) peso entrada 2 (w 2 ) E peso entrada (w ) 2 3 8
19 Redes neuronales (XVII) Actualiación de pesos en cada iteración: w w i w w η Tasa de aprendiae : Pequeña: convergencia lenta. i η η E E w ( w) Grande: puede no alcanarse solución con precisión. Regla general: la tasa se reduce a medida que se realian iteraciones. i 9
20 20 Redes neuronales (XVIII) Cálculo del gradiente ( ) ( ) ( ) ( ) ( ) ( ) ( ) i i i i x a t x w t w a t a t w a t a t w 2 2
21 Redes neuronales (XIX) w i w i η ( t a) xi Peso i (nuevo) Entrada i Peso i (iteración anterior) Salida real (etiqueta) Actividad 2
22 Redes neuronales (XX) problema: mínimos locales error E(w) peso entrada 2 (w 2 ) peso entrada (w )
23 Redes neuronales (XXI) Dos posibilidades para el entrenamiento: Incremental (la vista anteriormente): Cada nuevo eemplo de entrenamiento sirve para calcular el error y actualiar los pesos. Los eemplos se pueden utiliar varias veces para hacer tantas iteraciones como se desee. No incremental: En cada iteración se utilian todos los eemplos, y el error se define como la suma de los errores individuales: E( E w w ) i 2... d eemplos d eemplos ( t a ) d ( t a ) ( x ) d d d 2 id 23
24 Redes neuronales (XXII) El perceptrón multicapa Red neuronal unidireccional más común. Muy utiliado como clasificador. Entrada (x ) w i Entrada 2 (x 2 ) w i Salida () Entrada 3 (x 3 ) CAPA DE SALIDA Entrada N (x N ) CAPA(S) OCULTAS CAPA DE ENTRADA 24
25 Redes neuronales (XXIII) Normalmente sólo hay una capa oculta. Pero pueden existir varias neuronas de salida. Si el número de clases es superior a 2, hacen falta más neuronas para codificarlo. Entrada (x ) w i w i Entrada 2 (x 2 ) Salida ( ) Entrada 3 (x 3 ) Salida2 ( 2 ) CAPA DE SALIDA Entrada N (x N ) CAPA(S) OCULTAS CAPA DE ENTRADA 25
26 Redes neuronales (XXIV) El error se define de forma distinta. Debe considerar todas las salidas. Aprendiae incremental (error medido para un eemplo): E salidas 2 ( t ) Aprendiae no incremental (error medido para todos los eemplos): E d eemplos salidas 2 2 ( t ) d d 2 26
27 Redes neuronales (XXV) Muchos pesos a austar: capa oculta y capa salida x 0 x a y b y 2 x 2 a 2 b 2 2 y N a N b M M x N 27
28 Redes neuronales (XXVI) Entrenamiento para los pesos de la capa de salida. w i peso de la entrada i de la neurona. w i E salidas 2 E E b w b w i w i E η w ( t ) i i 2 E b y i 28
29 29 Redes neuronales (XXVII) ( ) ( ) ( ) ( ) ( ) ( ) ( ) i i b b b y t w E e e e b b t t t t E b E b E
30 Redes neuronales (XXVIII) w i i ( ) ( ) t y i w + η Peso i (nuevo) Peso i (iteración anterior) Salida real (etiqueta) Salida en iteración anterior Salida intermedia i en iteración anterior 30
31 Redes neuronales (XXIX) Entrenamiento para los pesos de la capa oculta. w i peso de la entrada i de la neurona. w i E salidas 2 E E a w a w i w i E η w ( t ) i i 2 E a x i 3
32 32 Redes neuronales (XXX) ( ) ( ) ( ) ( ) ( ) [ ] ( ) i i salidas x y y w t w E y y w... a y w a y y b a b t... b E a b b E a E
33 Redes neuronales (XXXI) w i i ( t ) ( ) [ ] ( ) w y y xi w + η Peso i (nuevo) Peso i (iteración anterior) Salida real (etiqueta) Salida en iteración anterior Peso (iteración anterior) Salida intermedia en iteración anterior Entrada i 33
34 Redes neuronales (XXXII) Problema: mínimos locales. Se introduce un elemento de inercia (momento). w i E w ( n) η + α w ( n ) i i α Momento : Intenta mantener la velocidad de modificación de pesos. Puede conseguir que se salten mínimos locales. El momento es austable al igual que la velocidad de convergencia: muchos parámetros. 34
