III JORNADAS DE DATA MINING
|
|
- Miguel Vega Rodríguez
- hace 7 años
- Vistas:
Transcripción
1 III JORNADAS DE DATA MINING EN EL MARCO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL VISIÓN DE MODELOS PREDICTIVOS COMO RANKEADORES Gustavo Denicolay, Socio Gerente Adaptive, Profesor Maestría en Data Mining de la Universidad Austral. IAE - Pilar, 12 y 13 de agosto de 28
2 Visión de modelos predictivos como rankeadores 1
3 Motivación Clasificación: dado un nuevo registro, asignar la etiqueta positivo o de negativo Rankear: dados un conjunto de nuevos registros, ordenar a los positivos antes que los negativos. Estimación de Probabilidad: dado un registro nuevo asignarle la probabilidad que sea positivo. Existe alguna jerarquía entre las tres tareas? 2
4 Motivación Mejor clasificación no implica mejor ranking Pos Neg 3 errores ranking 3 errores clasificación Pos Neg 6 errores ranking 2 errores clasificación, MEJOR 3
5 Motivación Mejor probabilidades no implica mejor ranking 1.5 errores ranking.25 mean squared error errores ranking.125 mean squared error, MEJOR 4
6 Motivación Si el dataset es muy desbalanceado, es trivial obtener un clasificador con gran accuracy asi como asignar probabilidades con un mean squared error muy bajo. SIN EMBARGO no es trivial obtener un buen rankeador. Un buen rankeador captura la esencia de SEPARAR las clases. 5
7 Motivación Rankear cumple un rol fundamental. Un mejor rankeador implica un mejor clasificador y un una mejor estimación de probabilidades. Una mejor estimación de probabilidades no implica un mejor rankeador. Pero utilizando la Cascara Convexa de la Curva ROC y reparando concavidades de puede mejorar la estimacion de probabilidades. 6
8 Curva ROC 7
9 ROC : Receiver Operating Characteristic El término se comenzó a utilizar luego del ataque japones a Pearl Harbor en 1941 para incrementar la exactitud en la detección de aviones japoneses a partir de las señales de radar. En 1998 Foster Provost, Tom Fawcett y Ron Kohavi publican The case against Accuracy Estimation for comparing Induction Algorithms En 23 Charles X. Ling, Jin Huang, Harry Zhang demuestran formalmente la superioridad del la métrica AUC sobre la métrica Accuracy AUC: a Statistically Consistent and more Discriminating Measure than Accuracy Hoy, 28, muchos practicantes del data mining aun no utilizan regularmente la curva ROC para comparar algoritmos y continuan utilizando la metrica de accuracy... 8
10 Curva ROC de Predicados 9
11 3 2 var b Negativos 1 neg= var a 1
12 3 pos= 3 2 var b Positivos var a 11
13 3 2 var b Negativos Positivos var a 12
14 3 Predicado 1 = (.5 < a < 2) and (1.5 < b < 3 ) Pos=113 Neg = 75 2 var b Negativos Positivos var a 13
15 Positivos 15 P 1 Azar Negativos 14
16 3 Pos=15 Neg = Predicado 2 = (1<a<3) and (1<b<3) and (a+b >4) 2 var b Negativos Positivos var a 15
17 Positivos 15 P 1 Azar P Negativos 16
18 3 2 var b Negativos Positivos var a 17
19 Pos = 225 Neg = Pos = 75 Neg = 1 Pos = Neg = 3 18
20 Construcción de la Curva ROC Region Azul Verde Rojo Neg 3 1 Pos Region Rojo Verde Azul Neg 1 3 Pos Vacio Rojo Verde Azul Universo Acum Neg Acum Pos
21 Positivos 15 Modelo Azar P Negativos 2
22 Curva ROC de Arbol de Decisión 21
23 3 2 var b Negativos Positivos var a 22
24 var a Pos= Neg=2 var b 1 var a Pos=15 Neg= var b Pos=75 Neg= 5 4 Pos= Pos=75 Neg=1 Neg=
25 Hoja Neg Pos Neg Acum Pos Acum Vacio
26 var b 15 Arbol Azar var a 25
27 Construccion Curva ROC Rankeador Generico 26
