Técnicas de aprendizaje sobre series temporales
|
|
- Esteban Sáez Marín
- hace 7 años
- Vistas:
Transcripción
1 Técnicas de aprendizaje sobre series temporales
2 Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting de literales. 6. Selección de características mediante Boosting. 1. Árboles de decisión. 2. Máquinas de vectores soporte. 7. Resumen final. 2
3 1. Motivación 3
4 4
5 Lenguaje de reglas gráfico 5
6 Evolución de series temporales 6
7 2. Ejemplo del problema 7
8 Conjunto de datos control Normal Decreciendo Creciendo Oscilando Hacia abajo Hacia arriba 8
9 Conjunto de datos control 9
10 Conjunto de datos: Disparo 10
11 Conjunto de datos: Dígitos 11
12 Conjunto de datos: Dígitos 12
13 Conjunto de datos: Dígitos 13
14 Descripción de la series Características de las series: Multivariables/univariables. Discretas. Periodo de muestreo constante. Igual longitud (en principio). Variable: x, y, Para las series multivariables. Atributo: tiempo. Valor: valor de la serie. Ejemplo de serie con 2 variables y longitud 3 {{x.1=1, x.2=5, x.3=2}, {y.1=15, y.2=7, y.3=14}} 14
15 3. Aproximaciones al problema de clasificación de series temporales 15
16 Aproximaciones principales Métodos basados en instancias. Métodos basados en características. Métodos basados en aproximaciones simbólicas. Redes neuronales. Máquinas de vectores soporte. Modelos ocultos de Markov y Redes Bayesianas dinámicas. Ensembles (Multiclasificadores) 16
17 4. Aprendizaje de Reglas Descripción de las series temporales: Predicados sobre intervalos, regiones: Siempre, Alguna-vez, Porcentaje-cierto Alguna-vez(Ejemplo, Variable, Inicio, Fin, Región) Alguna-vez(E, x, 53, 116, r 6 ). Porcentaje-cierto(Ejemplo, Variable, Inicio, Fin, Región, Porcentaje) Generados durante el proceso de aprendizaje. 17
18 Alguna-vez( E, x, 53, 116, r 6 ) x t 18
19 alguna-vez( E, x, 53, 116, r 6 ): T x t 19
20 alguna-vez( E, x, 53, 116, r 6 ): F x t 20
21 Aprendizaje de reglas Algoritmo de recubrimiento secuencial. Generación de cláusulas: General a específico, voraz, heurística. Problema multiclase: Listas de decisión Aprender y usar las reglas en orden. Reglas no ordenadas Aprender las reglas de cada clase de forma independiente. Principal dificultad: cómputo eficiente del mejor literal. 21
22 Ejemplos de reglas clase( E, cilindro ) :- not alguna-vez( E, x, 36, 68, 3), % 174, 25 alguna-vez( E, x, 61, 69, 6), % 158, 2 alguna-vez( E, x, 7, 39, 5). % 150, 0 clase( E, campana ) :- siempre( E, x, 2, 34, 1_4). % 211, 0 clase( E, embudo ) :- not alguna-vez( E, x, 55, 119, 6), % 201, 48 alguna-vez( E, x, 5, 37, 6), % 171, 8 alguna-vez( E, x, 18, 50, 6). % 134, 0 22
23 Interpretación reglas: Cilindro clase( E, cilindro ) :- not alguna-vez( E, x, 36, 68, 3), % 174, 25 alguna-vez( E, x, 61, 69, 6), % 158, 2 alguna-vez( E, x, 7, 39, 5). % 150, 0
24 Interpretación reglas: Campana clase( E, campana ) :- siempre( E, x, 2, 34, 1_4). % 211, 0
25 Interpretación de reglas: Embudo clase( E, embudo ) :- not alguna-vez( E, x, 55, 119, 6), % 201, 48 alguna-vez( E, x, 5, 37, 6), % 171, 8 alguna-vez( E, x, 18, 50, 2). % 134, 0
26 Predicados sobre intervalos: regiones Obtención de las regiones Conocimiento del dominio. Clustering. Clustering: k-medias sobre cada variable. 26
27 Selección de literales I Criterio: ganancia de información (FOIL) Búsqueda exhaustiva: Evaluar, para todos los ejemplos, todos las posibles combinaciones de valores para los argumentos de los predicados. Siempre( Ejemplo, Variable, Inicio, Fin, Región ). Dificultad: tamaño del espacio de literales. 27
28 Selección de literales II Si las series son de longitud n, el número de intervalos es O(n 2 ) Considerando solo los que son potencia de 2: O(n lg n) Reutilizar cálculos: Programación dinámica: combinar la información disponible de 2 intervalos consecutivos de tamaño l para obtener la información necesaria para el intervalo de tamaño 2l 28
29 Selección de literales III 29
30 Tiempo de ejecución O(ervnlgn) v: número de variables n: longitud de las series nlgn: orden del número de intervalos considerados e: ejemplos r: número de grupos 30