35 Redes neuronales. Resumen. Capacidad de representación: Muy alta, fronteras de decisión no lineales. 2. Legibilidad: Ninguna, los modelos son pesos para las conexiones. 3. Tiempo de cómputo on-line: Rápido, las operaciones a realiar on-line son básicamente sumas y multiplicaciones. 4. Tiempo de cómputo off-line: Muy lento: auste de pesos en un proceso iterativo. 5. Parámetros a austar: Es complicado austar tanto la estructura de la red como los parámetros de entrenamiento. 6. Robuste ante eemplos de entrenamiento ruidosos: Alta. 7. Sobreauste (overfitting): Puede ocurrir si no se fian adecuadamente los parámetros o se sobreentrena (condiciones de terminación). 35
36 FUNCIONES DE BASE RADIAL 36
37 Funciones de base radial (I) Estructura muy similar a una red neuronal. Más fáciles de entrenar. Diferencias: Red neuronal: aproximación de una función a partir de todos los eemplos de entrenamiento. Función de base radial (RBF): aproximación local de una función (sólo se utilian los eemplos de entrenamiento cercanos al eemplo a clasificar). Al ser un método local tiene algunas características comunes con el vecino más cercano: No es robusto ante eemplos de entrenamiento ruidosos. El tiempo de cómputo on-line es algo elevado. 37
38 Funciones de base radial (II) Estructura básica de una RBF: Funciones núcleo o Kernel K i Entrada (x ) Entrada 2 (x 2 ) w 2 w w 0 Salida y Entrada 3 (x 3 ) w K Entrada N (x N ) ENTRADAS (VALORES ATRIBUTOS) UNIDADES OCULTAS SALIDA 38
39 Funciones de base radial (III) y ( x) w + ( ) d función distancia. x i valores de atributos del Kernel i. x valores de atributos del eemplo a clasificar. K i función Kernel (Gaussiana en general). w i pesos (a austar). 0 wi i Ki d x, x i número de funciones Kernel. [ ] 39
40 Funciones de base radial (IV) Cada función Kernel se asocia a un valor para los atributos (a un punto del espacio). En general, deben cubrir todo el espacio, o al menos la ona donde puede haber instancias o eemplos. Atributo 2 K K 2 K 3 K 4 K 5 K 6 K 7 Eemplo con dos atributos K 8 K9 K 0 K Atributo 40
41 Funciones de base radial (V) Las funciones Kernel deben ser decrecientes con la distancia. En general, son Gaussianas de media x i y variana fia. K i Eemplo con un atributo x i Atributo 4
42 Funciones de base radial (VI) Clasificación mediante RBF: Sólo afectan al resultado las funciones Kernel próximas al eemplo a clasificar. La proximidad se entiende como similitud de los atributos. Parecido al vecino más cercano. Aproximación local y no global de la función a partir de los eemplos de entrenamiento. Entrenamiento de una RBF: En dos etapas: Se eligen manualmente media y variana de los Kernels. Se austan los pesos a partir de los eemplos. Más rápido (cómputo) que un perceptrón multicapa. Más sencillo austar los parámetros del entrenamiento. 42
43 Funciones de base radial (VII) Selección del número de funciones Kernel: Posibilidad : Tantas funciones como eemplos de entrenamiento. Cada función centrada sobre un eemplo (medias de las Gaussianas). Variana uniforme (desviaciones típicas de las Gaussianas). Posibilidad 2: Menos funciones que eemplos de entrenamiento. Se utilia cuando el número de eemplos es muy elevado. Los Kernels se distribuyen uniformemente o no según lo estén los eemplos: Atrib. Atrib. K K 2 K 3 K 4 K5 Atrib. 2 Atrib. 2 43
44 Funciones de base radial. Resumen. Capacidad de representación: Muy alta, similar a un perceptrón multicapa. 2. Legibilidad: Ninguna, como las redes neuronales. 3. Tiempo de cómputo on-line: Más lento que un perceptrón multicapa (se deben calcular distancias a todas las funciones Kernel). 4. Tiempo de cómputo off-line: Más rápido que un perceptrón multicapa. 5. Parámetros a austar: Pocos parámetros, básicamente el número de funciones Kernel. 6. Robuste ante eemplos de entrenamiento ruidosos: Baa por ser un método local. 7. Sobreauste (overfitting): Puede ocurrir si se dimensiona mal (más funciones Kernel que eemplos de entrenamiento). 44