28 Empezar en (,) 2. Mientras existan puntos por leer, ir al siguiente punto del ranking 1. Si es positivo, moverse arriba 2. Si es negativo, moverse a la derecha
29 Curva ROC caso clases completamente separables 28
30 DataSet 3 2 var B Neg Pos var A 29
31
32 Curva ROC un caso mas difuso 31
33 var b Neg 4 datos Normal( 1, 1 ) Neg var a 32
34 3 2 var b Pos 3 datos Normal( 3, 1 ) 1 Pos var a 33
35 var b 1.5 Neg Pos var a 34
36 Pos 15 ROC optima Azar Neg 35
37 Comparacion de Modelos utilizando curvas ROC 36
38 A 1 B 5 El modelo A es mejor que el modelo B A domina a B
39 3 25 C 2 15 A 1 5 El modelo A es mejor que el modelo C en cierta region. C es mejor que A en otra region
40 El modelo A es bueno detectando los positivos. El modelo C es bueno detectando los negativos. La diferencia entre los modelos A y C se debe a que los algoritmos que los generaron buscaron de forma distinta en el espacio de busqueda de todos los modelos. Ningun modelo es superior al otro para todos los puntos. 39
41 La Cascara Convexa ( Convex Hull ) 4
42 3 C 25 2 H 15 A
43 Clasificador Hibrido H H es tangente a las curvas A y C No necesariamente H es paralela a la recta del azar. Dado un umbral que implique un corte a la curva ROC en el intervalo H, se determina p de la siguiente forma d 1 d 2 d 1 p= d 1 + d 2 A h H C punto de corte 42
44 Clasificador Hibrido H Supongamos un punto h, del segmento H, que esta a distancia p del punto de tangencia con A ( y a distancia 1-p de punto de tangencia con C ) H(h) = Dado un nuevo registro a clasificar generar una variable aleatoria uniforme entre y 1 Si es menor o igual a p invocar al clasificador A En caso contrario invocar al clasificador C 43
45 Relacion metrica de clasificacion Accuracy y curvas ROC 44
46 Dado un Clasificador, la metrica Accuracy es el porcentaje de registros correctamente clasificados. El accuracy determina un sentido en el plano de las rectas paralelas a la recta positivos = negativos que solamente coincide con el sentido de la recta del azar en el unico caso que el dataset este perfectamente balanceado ( # registros positivos = # registros negativos ) 45
47 A 1 B
48 y si las clases estan mas desbalanceadas que sucede? 47
49
50 En el caso de las clases desbalanceadas se observa la GRAN FALLA de la metrica accuracy, producto de hacer el cociente entre positivos y negativos. 49
51 Estimacion de Probabilidad y Cascara Convexa de la curva ROC 5
52 Los Arboles de Decision generan una buena asignacion de probabilidades. Naive Bayes, Support Vector Machines y AdaBoost no generan una estimacion de probabilidad, y deben CALIBRADOS. La CALIBRACION de un clasificador se puede lograr entre otros metodos por: Estimacion Parametrica Binning Regresion Isotonica no parametrica. algoritmo Pool Adjacent Violators PAV 51
53 La CALIBRACION por medio el algoritmo e Pool Adjacent Violators PAV es EQUIVALENTE a reparar concavidades de una curva ROC utilizando la Convex Hull. ( Tom Fawcett, 27 ) Dado un dataset, y un clasificador, a partir del ranking, reparando concavidades en su Curva ROC, se RECALIBRAN las probabilidades, maximiza el AUC (area bajo la curva ROC) y maximiza el mean squared error de las probabilidades para cualquier eleccion de umbral de clasificacion y costos de misclasificacion. 52
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesAutomatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica
Automatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica Ronald René Vergara Pareja 1 Agenda Objetivo de la Investigación. Situación Actual de los Proyectos de Inversión Publica.
