Sesión 11 Árboles de decisión
|
|
- Francisco Javier Maestre Rubio
- hace 6 años
- Vistas:
Transcripción
1 Inteligencia Artificial Sesión 11 Árboles de decisión Ingeniería Superior en Informática, 4º Curso académico: 2008/2009 Profesores: Sascha Ossowski, Ramón Hermoso, y Matteo Vasirani Tema 3: Aprendizaje Automático Resumen: 3. Aprendizaje automático 3.1 Introducción al aprendizaje automático 3.2 Árboles de decisión 3.3 Redes neuronales 1
2 Aprendizaje automático: motivación 1. El desarrollo de software complejo es complicado Es difícil especificar el conocimiento necesario para realizar una determinada tarea Por tanto es difícil implementar un sistema que realiza esta tarea Ejemplo: diagnosis de cáncer de mama a partir de imágenes 2. La sociedad de la información genera una cantidad creciente de información nadie es capaz de organizar/analizar/estructurar estos datos 3. Hay una tendencia de automatizar/informatizar la sociedad a la par con la necesidad de personalizar los sistemas a los individuos nadie es capaz de prever las necesidades especificas de los diferentes usuarios actuales y futuros Solución: sistemas que aprendan y se adaptan Qué es aprendizaje? Memorizar algo Mejorar las capacidades con la experiencia Descubrir hechos a través de observaciones y exploraciones Organizar el conocimiento adquerido en representaciones eficientes... El objetivo: 1. Mejorar la efectividad de un sistema (realizar las tareas de forma mejor) 2. Mejorar la eficiencia de un sistema (realizar las tareas de forma más rápido o con menos coste computacional) 2
3 Aprendizaje por razonamiento inductivo Razonamiento inductivo: Inferir suposiciones generales a partir de (muchos) hechos concretos (aprendizaje) Ejemplo: El balón 1 bota al dejarlo caer El balón 2 bota al dejarlo caer El balón 3 bota al dejarlo caer... El balón 100 bota al dejarlo caer Entonces cualquier balón va a botar si lo dejo caer. El razonamiento inductivo nos permite realizar predicciones. Inferencia inductiva es un subcampo de aprendizaje automático Aprendizaje automático: posibles tareas Clasificación: clasificar productos de una fábrica en correctos y erróneos Predicción: predecir el tráfico en una ciudad Diagnostico: diagnosticar enfermedades de pacientes a partir de síntomas Agrupación: agrupar páginas Web en función de su contenido Caracterización: Determinar las características de las personas que compren determinados tipos de productos Mejorar la eficiencia: mejorar un robot que tiene que encontrar caminos a una determinada posición en un edificio para que encuentre los caminos más rápido Aprender funciones heurísticas 3
4 Tipos de AA: según la representación de datos Aprendizaje simbólico: Similar los procesos de la inteligencia a más alto nivel Representación de los datos por características y atributos Inferencia sigue el razonamiento lógico Ejemplo: Estado de trafico: (llueve, viernes, mucho trafico) Aprendizaje subsimbólico: Simular los procesos biológicos que intervienen en la inteligencia a bajo nivel (evolución de especies, funcionamiento de las neuronas, ) Representación subsimbolica de los datos, no directamente interpretable Inferencia y razonamiento por procesos no directamente relacionados con una lógica Ejemplo: Estado de trafico: ( ) Tipos de AA: según los datos disponibles Aprendizaje supervisado: Tenemos: un conjunto de ejemplos para los que conocemos los resultados Queremos: una regla que puede predecir los resultados Ejemplo: Predicción del tráfico en función del tiempo y del día (no llueve,viernes) mucho tráfico (llueve,domingo) poco tráfico (llueve,viernes) mucho tráfico (no llueve,jueves) mucho tráfico... Aprendizaje Hay mucho trafico si no llueve o si es viernes. 4
5 Tipos de AA: según los datos disponibles Aprendizaje no-supervisado: Tenemos: un conjunto de ejemplos (sin etiquetas) Queremos: un agrupamiento natural de los posibles casos Ejemplo: Aprendizaje Tipos de AA: según los datos disponibles Aprendizaje reforzado: Un agente actúa en un determinado contexto: el agente decide acciones y las ejecuta el entorno cambia debido a las acciones del agente el agente recibe feedback (retroalimentación) del entorno como respuesta a sus acciones el agente debe aprender a realizar acciones que le lleven a actuar mejor Estado A Estado A Acción 1 Entorno Entorno Acción 2 Entorno 5