31 Otros Predicados 31
32 Predicado Valor-punto < 32
33 valor-punto<( E, x, 32, ): F 33
34 valor-punto<( E, x, 32, ): T 34
35 Predicado Media 35
36 media<( E, x, 24, 39, ): T 36
37 media<( E, x, 24, 39, ): F 37
38 Distancias Distancia euclídea de dos series: Suma de distancias euclídeas. Limitación: Pequeños retrasos en un evento pueden alterar notablemente la distancia euclídea. Alineamiento dinámico temporal (DTW): Permite desplazamientos en el eje temporal. Intenta alinear dos series minimizando el camino de alineamiento (según distancia local). Valor: el del camino de alineamiento mínimo. No es una distancia: medida de disimilitud. 38
39 Predicados de disimilitud distancia < (Ejemplo, Referencia, Variable, Valor) 1. Seleccionar aleatoriamente r ejemplos de referencia. 2. Calcular distancia ejemplos/referencias. 3. Atributos: distancia ejemplos de referencia. 4. Seleccionar mejor referencia/umbral.
40 Tiempo de ejecución O(tve(d(n) + lge) t: ejemplos de referencia v: variables n: longitud de las series d(n): coste de la distancia ed(n): coste de comparar un ejemplo de referencia a todos los demás elge: coste de ordenar los ejemplos de acuerdo a la función de disimilitud 40
41 Evaluación experimental 41
42 Resultados 42
43 Otros resultados CBF Saito & Coifman 95, 5.54 Wavelets + análisis discriminante lineal Kadous 99, 1.9 Extracción de sucesos + agrupamiento + árboles de decisión Frente a 4.31 con reglas, siempre, alguna-vez 2.76 con reglas, porcentaje-cierto 2.11 DTW 1.10 TODOS 43
44 4. Boosting de literales. 44
45 Selección de literales con Boosting Clasificador base: búsqueda en el espacio de literales. Criterio: el literal que minimiza el error del conjunto de datos actual (afectado por pesos) 45
46 Problemas multiclase AdaBoostOC. Clasificador base binario. En cada iteración: Seleccionar aleatoriamente un subconjunto de clases. Problema binario para el clasificador base: las clases del subconjunto frente al resto. Tantos clasificadores como iteraciones. Tantos pesos como iteraciones. 46
47 Ejemplo clasificador AdaBoostOC 47
48 Resultados 48
49 Comparación con reglas 49
50 Problemas multiclase AdaBoostMH con clasificadores binarios. Clasificador base binario. En cada iteración: Seleccionar aleatoriamente una clase. Problema binario para el clasificador base: la clase frente al resto. Pero utilizarlo como clasificador base para todas las clases Para la mayoría no será adecuado: peso negativo. Tantos clasificadores como iteraciones. Tantos pesos como iteraciones clases. 50
51 Ejemplo clasificador AdaBoostMH con clasificadores binarios 51
52 5. Selección de características mediante Boosting. 52
53 Selección de características mediante Boosting. Clasificadores base: nuevas características. Objetivos: Aumentar Precisión. Aumentar Comprensibilidad. Considerar características numéricas en vez de booleanas: media<( Ejemplo, Variable, Inicio, Fin, Umbral) MEDIA( Ejemplo, Variable, Inicio, Fin) 100 iteraciones. Cada ejemplo vendrá descrito por los valores de las características seleccionadas. 53
54 Transformación del conjunto de datos Construir un clasificador mediante Boosting con el tipo de clasificador base deseado. Descartar los pesos asignados a los clasificadores base. Los nuevos atributos son los clasificadores base generados. Para cada ejemplo, el valor de cada atributo es el resultado de evaluar el clasificador base sobre el ejemplo. 54
55 Árboles de decisión 55
56 Árboles de decisión 56
57 Árbol: intervalos 57
58 Árbol: intervalos 58
59 Máquinas de vectores soporte Objetivo: incrementar precisión. Kernel: lineal, gausiano. Lineal: Combinaciones lineales de literales( hiperplano en el espacio original). Gausiano: Requiere guardar vectores soporte (centros). Series en el espacio original. Ajuste de parámetros (C, radio): Validación cruzada 5 particiones. 59
60 Resultados SVM Kernel lineal 60
61 Comparación SVM - Boosting 61
62 Comparación SVM - Boosting 62
63 Resultados SVM Kernel Gausiano 63
64 Número de vectores soporte 64
65 Resumen de resultados media y desviación frente a valor-punto o datos originales: Boosting: 15/16 Árboles: 14/16 SVM lineal: 14/16 SVM gaussiano: 11/16 65