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesAprendizaje Supervisado Máquinas Vectoriales de Soporte
Aprendizaje Supervisado Máquinas Vectoriales de Soporte Tipos de Variables 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado
Más detallesRECONOCIMIENTO DE VINOS POR CULTIVOS CLASIFICACION
RECONOCIMIENTO DE VINOS POR CULTIVOS CLASIFICACION Miguel Caballero Sierra Guillermo Rubio Escuela Colombiana de Ingeniería Julio Garavito Ingeniería Industrial, Minería de Datos RESUMEN Los modelos de
Más detallesOBJETIVOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS
2º BACHILLERATO DE CIENCIAS SOCIALES OBJETIVOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SICIALES II CONTENIDOS DE LAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II CRITERIOS DE EVALUACIÓN DE LAS
Más detallesSegmentación de una cartera de clientes usando aprendizaje de máquina
Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014 Inicio Inicio
Más detallesDATA MINING CON Rweka
DATA MINING CON Rweka Grupo de Usuarios de R de Madrid Mauricio Beltrán Pascual Madrid, 28 de febrero de 2017 1 # PERCEPTRÓN MULTICAPA WOW("weka/classifiers/functions/MultilayerPerceptron") WPM("install-package","c:/WEKA_ZIP/RBFNetwork1.0.6.zip")
Más detallesCorrosión n en tuberías de transporte de gas y petróleo
Corrosión n en tuberías de transporte de gas y petróleo Uso de herramientas de estadística aplicada Ing. Fernando Tomati Ing. Adrián Gabriele 4tas. Jornadas de Celebración del Mes Nacional de la Calidad
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
Más detallesPROGRAMACIÓN DE AULA WEB TALLER DE MATEMÁTICAS 1º ESO
PROGRAMACIÓN DE AULA WEB TALLER DE MATEMÁTICAS 1º ESO Unidad 1: Operaciones con números naturales La suma de números naturales. La resta de números naturales. La multiplicación de números naturales. La
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 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 detallesLección n 5. Modelos de distribución n potencial de especies
Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesObject Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary
Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary P. Duygulu, K. Barnard, J.F.G. de Freitas, and D.A. Forsyth Dr. Enrique Sucar 1 Victor Hugo Arroyo Dominguez 1
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 detalles(d) Puede haber estrategias que funcionan mejor que Minimax si el contrincante es
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesNIVEL: 5º ÁREA: Matemáticas 1º TRIMESTRE CONCRECIÓN DE LOS OBJETIVOS AL CURSO CRITERIOS DE EVALUACIÓN
NIVEL: 5º ÁREA: Matemáticas 1º TRIMESTRE CONCRECIÓN DE LOS OBJETIVOS AL CURSO 1.-Formar, comparar, ordenar y redondear números naturales.sumar, restar, multiplicar y dividir números naturales 2.-Utilizar
Más detallesTema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
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 detallesModelos de Scoring para Riesgo de Crédito
Modelos de Scoring para Riesgo de Crédito Los modelos de scoring de riesgo, dentro del proceso de otorgamiento de crédito, están orientados a anticipar comportamiento futuro. Podemos dividirlos en tres
Más detallesMinería de Datos. Preprocesamiento: Reducción de Datos - Discretización
Minería de Datos Preprocesamiento: Reducción de Datos - Discretización Dr. Edgar Acuña Departamento de Ciencias Matemáticas Universidad de Puerto Rico-Mayaguez E-mail: edgar.acuna@upr.edu, eacunaf@gmail.com
Más detallesComparación de varios métodos de aprendizaje sobre varios problemas
Comparación de varios métodos de aprendizaje sobre varios problemas Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Motivación 2.
Más detallesSISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS.
SISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS. MTIE. Erik Guerrero Bravo. Universidad Tecnológica Tula - Tepeji. Introducción Sistemas Transaccionales
Más detallesFACULTAD DE INGENIERÍA
FACULTAD DE INGENIERÍA II JORNADAS DE DATA MINING CONFERENCIA 7.- " CASO SNOOP CONSULTING-ORACLE Fernando Das Neves Gerente de I+D de Snoop Consulting-Oracle Data Mining Technologies IAE - Pilar, 7 y 8
Más detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesTeledetección de cultivos de Soja y Pasturas utilizando imágenes satelitales
Captura y Procesamiento Digital de Imágenes Teledetección de cultivos de Soja y Pasturas utilizando imágenes satelitales Martinez, Guillermo Mastaglia, Nicolás Periotti, Santiago Objetivos Dada una parcela,
Más detallesDesarrollo de un sistema para medir similitud entre clases
Desarrollo de un sistema para medir similitud entre clases R. Guzmán-Cabrera, J.C. Ruiz, M. Torres-Cisneros University of Guanajuato, Engineering Division, Irapuato-Salamanca, Guanajuato, México guzmanc@ugto.mx
Más detallesPrecisión del Modelo
Precisión del Modelo Gráficas, estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesNEWTON TREES. Árboles de Estimación Estocástica de Probabilidades:
Tesis de Máster en Ingeniería del Software, Métodos Formales y Sistemas de Información Árboles de Estimación Estocástica de Probabilidades: NEWTON TREES Autor: Fernando Martínez Plumed 1 Directores: Cèsar
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 detalles(e) Con la poda alfa-beta se eliminan nodos que nunca serán alcanzados
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 5 1. Cuáles de las siguientes afirmaciones acerca del algoritmo Minimax son ciertas (a) El algoritmo Minimax realiza una exploración primero
Más detallesUna generalización del clasificador Naive Bayes para usarse en bases de datos con dependencia de variables
Una generalización del clasificador Naive Bayes para usarse en bases de datos con dependencia de variables Ana E. Ruiz L. 1,2, Christopher R. Stephens S. 3,4, Hugo Flores 1,3 1 IIMAS, Universidad Nacional
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesCategorización de texto sensible al coste para el filtrado de contenidos inapropiados en Internet
Categorización de texto sensible al coste para el filtrado de contenidos inapropiados en Internet José María Gómez Hidalgo Enrique Puertas Sánz Francisco Carrero García Manuel de Buenaga Rodríguez Departamento
Más detallesBIOSESTADÍSTICA AMIGABLE
BIOSESTADÍSTICA AMIGABLE EJEMPLO: Ficha solicitud Colección Reserva UNIVERSIDAD AUSTRAL DE CHILE SISTEMA DE BIBLIOTECAS Clasificación: 574.015195 MAR 2001 Vol. y/o Copia: Apellido Autor: Título: C. 1 (SEGÚN
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesUnidad 1: Sistemas de ecuaciones. Método de Gauss
CRITERIOS DE EVALUACIÓN Y EXIGIBLES. MATEMÁTICAS II Unidad 1: Sistemas de ecuaciones. Método de Gauss Sistemas de ecuaciones lineales - Sistemas equivalentes. - Transformaciones que mantienen la equivalencia.
Más detallesMATEMÁTICAS. PRIMERO DE E.S.O.
MATEMÁTICAS. PRIMERO DE E.S.O. Unidad 1: Números naturales. Potencias y raíces. Números naturales. Representación geométrica. Operaciones. Sistema de numeración decimal. Operaciones combinadas. Jerarquía.
Más detallesSyllabus. Curso:SEXTO. Materia:ESTUDIOS MATEMÁTICOS
Syllabus Curso:SEXTO Materia:ESTUDIOS MATEMÁTICOS Descripción del curso: Esta asignatura está destinada a estudiantes con distintas capacidades y niveles de conocimiento, con el objeto de infundir seguridad
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesMatemáticas. Si un error simple ha llevado a un problema más sencillo se disminuirá la puntuación.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA PRUEBAS DE ACCESO A LA UNIVERSIDAD DE LOS MAYORES DE 25 AÑOS CONVOCATORIA 2014 CRITERIOS DE EVALUACIÓN Matemáticas GENERALES: El examen constará de dos opciones (dos
Más detallesCRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I
CRITERIOS DE EVALUACIÓN 1º BACH. C. N. S. MATEMÁTICAS I UNIDAD 1 NÚMEROS REALES 1.1. Dados varios números, los clasifica en los distintos campos numéricos y los representa en la recta real. 1.2. Domina
Más detallesAprendizaje Automático Segundo Cuatrimestre de Evaluación de Hipótesis
Aprendizaje Automático Segundo Cuatrimestre de 2015 Evaluación de Hipótesis Aproximación de Funciones Marco del problema: Conjunto de instancias posibles X Función objetivo desconocida f: X Y Conjunto
Más detallesORIENTACIONES PARA LA MATERIA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. EBAU 2018
ORIENTACIONES PARA LA MATERIA DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. EBAU 2018 Criterios de evaluación Criterios específicos NÚMEROS Y ÁLGEBRA Matrices 1. Conocer el concepto de matriz y
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
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 detallesUTILIZACIÓN DE LA CAPACIDAD INSTALADA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE
Montevideo, 28 de octubre de 2009. UTILIZACIÓN DE LA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE 2009 - ANÁLISIS DE LOS PRINCIPALES INDICADORES El grado de utilización de la Capacidad Instalada
Más detallesDEPARTAMENTO DE MATEMATICAS IES ROSA CHACEL (Colmenar Viejo) Criterios de evaluación y criterios de calificación Matemáticas. 1º de E.S.O.