45 Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) 45
CRITERIOS 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 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 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 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 detallesUniversidad Nacional de Córdoba
PLANIFICACIÒN ELABORADA MEDIANTE EL SOFTWARE GNSS SOLUCTIONS FECHA: 07/11/2012 COLONIA SAN RAFAEL Página I TORO PUJIO Página II LAS TORDILLAS Página III FECHA: 14/11/2012 BLAS DE ROSALES Página IV TEJEDA
Más detallesALABANZAS. Laudes Domino. pro PAX et BONUM servum satelles. ALABANZAS Laudes Domino
ALABANZAS Laudes Domino pro PAX et BONUM servum satelles 1 I T e a l a b o S e ñ o r : A m a e l c i e l o t u v o z y l a n u b e d e r r a m a l a l l u v i a c o n s u s a b e r s i n m e n g u a. A
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 detallesCAPÍTULO 3. Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias
CAPÍTULO 3 REDES NEURONALES ARTIFICIALES 3.1 Introducción Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias décadas de investigaciones desarrolladas en torno
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 detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
Más 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 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 detallesFOTOS DE MODELOS DE EQUIPOS----------------------------------------------------------------------- 3
FOTOS DE MODELOS DE EQUIPOS----------------------------------------------------------------------- 3 1. INTRODUCCIÓN------------------------------------------------------------------------------------------
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesUNIDAD DIDACTICA I TEMA 1. LA MEDIDA EN PSICOLOGIA
UNIDAD DIDACTICA I TEMA 1. LA MEDIDA EN PSICOLOGIA 1. Delimitación teórica de la psicometría 2. Los comienzos de la psicometría 3. La orientación psicofísica 4. Los tests mentales 5. Áreas de trabajo de
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
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 detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesTABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA
TABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA Obligaciones de transparencia comunes de los sujetos obligados Artículo 63
Más detallesFIDES FEDERACIÖN INTERAMERICANA DE EMPRESAS DE SEGUROS ROBERTO JUNGUITO / HERNANDO RODRIGUEZ
HISTORIA DE FIDES FEDERACIÖN INTERAMERICANA DE EMPRESAS DE SEGUROS ROBERTO JUNGUITO / HERNANDO RODRIGUEZ FUNDACIÖNrtAPFRE INDICE INTRODUCCIÖN GENERAL 15 PRIMERA PARTE: ECONOMIA Y SEGUROS EN AMERICA
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 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 detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
Más detallesAprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Asignatura troncal: 4.5cr, 4ºCurso Ing Inf Aprendizaje: Perceptrón multi-capa 2003-2004 F.Escolano, O.Colomina, M.A. Cazorla Perceptrón 1 Indice Regla delta Modelo computacional
Más detallesGarantizados emisiones anteriores
Garantizados emisiones anteriores Consulta la información de los planes de previsión garantizados anteriores. Garantizados emisiones anteriores Tipo de Plan de Previsión Comentario Últimos Informes Plan
Más detallesCONSTITUCIONES MISIONEROS CLARETIANOS
CONSTITUCIONES MISIONEROS CLARETIANOS PARTE PRIMERA Capítulo I Capítulo II Capítulo III Capítulo IV Capítulo V Capítulo VI Capítulo VII Capítulo VIII PARTE SEGUNDA Capítulo IX Capítulo
Más detallesTABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA DE TLAXCALA
TABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA DE TLAXCALA Obligaciones de transparencia comunes de los sujetos obligados
Más detallesTABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA DE TLAXCALA
TABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER JUDICIAL TRIBUNAL SUPERIOR DE JUSTICIA DE TLAXCALA Obligaciones de transparencia comunes de los sujetos obligados
Más detallesARCHIVO UNIVERSITARIO RAFAEL OBREGÓN LORIA
ARCHIVO UNIVERSITARIO RAFAEL OBREGÓN LORIA 301-32-56 aurol@cariari.ucr.ac.cr http://archivo.ucr.ac.cr Anales de la Universidad de Costa Rica existentes en el Archivo de la Rectoría (Por tomo, año y contenido
Más detallesI. Índice General. vii. PARTE I Contexto de la convergencia hacia normas de aseguramiento de la información en Colombia TÍTULO I
vii I. Índice General PARTE I Contexto de la convergencia hacia normas de aseguramiento de la información en Colombia TÍTULO I Estándares internacionales de aseguramiento de la información... TÍTULO II
Más detallesGUIA DE INDICADORES PARA EL SEGUIMIENTO DE TRAYECTORIAS ESCOLARES DE LA UAN
GUIA DE INDICADORES PARA EL SEGUIMIENTO DE TRAYECTORIAS ESCOLARES DE LA UAN INTRODUCCIÓN El presente trabajo describe cada uno de los indicadores que se proponen para llevar a cabo el plan de acción del
Más detallesI. Índice General. PARTE I Contexto de la convergencia hacia normas de aseguramiento de la información en Colombia TÍTULO I
ix I. Índice General PARTE I Contexto de la convergencia hacia normas de aseguramiento de la información en Colombia TÍTULO I Estándares internacionales de aseguramiento de la información... 1 TÍTULO II
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 detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesLA IDEOLOGÍA O TRATADO DE LAS IDEAS Y DE SUS SIGNOS.
15 LA IDEOLOGÍA O TRATADO DE LAS IDEAS Y DE SUS SIGNOS. PARTE PRIMERA: DE LO QUE SE LLAMA VULGARMENTE LÓGICA. ESCRITA POR EL Dr. DON MIGUEL GARCÍA DE LA MADRID REGENTE QUE FUE DE LA CÁTEDRA DE LÓGICA ESTABLECIDA
Más detallesRedes Neuronales. Introducción. José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla
Redes Neuronales Introducción José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla Indice Motivación Arquitectura Leyes de Aprendizae Aplicaciones DILEMA MEMORIA CALCULO Aritmética
Más detallesCronograma completo de Análisis III
Cronograma completo de Análisis III Unidad I Semana I Clase I Transformada de Laplace. Definición. Condiciones de existencia. Cálculo de la transformada de Laplace de las funciones básicas. Propiedades
Más detallesACTIVIDADES POLINOMIOS
ACTIVIDADES POLINOMIOS 1. Indica cuáles de las siguientes expresiones algebraicas corresponden a polinomios. Justifica tu respuesta. a) ( ) = 5 + 4 6,1234 + 0,000017 13 b) ( ) = 3 6 + 26 c) ( ) = 6 13
Más detallesBOLETÍN OFICIAL DE LA COMUNIDAD DE MADRID
B.O.C.M. Núm. 96 JUEVES 24 DE ABRIL DE 2014 Pág. 29 I. COMUNIDAD DE MADRID C) Otras Disposiciones Universidad Rey Juan Carlos 8 RESOLUCIÓN de 31 de marzo de 2014, por la que se publican los planes de estudios
Más detallesInstituto Nacional de Servicios Sociales para Jubilados y Pensionados
LICITACION PUBLICA N 023/2013 EXPEDIENTE Nº 0200-2013-0001719-3 CIRCULAR ACLARATORIA N 1 REF: CONTRATACION SERVICIO DE TRANSPORTE PROGRAMA TURISMO SOCIAL 2013 FECHA DE APERTURA: 08 DE MAYO DE 2013 A LAS
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallesÍNDICE Caso I: El test Caso II: La cuchara Caso III: El ingreso Caso IV: El campo Caso V: El pescador Caso VI: El arca
ÍNDICE Caso I: El test... 9 Contenido: Evaluación de resultados. Autotest de evaluación en el cual hay que obtener 4/4 para ser un verdadero Alumno AEI Caso II: La cuchara... 15 Contenido: Operaciones.