66 Recopilación de resultados V Japonesas. Kudo: 5.9% método basado en regiones 3.8% Modelos Ocultos de Markov Geurts: 19.19% árboles para series 2.97% combinación de 25 árboles 66
67 Recopilación de resultados: Auslan F Kadous: 14.2% árboles de metacaracterísticas 5.1% boosting de árboles 2.1% combinación de varios clasicadores Cada uno, boosting de árboles A partir de distintas características 12.9% Modelos Ocultos de Markov 67
68 7. Resumen final Método viable para construir clasificadores sobre series: resultados competitivos sobre diversos conjuntos de datos. Clasificadores comprensibles: Reglas Clasificadores comprensibles y más precisos: Árboles con selección de características mediante Boosting. Clasificadores precisos: Boosting. SVM con selección de características mediante Boosting. 68
Son una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
Más detallesTécnicas de Aprendizaje Automático para la Clasificación de Series *
Técnicas de Aprendizaje Automático para la Clasificación de Series * Juan José Rodríguez 1 y Carlos J. Alonso 2 1 Lenguajes y Sistemas Informáticos Universidad de Burgos, Spain jjrodriguez@ubu.es 2 Grupo
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 detallesReconocimiento visual de ademanes usando MS Kinect - Introducción. Dr. Héctor Avilés Escuela de Invierno de Robótica 2015
Reconocimiento visual de ademanes usando MS Kinect - Introducción Dr. Héctor Avilés Escuela de Invierno de Robótica 2015 Contenido Motivación Dispositivos de captura Reconocimiento visual de ademanes Resumen
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 detalles13. Utilizar la fórmula del término general y de la suma de n términos consecutivos
Contenidos mínimos 3º ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Utilizar las reglas de jerarquía de paréntesis y operaciones, para efectuar cálculos con números racionales, expresados en forma
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2017 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA. Contenido
TEMARIOS EXAMEN DE ADMISIÓN 2017 1 Básico 1.- Reconocimiento izquierda derecha 2.- Figuras geométricas 3.- Cuerpos geométricos 4.- Establecer patrones 5.- Secuencias temporales 6.- ordinales 7.- Reconocimiento
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 detalles1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.
1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS
Más detallesIntroducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detallesFICHAS DE PRÁCTICAS 1ºBACHILLERATO MATEMÁTICAS
FICHAS DE PRÁCTICAS 1ºBACHILLERATO MATEMÁTICAS UNIDAD DIDÁCTICA : ÁLGEBRA Y ARITMÉTICA 04.- Inecuaciones Duración Estimada: 1,5 h Capacidad Terminal Comprender plantear y solucionar inecuaciones de primer
Más detallesTema 3. Análisis de costes
Tema 3. Análisis de costes http://aulavirtual.uji.es José M. Badía, Begoña Martínez, Antonio Morales y José M. Sanchiz {badia, bmartine, morales, sanchiz}@icc.uji.es Estructuras de datos y de la información
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 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 detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesC a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesPropuesta de distribución v1.12 (feb-17) - Curriculum ESPAÑA
LEYENDA: (unidad interactiva) (ejercicios extra) P (en proceso) R (repaso) ARITMÉTICA Naturales Potencias Divisibilidad Fracciones Naturales (básico) Sistema decimal. Orden. Operaciones. Aproximación.
Más detallesPENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO )
PENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO 2015-2016) CRITERIOS E INDICADORES Se detallan a continuación los criterios de evaluación junto con sus indicadores de contenidos asociados. Criterio 1: Identificar
Más detallesÍndice. Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19
Índice Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19 Capítulo 1. Introducción a la Minería de Datos 21 1. Minería de datos 21 1.1. Tipos de datos 24
Más detallesCONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O.