DEPARTAMENTO DE MATEMATICAS IES ROSA CHACEL (Colmenar Viejo) Criterios de evaluación y criterios de calificación Matemáticas. 1º de E.S.O. CRITERIOS DE EVALUACIÓN Los siguientes criterios de evaluación
Más detallesDerivada Aplicaciones. Prof. Alberto Alvaradejo IVº Medio Calculo II 2017
Derivada Aplicaciones Prof. Alberto Alvaradejo IVº Medio Calculo II 2017 I. Función creciente Una función continua f es estrictamente creciente en un intervalo I si cumple x 0 < x 1 < x 2 f (x 0 ) < f
Más detallesCONTENIDO SEMBLANZA DE LOS AUTORES DE LOS ESCRITORES DE CASOS..
CONTENIDO SEMBLANZA DE LOS AUTORES DE LOS ESCRITORES DE CASOS.. PREFACIO. xix xxi xxiii CAPITULO I Introducción. 1 1.1 Orígenes de la investigación de operaciones. 1 1.2 Naturaleza de la investigación
Más detallesIII JORNADAS DE DATA MINING CASO DE ÉXITO: SOLUCIONES PREDICTIVAS PARA LA. Luciano Menéndez Dello Analytics Manager en HSBC
III JORNADAS DE DATA MINING EN EL MACRO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL CASO DE ÉXITO: SOLUCIONES PREDICTIVAS PARA LA BANCA RETAIL Luciano Menéndez Dello Analytics Manager en HSBC
Más detallesMATEMÁTICAS 6 GRADO. Código de Contenido El alumno empleará la lectura, escritura y comparación de diferentes cantidades de cifras numéricas.
MATEMÁTICAS 6 GRADO Código Materia: Matemáticas (Español) = MSP Eje 1= Sentido numérico y pensamiento algebraico. Eje 2= Forma, espacio y medida. Eje 3= Manejo de la información. Código: Materia. Grado.
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Sistemas Multiagentes IA Distribuida Introducción Esquemas de control
Más detallesANÁLISIS CUANTITATIVO POR WDFRX
ANÁLISIS CUANTITATIVO POR WDFRX El análisis cuantitativo se obtiene mediante la medida de las intensidades de las energías emitidas por la muestra. Siendo la intensidad de la emisión (número de fotones)
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesARBOLES DE DECISION. Miguel Cárdenas-Montes. 1 Introducción. Objetivos: Entender como funcionan los algoritmos basados en árboles de decisión.
ARBOLES DE DECISION Miguel Cárdenas-Montes Los árboles de decisión son estructuras lógicas con amplia utilización en la toma de decisión, la predicción y la minería de datos. Objetivos: Entender como funcionan
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesEXAMEN DE SEPTIEMBRE, MATEMÁTICAS I. 1. (2.5 ptos) Sean f y g funciones con derivadas primeras y segundas continuas de las que se sabe que
EXAMEN DE SEPTIEMBRE, MATEMÁTICAS I DEBE CONTESTAR ÚNICAMENTE A 4 DE LOS SIGUIENTES 5 EJERCICIOS 1. (.5 ptos) Sean f y g funciones con derivadas primeras y segundas continuas de las que se sabe que Sea
Más detallesMUESTRAS EQUILIBRADAS EN POBLACIONES FINITAS: UN ESTUDIO COMPARATIVO EN MUESTRAS DE EXPLOTACIONES AGROPECUARIAS 1
Marí, Gonzalo * Barbará, Gabriela ** Mitas, Gerardo ** Passamonti, Sergio ** *Instituto de Investigaciones Teóricas y Aplicadas en Estadística, Escuela de Estadística **Dirección de Metodología Estadística,
Más detallesMétodos de ensambles
Métodos de ensambles Outline Ensambles en general Bagging Random Forest Boosting Introducción Ensamble: conjunto grande de modelos que se usan juntos como un meta modelo Idea base conocida: usar conocimiento
Más detallesÁreas entre curvas. Ejercicios resueltos
Áreas entre curvas Ejercicios resueltos Recordemos que el área encerrada por las gráficas de dos funciones f y g entre las rectas x = a y x = b es dada por Ejercicios resueltos b a f x g x dx Ejercicio
Más detalles02. Resolver sistemas de ecuaciones lineales por el método de Gauss.
