Nuevas herramientas para el análisis y control de adulteración en alimentos
|
|
- Roberto Venegas Escobar
- hace 7 años
- Vistas:
Transcripción
1 1 UNIVERSIDAD COMPLUTENSE DE MADRID Nuevas herramientas para el análisis y control de adulteración en alimentos Jorge O. Cáceres Group of Laser Chemistry, Department of Analitycal Chemistry, UCM, Spain
2 2 Objetivo Demostrar que los procedimientos quimiométricos, en particular las redes neuronales son relativamente fáciles de implementar y poseen una amplia aplicabilidad en muy diferentes áreas de conocimiento Discutir como resolver un sistema de datos complejos e interconectados de forma no lineal mediante el uso de redes neuronales
3 3 LIBS Análisis Identificar Clasificar Mejorar la resolución Mejorar los limites de detección y cuantificación
4 4 Características de los espectros LIBS Muchos parámetros instrumentales (VARIABES) (longitud de onda del laser, irradiancia, parámetros de 1 adquisición temporal, etc.) C a Espectros altamente multidimensionales (muchas longitudes de onda) Ruido (una variable puede tomar varios valores) Fondo espectral (background) (interferencia en todas las variables) Redundancia (varios datos con la misma información) Posible no linealidad entre intensidad y concentración (sistema no lineal) Intensidad Emision (u.a.) C a C a S r M g C a W avelength(nm ) La quimiométria tiene varias ventajas importantes para manejar todos estas características. Adquisición de datos relativamente fácil.
5 Redes Neuronales 5
6 6 Fundamentos Una red neuronal artificial es una herramienta diseñada para emular la forma en que el cerebro humano funciona Pero: Cómo funciona el cerebro humano? Cómo aprende el ser humano? Dónde se guarda el conocimiento? Por qué es tan eficiente el cerebro humano?
7 7 El cerebro humano está compuesto por una gran cantidad de elementos básicos denominados neuronas Básicamente las neuronas están formadas por: Un cuerpo central o Núcleo Un mecanismo de conexión con otras neuronas (sinapsis): Axón y dendritas
8 8
9 9 Redes Neuronales Artificiales Se parece al cerebro en dos aspectos: 1. El conocimiento es obtenido por la red a través de un proceso de aprendizaje. 2. Las conexiones interneuronales conocidas como pesos sinápticos son utilizadas para almacenar dicho conocimiento.
10 10 Beneficios de usar una NN Generalización: Capacidad para producir respuestas razonables a estímulos no presentados durante su entrenamiento. Adaptabilidad: La red puede ser construida para adaptar sus pesos sinápticos al medio ambiente (re-entrenar). Robusta: Por su carácter distributivo, una red maneja muy bien daños a su estructura (ruido). Complejidad: Puede capturar comportamiento complejo que no es posible con métodos tradicionales. No-paramétrico: No hace suposiciones a priori.
11 11 Entrenamiento (training) Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activación-inhibición de las neuronas Cuando este proceso se completa entonces ante determinados estímulos sabemos como responder y aprendemos El conocimiento adquirido está entonces en los niveles de relación entre las neuronas logrados durante el proceso de aprendizaje El cerebro es entrenado por repetición de estímulos. Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activación-inhibición de las neuronas
12 Red Neuronal Dendritas: Para recibir el estímulo o establecer las conexiones sinápticas x 1 W 1 12 Pesos sinápticos: Cada dendrita tendrá un peso W i son la intensidad de la sinapsis que conecta dos neuronas; tanto X i como W i son valores reales. Estimulo x 2 W 2 n Repuesta neta W 3 x 3 Núcleo: Para procesar la información Axón Axón: Para enviar la respuesta
13 b 13
14 14 Hidden Layer Input Layer Output Layer
15 15 HOW DO SUPERVISED NEURAL NETWORKS WORK? Y expected (Target) Input signal Y network (output) Comparison Adjust weights Error calculation
16 16 Algoritmos de entrenamiento Existen muchos algoritmos de entrenamiento, algunos de los cuales se mencionan aquí: Error correction learning or delta rule: es un aprendizaje supervisado, en donde se usa el error obtenido en la presentación del estímulo para determinar el factor de corrección. Competitive learning: las neuronas compiten entre si para hacerse activas estableciendo. Solo una se activa a la vez (especialización). Hebbian learning: correlaciona la actividad pre y post-sináptica (si ambas neuronas se activan se fortalece la conexión y se debilita en caso contrario). Aquí el factor de corrección es multiplicativo entre la actividad pre y post-sináptica. Memory Based learning: la red almacena data ya procesada en memoria. Un nuevo patrón es procesado según su cercanía (en sentido euclideo) a un patrón en memoria.