Más detallesLA INTEGRACIÓN Y COOPERACIÓN TRANSFRONTERIZA UNA MIRADA SUBREGIONAL. SEBASTIÁN GONZÁLEZ Subsecretario del COPADE PROVINCIA DEL NEUQUEN
LA INTEGRACIÓN Y COOPERACIÓN TRANSFRONTERIZA UNA MIRADA SUBREGIONAL SEBASTIÁN GONZÁLEZ Subsecretario del COPADE PROVINCIA DEL NEUQUEN LA INTEGRACIÓN ARGENTINA-CHILE Y EL ENFOQUE SUBNACIONAL 1984. TRATADO
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesOBLIGACIONES DE TRANSPARENCIA COMUNES A LOS SUJETOS OBLIGADOS
I Aplica I II Aplica II III Aplica III IV Aplica IV V Aplica V VI Aplica VI Coordinación Jurídica Coordinación planeación Coordinación de planeación Coordinación de planeación Articulo 41 Reglamento Articulo
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 01 Taller 1, E = 2 4
(i) Sean A = [ ] 1 3, B = 1 4 posible calcule: Universidad Nacional de Colombia Departamento de Matemáticas 100003-1 Álgebra Lineal - Grupo 01 Taller 1 1 0 1, C = 3 1 3 4 1 5, D = 3 1 3 [ ] 3, E = 4 4
Más detallesIntervención Social Orientación Sociolaboral (Ref. ORL-0409 Info)
PRESENTACIÓN Atendiendo al Barómetro de Octubre de 2007 del CIS (Centro de Investigaciones Sociológicas), estudio de ámbito nacional dirigido a la población española de ambos sexos de 18 años en adelante,
Más detallesInstituto de Transparencia y Acceso a la Información Pública
Tepic, Nayarit; 10 de julio de 2017 Oficio número CMPT/075/2017 Asunto: Verificación Diagnostica Expediente ITAI/C.M.P.T.-P.E.-OPD/01/2017 Lcda. María Belem Ibarra Bañuelos Titular de la Unidad de Transparencia
Más detallesEXCMO. AYUNTAMIENTO DE MONTILLA ORDENANZAS FISCALES 2016
ORDENANZA POR LA QUE SE REGULA EL ESTABLECIMIENTO DE PRECIOS PÚBLICOS POR LA PUBLICIDAD EN SOPORTES INFORMATIVOS EDITADOS POR EL EXCMO. AYUNTAMIENTO DE MONTILLA El Excmo. Ayuntamiento de Montilla, de conformidad
Más detallesPredicción 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 detallesPerceptron multicapa. Capítulo Introducción
Capítulo 3 Perceptron multicapa 3.1. Introducción En este capítulo se estudiará una de las clases de redes de neuronas, conocida como Perceptron multicapa o red multicapa con conexiones hacia adelante.