CONTENIDOS MÍNIMOS MATEMÁTICAS 2º Y 4º E.S.O. Matemáticas 2º E.S.O. a) Contenidos comunes. Utilizar estrategias y técnicas sencillas en la resolución de problemas. b) Números. Conocer los conceptos de
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesCONCLUSIONES 5. CONCLUSIONES.
5. CONCLUSIONES. Entre los sistemas de referencia empleados para el cálculo de las fuerzas elásticas, para un elemento finito de dos nodos que utiliza la teoría de Euler- Bernoulli [11], basándose en las
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2016 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA
TEMARIOS EXAMEN DE ADMISIÓN 2016 1 Básico y operaciones Ámbito 0 al 10 Emplear los números para identificar, contar, clasificar, sumar, restar, informarse y ordenar elementos de la realidad. Representar
Más detallesHerramientas de Programación. M.C. Juan Carlos Olivares Rojas
Herramientas de Programación M.C. Juan Carlos Olivares Rojas Febrero 2011 Temario Simbología Reglas para la construcción de Diagramas Pseudocódigo Temario Tipos de Datos y Expresiones Estructuras lógicas
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesTEMARIOS PRUEBAS SEMESTRALES 2015 PRIMER SEMESTRE DEPARTAMENTO DE MATEMÁTICA
Saint Gaspar College Misio nero s de la Precio sa Sangre F o r m a n d o P e r s o n a s Í n t e g r a s TEMARIOS PRUEBAS SEMESTRALES 2015 PRIMER SEMESTRE DEPARTAMENTO DE MATEMÁTICA NIVEL FECHA *TEMARIO*
Más detallesINDICE Prologo Capitulo 1. Algoritmos y programas Capitulo 2. La resolución de los problemas con computadoras y las herramientas de programación
INDICE Prologo XI Capitulo 1. Algoritmos y programas 1.1. Configuraciones de una computadora 1 1.2. Lenguajes de programación 2 1.3. Resolución de problemas 1.3.1. Fase de resolución del problema 3 1.3.1.1.
Más detallesÍNDICE INTRODUCCIÓN...13
ÍNDICE INTRODUCCIÓN...13 CAPÍTULO 1. LENGUAJE ALGORÍTMICO...15 1.1 DEFINICIÓN DE ALGORITMO...16 1.2 LA ROTACIÓN DE UNA LISTA DE NÚMEROS NATURALES...20 1.3 CUESTIONES...23 1.3.1 Dos comerciales en el restaurante...23
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 detallesA continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
Más detallesTEMARIO PRESENTACIÓN 7 MÓDULO I 17 EXPRESIONES ALGEBRAICAS 19
TEMARIO PRESENTACIÓN 7 MÓDULO I 17 EXPRESIONES ALGEBRAICAS 19 Introducción 19 Lenguaje común y lenguaje algebraico 22 Actividad 1 (Lenguaje común y lenguaje algebraico) 23 Actividad 2 (Lenguaje común y
Más detallesMapa Curricular: Funciones y Modelos
A.PR.11.2.1 Determina el dominio y el alcance de las funciones a partir de sus diferentes representaciones. A.PR.11.2.2 Identifica y aplica las relaciones entre los puntos importantes de una función (ceros,
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesTABLA DE CONTENIDO. TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v CAPITULO INTRODUCCIÓN MOTIVACIÓN...
TABLA DE CONTENIDO RESUMEN... i TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v LISTA DE ACRÓNIMOS... 1 CAPITULO 1... 2 INTRODUCCIÓN... 2 1.1. MOTIVACIÓN... 2 1.2. ALCANCES... 3 1.3.
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 detallesUNIDAD 12: ESTADISTICA. OBJETIVOS
UNIDAD 12: ESTADISTICA. OBJETIVOS Conocer y manejar los términos básicos del lenguaje de la estadística descriptiva elemental. Conocer y manejar distintas técnicas de organización de datos estadísticos
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallescomo les va con las practicas?
como les va con las practicas? Problemas NP-completos y Estructuras de datos básicas (representación de datos) mat-151 1 Una maquina de Turing Aceptation state Una maquina de Turing Maquina de Turing Determinística,
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 detallesGobierno de La Rioja MATEMÁTICAS CONTENIDOS
CONTENIDOS MATEMÁTICAS 1.- Números reales Distintas ampliaciones de los conjuntos numéricos: números enteros, números racionales y números reales. Representaciones de los números racionales. Forma fraccionaria.