17 17 Qué podemos hacer con Redes Neuronales? Aplicaciones
18 18 Diagnóstico de cáncer de pulmón : Cancer Inputs - a 9x699 matrix defining nine attributes of 699 biopsies. 1. Clump thickness 2. Uniformity of cell size 3. Uniformity of cell shape 4. Marginal Adhesion 5. Single epithelial cell size 6. Bare nuclei 7. Bland chomatin 8. Normal nucleoli 9. Mitoses Cancer Targets - a 2x966 matrix where each column indicates a correct category with a one in either element 1 or element Benign 2. Malignant UCI Repository of machine learning databases [
19 Análisis de imagen: La redes neuronales pueden recibir y procesar extensas cantidades de información inmediatamente, haciéndolas útiles en la compresión de imagen. 19
20 Nuestras aplicaciones 20
21 21 Applied Spectroscopy, Volume 67, Issue 9, pp (September 2013) La procedencia y adulteración de aceites de oliva es problema para la industria aceitera. Con el fin de obtener un mayor rendimiento en su comercialización, el aceite de oliva, es susceptible de ser adulterado con aceites más baratos de origen vegetal como girasol, maíz, etc. El control de la adulteración y trazabilidad de aceites es un elemento principal en controles de calidad. El objetivo de este trabajo es desarrollar una técnica basada en la espectroscopía de ablación láser LIBS (Laser Induced Breakdown Spectroscopy) combinada con un método avanzado de clasificación como las redes neuronales para la identificación y detección de adulteración en aceites de oliva virgen extra de forma rápida, simple, directa y eficaz
22 Sistema Experimental 22
23 Tabla 1: Aceites Puros utilizados en el estudio 23 Muestra Origen Marca Categoría Número de replicas analizadas 1 España Coosur (lote 1 ) Aceite de Oliva extra Virgen 4 2 España Cambril Aceite de Oliva extra Virgen 3 3 España Nuñez del Prado Aceite de Oliva extra Virgen 4 4 España Coosur (lote 2) Aceite de Oliva extra Virgen 3 5 España Hojiblanca Aceite de Oliva 3 6 España Carbonel Aceite de Oliva 3 7 España Ybarra Aceite de Oliva 3 8 España Koipesol Aceite de Girasol 3 9 España La Masia Aceite de Maíz 3 10 Italia De Marco Aceite de Oliva extra Virgen 3 11 Italia Pregio Aceite de Oliva extra Virgen 3 12 Italia Torreta Aceite de Oliva extra Virgen 3 13 Grecia Kretiko Aceite de Oliva extra Virgen 3 14 Grecia KanaKis Aceite de Oliva 3 15 Argentina Cocinero Aceite de Oliva extra Virgen 3 16 Argentina Altavia Aceite de Oliva extra Virgen 3 17 Argentina Gretvalue Aceite de Oliva extra Virgen 3 18 Argentina Indalo Aceite de Oliva extra Virgen 3 19 Argentina Lira Aceite de Oliva extra Virgen 3 20 Argentina Nucete Aceite de Oliva extra Virgen 3 21 Argentina Oleovita Aceite de Oliva extra Virgen 3 22 Argentina Toscana Aceite de Oliva extra Virgen 3
24 Tabla 2: Mezclas de Aceites utilizadas en el estudio 24 Muestra Origen Marca Categoría Número de replicas analizadas 23 España Coosur + 1% Koipesol Mezcla 2 24 España Coosur + 2% Koipesol Mezcla 2 25 España Coosur + 3% Koipesol Mezcla 2 26 España Coosur + 4% Koipesol Mezcla 2 27 España Coosur + 5% Koipesol Mezcla 2 28 España Cambril + 1% Koipesol Mezcla 2 29 España Cambril + 2% Koipesol Mezcla 2 30 España Cambril + 3% Koipesol Mezcla 2 31 España Cambril + 4% Koipesol Mezcla 2 32 España Cambril + 5% Koipesol Mezcla 2
25 Espectros LIBS de Muestras de Aceites 25 a) Espectros LIBS obtenidos para 4 tipos de aceite diferente, I-Oliva, II-Girasol, III-Maíz, IV-Avellana. b) Aceites de Oliva extra Virgen Coosur adulterado, I-Aceite puro, II- Adulterado con 1%Girasol, III- Adulterado con 3% Girasol, IV-Adulterado con 5% de Girasol
26 Resultados de la Clasificación 26 a) Salida de la Red Neuronal para muestras de Aceite puro y adulterado en tres porcentajes 1%, 3% y 5%, se observa como cada muestra es asignada a su correspondiente salida con un 100% de identificación. b) Salida de la Red Neuronal para tres aceites de Oliva Virgen extra, Coosur, Nuñez del Prado y Cambril.