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallesInstituto de Transparencia y Acceso a la Información Pública
Tepic, Nayarit; 11 de julio de 2017 Oficio número CMPT/092/2017 Asunto: Verificación Diagnostica Expediente ITAI/C.M.P.T.-P.E.-OPD/32/2017 Lic. Diana Rebeca Govea Torres Titular de la Unidad de Transparencia
Más detallesEl Consejo Universitario en sesión del 14 de diciembre de 1995, acordó modificar los artículos 8, 9, 10 y 55 para quedar en los siguientes términos:
REFORMA AL ESTATUTO GENERAL El Consejo Universitario en sesión del 14 de diciembre de 1995, acordó modificar los artículos 8, 9, 10 y 55 para quedar en los siguientes términos: ARTÍCULO 8.- La función
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 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 detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesInstituto de Transparencia y Acceso a la Información Pública
Tepic, Nayarit; 10 de julio de 2017 Oficio número CMPT/076/2017 Asunto: Verificación Diagnostica Expediente ITAI/C.M.P.T.-P.E.-OPD/16/2017 L. A. E. Guillermo Fausto Jimenez Titular de la Unidad de Transparencia
Más detallesProfesor: Leonardo Franco Despacho Web:
Asignatura: MODELOS COMPUTACIONALES Ingeniería a técnica t en informática de gestión Horario Clases: Martes y Jueves 7:30-9:30 Aula: 3.05 Profesor: Leonardo Franco Despacho 3.2.29 Email: lfranco@lcc.uma.es
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 detallesResponsabilidades de los Servidores Públicos. Responsabilidades Administrativas
Temario: Tema1: PLAZA DE JEFE DE LA UNIDAD DE APROVECHAMIENTO Y RESTAURACION DE RECURSOS NATURALES EN LA DELEGACIÓN FEDERAL DE LA SEMARNAT EN QUINTANA ROO. Administración Pública Federal Subtema1: Conocimiento
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detallesTítulos, preceptos y/o Epígrafes
Temario: Tema 1: Tema 2: Tema 3: Tema 4: Enlace de Servicios Forestales y Suelos en la Delegación Federal de la SEMARNAT en Chiapas. Administración Pública Federal Subtema1: Conocimiento sobre la Administración
Más detallesInstituto de Transparencia y Acceso a la Información Pública
Tepic, Nayarit; 13 de julio de 2017 Oficio número CMPT/093/2017 Asunto: Verificación Diagnostica Expediente ITAI/C.M.P.T.-P.E.-OPD/33/2017 Lic. Angel Antonio Flores Ramos Titular de la Unidad de Transparencia
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 detallesTabla de aplicabilidad de las obligaciones de transparencia específicas para los partidos políticos
Tabla de aplicabilidad de las obligaciones de transparencia específicas para los partidos políticos El Comité Ejecutivo Estatal de Veracruz del PRD, se permite presentar la tabla de aplicabilidad de las
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 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 detallesRedes Neuronales Artificiales. MTI. Eduardo Cruz Romero
Redes Neuronales Artificiales MTI. Eduardo Cruz Romero Qué es una neurona? La neurona es la célula responsable de transferir la información y los impulsos eléctricos alrededor del cuerpo. Estructura Neuronal
Más detallesFeria de Franquicias y Emprendedores. dossierinformativo
Feria de Franquicias y Emprendedores dossierinformativo El speed dating de la franquicia Más de 25 ediciones celebradas en distintos puntos geográficos (Barcelona, Madrid, Sevilla, Valladolid, Murcia,
Más detallesTesis Doctoral: Implementación de Funciones Elementales en dispositivos FPGA
Tesis Doctoral: Implementación de Funciones Elementales en dispositivos FPGA INDICE Agradecimientos... vii Resumen... ix Abstract... xi Resum... xiii Índice... xv Lista de figuras... xix Lista de tablas...
Más detalles/56. VI.
INDICE I. Prólogo. II. Trabajadores domésticos. Contexto internacional. III. Normas de la Organización Internacional del Trabajo (OIT). 1. Convenio N 189 sobre las trabajadoras y los trabajadores domésticos.