Más detallesMinería de datos (Fases de la minería de datos)
Minería de datos (Fases de la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 12-O. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Fase de
Más detallesDeep Learning y Big Data
y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco
Más detallesBases de Datos 2. Teórico
Bases de Datos 2 Teórico Cómo se resuelven las consultas? Haga clic para modificar el estilo de texto del patrón Segundo nivel Tercer nivel Cuarto nivel Quinto nivel Estrategias usuales de los optimizadores
Más detallesUNIDAD 1: NÚMEROS NATURALES OBJETIVOS
UNIDAD 1: NÚMEROS NATURALES Realizar las operaciones con números naturales (suma, resta, multiplicación y división) y operaciones combinadas de las anteriores. Diferenciar entre división exacta y entera,
Más detallesTabla de Símbolos. Programación II Margarita Álvarez
Programación II Margarita Álvarez La tabla de símbolos es una estructura global utilizada por distintos módulos del compilador. Es el principal atributo heredado. Almacena todos los nombres declarados
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 detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
Más detallesENSEÑANZA BASICA COLEGIO JUAN IGNACIO MOLINA POSTULANTES A 7º BÁSICO
ENSEÑANZA BASICA POSTULANTES A 7º BÁSICO - Género literario (Comprensión Lectora) - Texto argumentativo - Vocabulario - Medios de comunicación masiva - Factores y múltiplos. - Números primos y compuestos,
Más detallesTabla de Símbolos. Programación II Margarita Álvarez
Programación II Margarita Álvarez La tabla de símbolos es una estructura global utilizada por distintos módulos del compilador. Es el principal atributo heredado. Almacena todos los nombres declarados
Más detallesSupport Vector Machines
Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w
Más detallesCONTENIDO Prefacio CAPITULO 1: Qué es la investigación de operaciones? CAPITULO 2: Introducción a la programación lineal...
CONTENIDO Prefacio XV CAPITULO 1: Qué es la investigación de operaciones? 1 1.1 Modelos de investigación de operaciones 1 1.2 Solución del modelo de investigación de operaciones.. 4 1.3 Modelos de colas
Más detallesGUÍA DE EXAMEN DE NUEVO INGRESO. Maestría en Optimización de Procesos
GUÍA DE EXAMEN DE NUEVO INGRESO Maestría en Optimización de Procesos ANTECEDENTES La presente guía de estudio tiene como objeto establecer los temas que serán evaluados en el proceso de selección de estudiantes
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesAnálisis y Diseño de Algoritmos
Análisis y Diseño de Algoritmos Introducción: El Rol de los Algoritmos en Computación DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Temario 2 1. Introducción 2. Notación Asintótica 3. Recurrencias
Más detalles4.1 CONTENIDOS PARA PRIMERO DE LA ESO. Conceptos
4.1 CONTENIDOS PARA PRIMERO DE LA ESO Conceptos I. Aritmética y álgebra. 1. Números naturales. _ Significado y uso en distintos contextos. _ El sistema de numeración decimal. 2. Operaciones con los números
Más detallesMétodos Numéricos. Carrera: BQM Participantes. Representantes de las academias de Ingeniería Bioquímica. Academia de Ingeniería
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Métodos Numéricos Ingeniería Bioquímica BQM - 0524 3-2-8 2.- HISTORIA DEL PROGRAMA
Más detallesMetodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México
Metodología para la generación y evaluación de políticas de operación en sistemas de recursos hídricos. Aplicación a un sistema de México Índice general Resumen...vii Resum... ix Summary... xi Índice de
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesMÁQUINAS DE VECTORES DE SOPORTE
MÁQUINAS DE VECTORES DE SOPORTE Introducción Se tiene información de N individuos codificada de la forma Las variables X son vectores que reúnen información numérica del individuo, las variables Y indican
Más detallesContenidos mínimos 4º E.S.O.:
Contenidos mínimos 4º E.S.O.: Para la opción A: UNIDADES DIDÁCTICAS Observaciones 1.- NÚMEROS RACIONALES. - Interpretación de una fracción. Fracciones equivalentes. - Ordenación y comparación de números
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesDescripciones de los niveles de logro modificados (ALD, siglas en inglés) de la prueba de evaluación MCA en matemáticas Grados 5 a 8
Descripciones de los niveles de logro modificados (ALD, siglas en inglés) de la prueba de evaluación MCA en matemáticas Grados 5 a 8 Grado 5 No cumple los estándares de logro modificados (Grado 5) Los
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 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 detallesPreparación para Álgebra universitaria con trigonometría
Preparación para Álgebra universitaria con trigonometría Este curso cubre los siguientes temas. Usted puede personalizar la gama y la secuencia de este curso para satisfacer sus necesidades curriculares.