3.6 Criterios específicos de evaluación. 01. Conocer lo que significa que un sistema sea incompatible o compatible, determinado o indeterminado, y aplicar este conocimiento para formar un sistema de un
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesMarcel Goic
IN5602 Marketing II Modelos de Comportamiento: Estimación y Heterogeneidad Marcel Goic (mgoic@dii.uchile.cl) Semestre Otoño 2012 1 Ejemplo Proyección de Retención de Clientes 2 Motivación Año #Clientes
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 detallesTABLA DE CONTENIDO. POSICIONAMIENTO ESTRATÉGICO DE LA ORGANIZACIÓN Clientes, usuarios y beneficiarios... 23
TABLA DE CONTENIDO TABLA DE CONTENIDO... 5 INDICE DE ILUSTRACIONES... 11 INDICE DE TABLAS... 14 INTRODUCCIÓN... 17 Contexto del sistema de justicia criminal... 18 Contexto de la organización... 21 Análisis
Más detallesCapítulo 5. Conclusiones
Capítulo 5 Conclusiones En este trabajo se desarrolló un sistema capaz de clasificar enunciados dependiendo de la opinión que cada uno expresa acerca de una película. Se cumplió entonces con el objetivo
Más detallesEvaluación del impacto de fondos públicos a la investigación científica: la experiencia del BID
Evaluación del impacto de fondos públicos a la investigación científica: la experiencia del BID Alessandro Maffioli Taller de evaluación de impacto de programas de ciencia, tecnología e innovación 17-18
Más detallesCONTENIDOS MINIMOS DE REFUERZO DE MATEMATICAS DE 2º DE ESO 1 Los números naturales
CONTENIDOS MINIMOS DE REFUERZO DE MATEMATICAS DE 2º DE ESO 1 Los números naturales Los números naturales El sistema de numeración decimal : Órdenes de unidades. Equivalencias. números grandes. Millones.
Más detallesUNIVERSIDAD DE LA REPUBLICA FACULTAD DE INGENIERÍA. Guía curso para el bloque temático: Microeconomía
UNIVERSIDAD DE LA REPUBLICA FACULTAD DE INGENIERÍA Guía curso para el bloque temático: Microeconomía Guía 3 Prof: Gustavo Dutra 2017 1 La Producción Contenido de esta Guía 1) La producción y la escasez,
Más detallesEcuación de la recta tangente
Ecuación de la recta tangente Pendiente de la recta tangente La pendiente de la recta tangente a una curva en un punto es la derivada de la función en dicho punto. Recta tangente a una curva en un punto
Más detallesMOVIMIENTO RECTILINEO
MOVIMIENTO RECTILINEO Esta unidad continúa con el estudio del movimiento iniciado en dos unidades anteriores: Cuerpos en movimiento y Trayectoria y Desplazamiento En ésta unidad se aborda por separado
Más detallesREPRESENTACION GRÁFICA DE FUNCIONES
REPRESENTACION GRÁFICA DE FUNCIONES 1 REPRESENTACION GRÁFICA DE FUNCIONES UNIDADES Pag. 1. DEFINICIÓN DE DOMINIO UNA FUNCIÓN.3 2. CORTES CON LOS EJES...5 3. SIMETRÍA..7 4. PERIODICIDAD 9 5. FUNCIONES INVERSAS....10
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 detallesTema 6 Tangencias y polaridad
Tema 6 Tangencias y polaridad Tema 6 Tangencias y polaridad...1 Tangencias... 2 Propiedades... 2 Enlaces... 3 Definición... 3 Construcción de enlaces... 3 Enlace de dos rectas oblicuas mediante dos arcos
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesMATRIZ DE ARBOLES DE DECISION
MATRIZ DE ARBOLES DE DECISION Los árboles son un subconjunto importante de los grafos, y son una herramienta útil para describir estructuras que presentan algún tipo de jerarquía. Las dificultades de las
Más detallesEjercicios de Funciones: Monotonía, curvatura, parámetros.