Más detallesTema 8: Redes Neuronales
Tema 8: Redes Neuronales Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Intelligent Systems Group Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco http://www.sc.ehu.es/isg/
Más detallesCRONOLOGÍA DE LAS JORNADAS DE DERECHO PÚBLICO
CRONOLOGÍA DE LAS JORNADAS DE DERECHO PÚBLICO I JORNADAS, 19 21 DE OCTUBRE DE 1961, SANTIAGO. Temario: Análisis crítico de la Constitución de 1925; Revisión crítica del concepto ente autónomo en el derecho
Más detallesEstado civil: {casado/a, soltero/a, divorciado/a}
Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene
Más detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesUnidad VII Redes Neuronales
Unidad VII Redes Neuronales Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Sábados 10-13 Rafael Vázquez Pérez Agenda 7.1 Introducción a las Redes Neurales (ANN) 7.2 Tipos de
Más detallesSEGUNDA SECCION PODER EJECUTIVO SECRETARIA DE HACIENDA Y CREDITO PUBLICO
Lunes 28 de enero de 2008 DIARIO OFICIAL (Segunda Sección) 1 SEGUNDA SECCION PODER EJECUTIVO SECRETARIA DE HACIENDA Y CREDITO PUBLICO ANEXO 19 de la Tercera Resolución de Modificaciones a la Resolución
Más detallesCAMPEONATOS DE ESPAÑA ARTÍSTICO
1 I 1953 Barcelona Francisco Munté 2 II 1955 Madrid Joaquín Domingo 3 III 1958 Barcelona Joaquín Domingo 4 IV 1960 Orihuela (Alicante) Jaume Carreras 5 V 1962 Barcelona Francisco Munté 6 VI 1963 Madrid
Más detallesCOMISIÓN REGULADORA DE ENERGÍA MARTES 14 DE ABRIL DE :00 H. ORDEN DEL DÍA SESIÓN ORDINARIA
COMISIÓN REGULADORA DE ENERGÍA MARTES 14 DE ABRIL DE 2015 16:00 H. Aprobación en su caso de: ORDEN DEL DÍA SESIÓN ORDINARIA En materia de electricidad I. Proyecto de resolución por la que se otorga a Energía
Más detallesInteligencia Artificial II
Inteligencia Artificial II Introducción a Redes Neuronales Delia Balbontín Noval Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesVI. Promover y certificar el cumplimiento de la normatividad ambiental;
atribuciones: La Secretaría de Medio Ambiente y Desarrollo Territorial tiene las siguientes I. Proponer y coordinar las acciones y medidas necesarias de protección al ambiente con el fin de proteger, conservar,
Más detallesCOALICIÓN. A continuación se muestran las gráficas de los Distritos donde participó la coalición PRI- PVEM.