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 detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesTipos Abstractos de Datos
Objetivos Repasar los conceptos de abstracción de datos y (TAD) Diferenciar adecuadamente los conceptos de especificación e implementación de TAD Presentar la especificación algebraica como método formal
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 detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesLIBRO GUIA: INVESTIGACIÓN DE OPERACIONES Hamdy A. Taha. Editorial Pearson Prentice Hall, 2004
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS: ELÉCTRICA, ELECTRÓNICA, FÍSICA Y CIENCIAS DE LA COMPUTACIÓN PROGRAMA INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ASIGNATURA: INVESTIGACIÓN DE OPERACIONES
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Introducción a las Ciencias Computacionales Área a la que pertenece: Área General Horas teóricas: 2 Horas practicas: 1 Créditos: 5 Clave: F0153 Asignaturas antecedentes y subsecuentes
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 detallesFundamentos de programación JAVA
Pág. N. 1 Fundamentos de programación JAVA Familia: Editorial: Autor: Computación e informática Macro Ricardo Walter Marcelo Villalobos ISBN: 978-612-304-238-7 N. de páginas: 296 Edición: 2. a 2014 Medida:
Más detallesUnidad 2: Descubriendo patrones
Unidad 2: Descubriendo patrones Rafael Vázquez Pérez Sábados de 10-13 Agenda 2.1 Evaluación de Patrones 2.1.1 Datos objeto y tipos de atributos 2.1.2 Estadística de los datos 2.1.3 Visualización de datos
Más detallesExperimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
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 detallesAplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés
Aplicación de Vectores Estadísticos de Características y Ensambles para el Reconocimiento Automático del Llanto de Bebés Amaro Camargo Erika, Reyes García Carlos A. Instituto Nacional de Astrofísica, Óptica
Más detallesTEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS
HOJA INFORMATIVA A.5.2.33 TEMARIO DE PROFESORES DE ENSEÑANZA SECUNDARIA MATEMÁTICAS Publicado en el B.O.E. de 21 de Septiembre de 1.993 MARZO 1998 MATEMÁTICAS 1. Números naturales. Sistemas de numeración.
Más detalles1. Dar a conocer los fundamentos del razonamiento científico y la investigación clínica y epidemiológica
Módulo 1. Métodos de investigación clínica y epidemiológica del módulo 1. Dar a conocer los fundamentos del razonamiento científico y la investigación clínica y epidemiológica 2. Capacitar al alumno para
Más detallesCONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 5º ED. PRIMARIA
CONTENIDOS Y CRITERIOS DE EVALUACIÓN MATEMÁTICAS 5º ED. PRIMARIA El cálculo y los problemas se irán trabajando y evaluando a lo largo de todo el año. 1ª EVALUACIÓN CONTENIDOS. o Los números de siete y
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 1 Representación de la Información
Más detallesCalendario Lenguaje Matemática Inglés Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 28 de Junio 30 de Junio 4 de Julio
Curso: 7º Básico Nivel de Séptimos del Primer Semestre (coef. 2), de según fecha indicada para cada sector de Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 30 de Junio 4 de Julio Los Sectores
Más detallesI.E.S. DE INGENIO Avda. de los Artesanos, INGENIO POC-PC EVALUACIÓN CONTENIDOS MÍNIMOS CURSO CURSO: 1º BACH.
CURSO 2009-2010 CURSO: 1º BACH. CCSS Números reales (Intervalos y entornos, valor absoluto, logaritmo). ÁREA: MATEMATICAS AP. CCSS I Polinomios y fracciones algebraicas (operaciones básicas, divisibilidad,
Más detallesFundamentos de Programación Visual Basic
Pág. N. 1 Fundamentos de Programación Visual Basic Familia: Editorial: Tecnología de información y computación Macro Autor: Ricardo Walter Marcelo Villalobos ISBN: 978-612-304-236-3 N. de páginas: 280
Más detallesFacultad De Ingeniería Programa de Ingeniería Industrial
Facultad De Ingeniería Programa de Ingeniería Industrial Código Materia: 05252 Excel Nivel Intermedio Requisito: 09641 Habilidades Básicas en Hojas Electrónicas Programa Semestre: Ingeniería Industrial
Más detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detalles