27 Test de Robustez 27
28 Conclusiones 28 Los resultados para los diferentes aceites muestran un 100% de exactitud en la identificación. La técnica es capaz de distinguir entre dos aceites de la misma marca pero de diferentes lotes. Fue posible la diferenciación de mezclas de aceite de oliva virgen extra con aceite vegetal de girasol. El método desarrollado puede ser adaptado en un sistema portátil cuyo uso no implique personal cualificado, produciendo análisis rápidos, fiables y robustos a tiempo real. Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain
29 Conclusiones 29 La Redes Neuronales Artificiales ofrecen un número de ventajas (detección no lineal, algoritmos de entrenamiento múltiple, etc.) para mejorar significativamente la performance del modelo predictivo El método es robusto a pesar de las variaciones de las condiciones experimentales (variaciones instrumentales), y durante un lago periodo de tiempo. Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain
30 30 MUCHAS GRACIAS POR SU ATENCIÓN! Laser Chemistry Research Group, Department of Analytical Chemistry, UCM, Spain
CONCEPTOS 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 detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Más detallesNeurona. Células y Fibras nerviosas Célula Nerviosa. Sensoriales, motoras y de asociación Nucleo Actividades metabólicas Conexiones sinápticas
Redes Neuronales Neurona Células y Fibras nerviosas Célula Nerviosa Neuronas Bipolares Neuronas Multipolares Sensoriales, motoras y de asociación 50000 Nucleo Actividades metabólicas Conexiones sinápticas
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
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 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 detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
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 detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesREDES NEURONALES. 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 detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detalles!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"%
!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"% % ('.$/"%4".$("5/"((".6%-7,%!"#$%&'("')#*"+$),-!)&#"+'.)&/0()!-+' 1-!23$-('("'!)"#!)-+'.)&34,)!-+'5'1-!23$-('("'/"()!)#-'' 2#)*"%+)(-('-#(%0+'."33&' #$3&/".&'%$/%/$8.'+&$/+&"6%8/"!%+'/+$-+&)/6%9:%,$%3"2'%,$%9;
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesTema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Tema 3: Ðreas de La IA: Ejemplos de Investigaci n Actual (II) Redes
Más detallesING. JOSEOZIEL LLAGUNO GUILBERTO DE ALTA FRUCTUOSA Y JARABE DE MALTOSA SHUIFANG L., Y. S. (2012).
UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA MAESTRÍA EN CIENCIAS: PRODUCTOS NATURALES Y ALIMENTOS MÉTODOS INSTRUMENTALES MODERNOS ING. JOSEOZIEL LLAGUNO GUILBERTO DETECCIÓN DE ADULTERACIÓN EN MIEL CAUSADA POR
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 detallesPerformance of Artificial Neural Networks in Forecasting Costa Rican Inflation
Performance of Artificial Neural Networks in Forecasting Costa Rican Inflation Manfred Esquivel M. III Foro de Investigadores de Bancos Centrales de países miembros del CMCA 27 de agosto de 2009 Motivación
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Perceptron Parte I Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín Hernández Espinoza
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
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 detallesApuntes de Inteligencia Artificial
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA Apuntes de Inteligencia Artificial Laboratorio: Perceptrón Simple JORGE AGUILAR JARAMILLO LABORATORIO : NEURONA Y PERCEPTRON SIMPPLE Objetivos.