En las elecciones para diputados por el principio de mayoría relativa del año 28, los partidos políticos del Partido Revolucionario Institucional y el Partido Verde Ecologista de México, participaron coaligados
Más detallesDEPARTAMENTO DE FISCALIDAD Y TRIBUTACIÓN
DEPARTAMENTO DE FISCALIDAD Y TRIBUTACIÓN DR. JOSÉ RAFAEL MIRANDA Octubre 2012 PUNTOS A VERIFICAR PARA EL CUMPLIMIENTO DE LAS NORMAS DE FACTURACIÓN EN LOS LOCALES 1. Verificar la exhibición de los Formularios
Más detallesTabla de Actualización de Obligaciones Comunes Ejercicio 2017
Tabla de Actualización de Obligaciones Comunes Ejercicio 2017 Fracción Descripción Actualización Conservación Actualizaciones por período I Normatividad ; en su caso, antes de 15 días hábiles después de
Más detallesIntroducción a las Redes Neuronales Articiales
Inteligencia Humana como Inspiración Novena Sesión 24 de marzo de 2010 Inteligencia Humana como Inspiración Inteligencia Humana como Inspiración Sistema Nervioso Humano Características: Complejo No Lineal
Más detallesCAMPEONATOS DE ESPAÑA ARTÍSTICO
1 I 1953 Barcelona Francisco Munté 2 II 1955 Madrid Joaquín Domingo 3 III 1958 Barcelona Joaquín Domingo 4 IV 1960 Orihuela (Alicante) Jaume Carreras 5 V 1962 Barcelona Francisco Munté 6 VI 1963 Madrid
Más detallesMétodos de modelado y clasificación de patrones. clasificación de patrones
FUNDAMENTOS DEL RECONOCIMIENTO AUTOMÁTICO DE LA VOZ Métodos de modelado y clasificación de patrones Agustín Álvarez Marquina Introducción. Modelado y clasificación de patrones Objetivos: Agrupar el conjunto
Más detallesCAPÍTULO 3: REDES NEURONALES RECURRENTES
Capítulo 3 Redes Neuronales Recurrentes 15 CAPÍTULO 3: REDES NEURONALES RECURRENTES En este capítulo se describen las principales características y elementos de tres tipos de redes neuronales: feedforward,
Más detallesPolítica Económica Un estudio desde la economía política
Política Económica Un estudio desde la economía política Lucas Pacheco Prado CONTENIDO Prólogo 1 Introducción general 3 PRIMERA PARTE LOS CONTENIDOS DE LA POLÍTICA ECONÓMICA 9 Introducción 11 CAPÍTULO
Más detallesELECTRONICA II (E.A.)
5º ASIGNATURA: ELECTRONICA II (E.A.) Curso 2008/2009 (Código:105128) 1.OBJETIVOS La asignatura consta de las siguientes partes: Electrónica Analógica (Unidades Didácticas 1ª y 2ª). Electrónica Digital
Más detallesConsorcio Nacional de Industriales del Caucho
Curso 2016/2017 4º MASTER PROFESIONAL EN TECNOLOGIA DEL CAUCHO Y SUS DERIVADOS ESTE MASTER ESTARA ABIERTO PARA SU PREINSCRIPCION DESDE EL 30 DE SEPTIEMBRE HASTA EL 30 DE OCTUBRE DE 2016 LUGAR DE IMPARTACION:
Más detallesCI5438. Inteligencia Artificial II Clase 6: Redes Multicapas - Back. Cap 20.5 Russel & Norvig Cap 4 Mitchell
CI5438. Inteligencia Artificial II Clase 6: Redes Multicapas - Backpropagation Cap 20.5 Russel & Norvig Cap 4 Mitchell Universidad Simón Boĺıvar 8 de Octubre de 2008 Redes Multicapas de Unidades Sigmoidales
Más detallesLTAIP. Organismo o poder de gobierno. Tipo de sujeto de obligado
TABLA DE APLICABILIDAD DE LAS OBLIGACIONES DE TRANSPARENCIA DEL SUJETO OBLIGADO: PODER EJECUTIVO Txcalteca de Fisica Obligaciones de transparencia comunes de los sujetos obligados Artículo 63 de Ley de
Más detallesPRÓLOGO A LA TRIGÉSIMA CUARTA EDICIÓN... 5
ÍNDICE PRÓLOGO A LA TRIGÉSIMA CUARTA EDICIÓN... 5 PRIMERA PARTE: NOCIONES PRELIMINARES Capítulo I. DEFINICIÓN NOMINAL DE LA LÓGICA 1. La Lógica en el lenguaje cotidiano... 11 2. Lógica natural y Lógica
Más detallesI LA REALIDAD SEMÁNTICA
ÍNDICE Prólogo de Marcelo A. Bruno dos Santos...13 Sección I LA REALIDAD SEMÁNTICA Capítulo I 2004 García Sanz, Agustín A. M., Contratos administrativos, lenguaje y realidad...17 Capítulo II Gordillo,
Más detalles