Matemáticas 2ºBach CNyT. Ejercicios Funciones: Monotonía, curvatura, parámetros. Pág 1/8 Ejercicios de Funciones: Monotonía, curvatura, parámetros. 1. Calcular los intervalos de crecimiento y decrecimiento
Más detallesRandom Forests. Teoría y ejemplos. Romain Gouron. Conferencia 9, GLAM, Doble titulo Ecole Centrale de Nantes (Francia)
Teoría y ejemplos 1 1 Departamiento de Ingenería Matemática Doble titulo Ecole Centrale de Nantes (Francia) Conferencia 9, GLAM, 2016 Outline 1 Árboles de decisión Construcción 2 3 Rotation forest Gradient
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 detallesClasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual. Julian Camilo Daza
Clasificacion de Enfermedad de Alzheimer en MRI utilizando información de Saliencia Visual Julian Camilo Daza En el análisis médico basado en imágenes un médico experto busca evidencias sobre posibles
Más detallesRESUMEN DE ALGORITMOS PROBABILÍSTICOS
RESUMEN DE ALGORITMOS PROBABILÍSTICOS En los algoritmos probabilísticos hay ciertas decisiones que se toman al azar bajo condiciones estadísticamente estables como una distribución uniforme. Normalmente
Más detallesCONTENIDOS MÍNIMOS 1ºESO. -Realización de las cuatro operaciones (suma, resta, multiplicación y división) mediante los algoritmos tradicionales.
DEPARTAMENTO DE: MATERIA: CONTENIDOS MÍNIMOS Matemáticas Matemáticas 1ºESO Números naturales y enteros: -Comparar y ordenar números. -Representar en la recta. -Realización de las cuatro operaciones (suma,
Más detallesUNIVERSIDAD DE LA REPUBLICA FACULTAD DE INGENIERÍA. Guía curso para el bloque temático: Microeconomía
UNIVERSIDAD DE LA REPUBLICA FACULTAD DE INGENIERÍA Guía curso para el bloque temático: Microeconomía Guía 3 Prof: Gustavo Dutra 2016 1 LA PRODUCCION Los factores de producción: tierra, trabajo, capital
Más detallesTema 4: Producción y Costes
Tema 4: Producción y Costes Introducción 1. Producción en el corto plazo 1. Productividad total, media y marginal 2. ey de rendimientos decrecientes 2. Producción en el largo plazo 1. Rendimientos a escala
Más detallesÍNDICE. Introducción... Capítulo 1. Investigación de mercados y muestreo. Muestreo aleatorio simple y sistemático... 1
Introducción... XI Capítulo 1. Investigación de mercados y muestreo. Muestreo aleatorio simple y sistemático... 1 Las técnicas de muestreo y la investigación de mercados... 1 Población, marco y muestra...
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesCONCAVIDAD. Supongamos que tenemos la siguiente información, referente a una curva derivable: Cómo la graficaríamos?
CAPÍTULO 14 CONCAVIDAD Supongamos que tenemos la siguiente información, referente a una curva derivable: Intervalo Signo de f F (-00,3) + Creciente (3,8) - Decreciente (8, + ) + Creciente Cómo la graficaríamos?
Más detallesEstimar la adecuación de un nodo para ser expandido.
Universidad Rey Juan Carlos Curso 2014 2015 Hoja de Problemas Tema 3 - Solución 1. Contesta a las siguientes preguntas: (a) Cuál es el objetivo de una función heurística aplicada a la búsqueda en el espacio
Más detalles