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 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 detallesMinera de datos aplicada a la detección de Cáncer de Mama
Minera de datos aplicada a la detección de Cáncer de Mama Eugenio Hernández Martínez Universidad Carlos III de Madrid 100039081@alumnos.uc3m.es Rodrigo Lorente Sanjurjo Universidad Carlos III de Madrid
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesRed Neuronal para el Reconocimiento de Patrones
Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez juan.alvarado@aunar.edu.co Facultad de Ingeniería Programa de ingeniería
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesRedes neuronales. Conceptos fundamentales y modelos
Redes neuronales Conceptos fundamentales y modelos 2 Contenido Introduccion La neurona biologica Modelo de una neurona Arquitecturas de las redes: Redes feedforward Arquitecturas de las redes: Redes recurrentes
Más detallesAPLICACIÓN DE INTELIGENCIA ARTIFICIAL Y MINERÍA DE DATOS EN EL ANÁLISIS MUSICAL ARMÓNICO EN EL TRATADO DE GUITARRA BARROCA DE GASPAR SANZ
APLICACIÓN DE INTELIGENCIA ARTIFICIAL Y MINERÍA DE DATOS EN EL ANÁLISIS MUSICAL ARMÓNICO EN EL TRATADO DE GUITARRA BARROCA DE GASPAR SANZ XII COLOQUIO DE ALUMNOS DEL PROGRAMA DE MAESTRÍA Y DOCTORADO EN
Más detallesLABORATORIO DE CALIDAD NUTRICIONAL VALIDACIÓN DE MÉTODOS ANALÍTICOS: CASO LOWRY MÓNICA PIZARRO S.
LABORATORIO DE CALIDAD NUTRICIONAL VALIDACIÓN DE MÉTODOS ANALÍTICOS: CASO LOWRY MÓNICA PIZARRO S. Es un consorcio de instituciones que aspira reducir la desnutrición y mejorar la seguridad alimentaria
Más detallesJosé Ignacio Latorre Universidad de Barcelona
INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a
Más detallesEl interés por el estudio de las bases biológicas de las diferencias individuales ha estado presente a la par que el interés por el estudio de las
El interés por el estudio de las bases biológicas de las diferencias individuales ha estado presente a la par que el interés por el estudio de las diferencias individuales (dos ejemplos). 1 2 Un ejemplo
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO Instituto de Ciencias Básicas e Ingeniería SISTEMAS BASADOS EN CONOCIMIENTO Ing. Henry Patricio Paz Arias Maestría en Ciencias Computacionales Sistemas Basados
Más detallesOTRAS CONSIDERACIONES. Introducción a las Redes Neuronales Artificiales
OTRAS CONSIDERACIONES! Estrategias para generalización Existen diversas estrategias para mejorar la generalización: 1) Teoría de Regularización: Agregar una penalidad para lograr mejorar la forma de la
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 detallesFigura 6.1. Esquema de redes neuronales
6. REDES NEURONALES 6.1. DESCRIPCIÓN DE LAS REDES NEURONALES Las redes neuronales, introducidas en el apartado 2.2.3, son una herramienta que puede utilizarse para aplicaciones donde los análisis funcionales
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 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 detallesUnidad 3: Biología de las Diferencias Individuales
Cruz encima de estrella Estrategias cognitivas Verbal Verbal Rasgos aptitudinales Visual Espacial + * V o F? El estudio de las bases biológicas de las diferencias individuales Establecer el grado de relación
Más detallesQue son las redes neuronales? Una introducción informal
Que son las redes neuronales? Una introducción informal Julio Waissman Vilanova Licenciatura en Ciencias de la Computación Departamento de Matemáticas Universidad de Sonora Waissman (UNISON/LCC) Redes
Más detallesVALIDACIÓN DE MÉTODOS DE ANÁLISIS VALIDACIÓN DE MÉTODOS 1
VALIDACIÓN DE MÉTODOS DE ANÁLISIS VALIDACIÓN DE MÉTODOS 1 Índice 1. Por qué validar un método de análisis? 2. Cuándo validar un método de análisis? 3. Validación de métodos de análisis. 3.1. Selectividad
Más detallesM8: Solid State Lasers (SSL) and their Applications Pulse Laser Deposition
FIRST ICO-ICTP-TWAS Central American Workshop in Lasers, Laser Applications and laser Safety Regulations M8: Solid State Lasers (SSL) and their Applications Pulse Laser Deposition Prof. Luis V. Ponce CICATA
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 detallesInterfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial
UNIVERSIDAD DE ALCALÁ Escuela Politécnica Superior INGENIERÍA DE TELECOMUNICACIÓN Interfaz hombre máquina basado en el análisis de los gestos faciales mediante visión artificial Proyecto Fin de Carrera
Más detallesRedes Neuronales. Parte I. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte I Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías típicas.
Más detallesMas de 30,000 Clientes Satisfechos. Quienes Somos?
Quienes Somos? Easy Clocking es una de las empresas pioneras en la fabricación de sistemas para la administración de personal. Nuestros ete Años de experiencia en el medio, han hecho de Easy Clocking un
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesI SEMANA ELECTRONICA REDES NEURONALES
UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación
Más detallesUn fenómeno psicológico puede ser abordado desde distintos enfoques. Así, la conducta verbal puede ser estudiada en término de procesos cognitivos
Un fenómeno psicológico puede ser abordado desde distintos enfoques. Así, la conducta verbal puede ser estudiada en término de procesos cognitivos (por ejemplo, proceso de acceso al léxico) o desde una
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 detalles-Cromatografía de permeación en gel (GPC) La cromatografía de permeación en gel se utiliza principalmente para separar moléculas en función de su tama
Otro instrumental científico Además de las técnicas instrumentales anteriormente mostradas, el CIQSO también dispone de otros equipos que pone al servicio de la comunidad científica: -Cromatografía de
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesCOMPETENCIAS DEL MÁSTER EN INVESTIGACIÓN BIOMÉDICA POR LA UNIVERSIDAD DE NAVARRA
COMPETENCIAS DEL MÁSTER EN INVESTIGACIÓN BIOMÉDICA POR LA UNIVERSIDAD DE NAVARRA Competencias generales del Máster en Investigación Biomédica por la Universidad de Navarra CG1: Abordar un reto biomédico
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA INSTITUTO DE INVESTIGACIÓN DE LA FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesPrograma de Validación de Métodos Analíticos INFORMACIÓN GENERAL
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE CIENCIAS QUÍMICAS Y FARMACIA ESCUELA DE QUÍMICA DEPARTAMENTO DE FISICOQUÍMICA Programa de Validación de Métodos Analíticos INFORMACIÓN GENERAL No. De
Más detallesHerramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer
Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
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 detallesLa conectividad es la clave para una tecnología avanzada de ECG. Los sistemas de ECG no
ELECTROCARDIÓGRAFOS MARCA GENERAL ELECTRIC MAC 800 La conectividad es la clave para una tecnología avanzada de ECG. Los sistemas de ECG no sólo deben ofrecer la suficiente portabilidad como para llegar
Más detallesNeural Network Toolbox de MATLAB
Neural Network Toolbox de MATLAB Instructor: Ciencias Computacionales - INAOE Septiembre 26 Agenda. Introducción a las Redes Neuronales Artificiales 2. Introducción al 3. Redes Perceptrón 4. Redes Backpropagation
Más detallesMemoria Operativa. (Memoria de trabajo / memoria a corto plazo) Ejemplos de cuando usas la memoria operativa
Memoria Operativa (Memoria de trabajo / memoria a corto plazo) Necesitamos la memoria operativa para mantener, gestionar y usar, durante un breve periodo de tiempo, la información. Esta capacidad es muy
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 detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesModelos para el sistema visual: I. Prof. Maria L. Calvo Clase del 21 de abril
Modelos para el sistema visual: I Prof. Maria L. Calvo Clase del 21 de abril Modelos para el procesado de la información visual Aproximaciones Analíticas que predicen procesos biológicos complejos Proceso
Más detallesCRITERIOS TÉCNICOS DE EVALUACIÓN DE UN DOSSIER DE ESPECIALIDADES FARMACEUTICAS DIRECTIVA SANITARIA N 001-MINSA/DIGEMID V.01
CRITERIOS TÉCNICOS DE EVALUACIÓN DE UN DOSSIER DE ESPECIALIDADES FARMACEUTICAS EQUIPO DE REGISTRO DE PRODUCTOS FARMACÉUTICOS DIRECCIÓN DE AUTORIZACIONES SANITARIAS VALIDACIÓN DE UN PROCEDIMIENTO ANALÍTICO
Más detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesModelos para el sistema visual: I. Prof. María L. Calvo Clase del 16 de abril 2012
Modelos para el sistema visual: I Prof. María L. Calvo Clase del 16 de abril 2012 Modelos para el procesado de la información visual Aproximaciones Analíticas que predicen procesos biológicos complejos
Más detallesProyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Más detallesAlumna: Romina Osvaldo
Alumna: Romina Osvaldo Factores importantes para lograr una mejor adquisición y consolidación del conocimiento Con los grandes avances tecnológicos de hoy en día, sumado al ritmo de vida apresurado resulta
Más detallesAnálisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
Más detallesControl de Nivel a través de Redes Neuronales
Noviembre 26 y 27, 9. Veracruz, Veracruz. Control de Nivel a través de Redes Neuronales Garrido Meléndez Javier, Reyna Guerra Pablo, Vázuez Briones Manuel y García Sosa Alfonso Universidad Tecnológica
Más detallesAplicación del método de Alto Rendimiento para Mediciones por Espectrometría de Emisión Atómica con Plasma Acoplado Inductivamente (ICP-OES)
Aplicación del método de Alto Rendimiento para Mediciones por Espectrometría de Emisión Atómica con Plasma Acoplado Inductivamente (ICP-OES) Elmer Carrasco Solis - DM/INACAL 1. ICP OES 2. HP ICP OES Aplicación
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesRECONOCIMIENTO DE PAUTAS
RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis) Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesControlador Gestual Basado en Redes Neuronales
Controlador Gestual Basado en Redes Neuronales David Albanés, Lino García 30 Septiembre 2011 Por controladores gestuales se entienden aquellos dispositivos capaces de traducir movimientos corporales a
Más detallesExamen de Septiembre de TACCIII y TAI (Modelo 2)
Examen de Septiembre de TACCIII y TAI (Modelo 2) 12 de septiembre de 2008 1. La desordenación de la base de datos puede influir en el resultado obtenido mediante a) clasificación por distancia a las medias
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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
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 detallesEjercicios con Imágenes de Radar
National Aeronautics and Space Administration ARSET Applied Remote Sensing Training http://arset.gsfc.nasa.gov @NASAARSET Ejercicios con Imágenes de Radar July 14, 2016 www.nasa.gov Objetivo El objetivo
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
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 detalles3.1 Interferencia óptica
CAPÍTULO III 3. Interferencia óptica La interferencia es un fenómeno óptico que ocurre entre dos o más ondas ópticas que se encuentran en el espacio. Si estás ondas tienen la misma longitud de onda y se
Más detallesemercade1@cuc.edu.co Contenido Introducción Elementos básicos del sistema nervioso humano Estructuras y funciones encefálicas Cerebro, aprendizaje y memoria Investigación y estudio del aprendizaje y la
Más detallesDescripción del equipo
La microscopía láser confocal es una nueva técnica de observación microscópica con la cual se logran excelentes resultados en diversas ramas de la ciencia (medicina, biología, materiales, geología, etc.).
Más detallesINSTITUTO DE QUÍMICA
PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO FUNDACION ISABEL CACES DE BROWN Avenida Brasil 2950, Valparaíso, Chile Teléfono (56-32) 273161 Fax (56-32) 273422 Casilla 4059 http://www.pucv.cl INSTITUTO
Más detallesUna Aplicación Exitosa de Deep Reinforcement Learning
Una Aplicación Exitosa de Deep Reinforcement Learning Conceptos relevantes - Proceso de Decisión de Markov (MDP): - Función de valor: - Función Q: - Método iterativo ("model-free" y "online") para aprender
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detalles