6 Aprendizaje supervisado: Inferencia inductiva es aprendizaje supervisado Inferir/aprender suposiciones generales a partir de (muchos) hechos concretos (aprendizaje) Ejemplo: El balón 1 es rojo y bota al dejarlo caer El libro 1 es verde y no bota al dejarlo caer El balón 3 es azul y bota al dejarlo caer... El libro 70 verde y no bota al dejarlo caer... El balón 100 es rojo y bota al dejarlo caer El razonamiento inductivo nos permite realizar predicciones. Cualquier objeto que es un balón botará si lo dejo caer. Aprendizaje supervisado: notación básica Objetivo: aprender un cierto concepto objetivo (por ejemplo: determinados objetos botan al dejarles caer ) a partir de ejemplos de los que conocemos los resultados (p. e.: el libro verde nr. 1 no bota, el balón azul nr. 3 bota, ) Problema: tenemos una serie de ejemplos para el concepto objetivo especificados a través de características (atributos) que caracterizan el concepto objetivo encontrar una descripción del concepto objetivo (hipótesis) que I) concuerda con los datos presentados II) generaliza a casos nuevos 6
7 Aprendizaje supervisado: notación básica Matemáticamente: Suponemos que el concepto objetivo es una función f:x Y X es un espacio de entradas (posibles casos) (p.e.: {libro azul nr.1, balon verde nr. 555, }) Y el espacio de salidas (resultados) {p.e.:{bota, no bota}) Tenemos como entrada una secuencia de ejemplos de pares (entrada,salida): { (x 1,y 1 ), (x 2,y 2 ), } con x i X e y i Y p.e.:{(balón rojo nr.1, bota), (libro verde nr.1, no bota), } Objetivo de la maquina de aprendizaje: encontrar función h H que aproxime f, tal que: h(x i )=f(x i ) para todos (o la mayoría de los) ejemplos presentados h tenga expectativas de comportase igual (o similar) a f para casos aun desconocidos (generalización) H : espacio de hipótesis Formalización de un problema de aprendizaje supervisado Clase de problemas: Que se debe aprender? Cómo se representan elementos de esta clase? Información presentada (ejemplos de entrenamiento): Qué información se presenta y cómo? ejemplos positivos, negativos o ambos Espacio de las hipótesis: En qué lenguaje se presentan las hipótesis? Cuál es el conjunto de hipótesis? Algoritmo de aprendizaje: Qué algoritmo /arquitectura se usa? Características del aprendizaje Cuándo se ha aprendido? Cuándo se aprende correctamente? Convergencia de las hipótesis Hipótesis consistentes con los ejemplos presentados 7
8 Espacio de hipótesis Encontrar una hipótesis que: Concuerda con los ejemplos de entrenamiento Generaliza bien a casos aún desconocidos Cómo encontrar esta hipótesis h H? Hipótesis consistentes: y y y x x x Navaja de Ockham: Entre varias hipótesis posibles, preferir la hipótesis más sencilla. Espacio de hipótesis Compromiso entre la expresividad del espacio de hipótesis y la complejidad de encontrar hipótesis sencillas y consistentes Espacios amplios: p.e.: todas las funciones computables (todos los programas en pascal) Se suele utilizar solamente en consideraciones teóricas sobre el aprendizaje Espacios reducidos y más sencillos: Se suele utilizar en algoritmos concretos de aprendizaje Realizabilidad de aprendizaje: El aprendizaje es realizable si f H El aprendizaje es irrealizable si f H A la hora de aplicar un algoritmo de aprendizaje hay que emplear conocimiento a priori para asegurar que H incluya a f 8
9 Clasificación: Clasificación f:x Y, Y es discreto Clasificación binaria: Problema: decidir la pertenencia de casos a una clase f:x {0,1} Posible información presentada (ejemplos de entrenamiento): Casos positivos: (x,1) (x pertenece a la clase) Casos negativos: (x,0) (x no pertenece a la clase) La clasificación binaria tiene muchas aplicaciones reales: Frecuentemente se identifica aprendizaje supervisada con la clasificación Clasificación discreta vs. Clasificación binaria Clasificación con varias clases puede reducirse a clasificación binaria: Ejemplo: Clasificar objetos en {rectángulos, redondos, triángulos} Ejemplos de entrenamiento: ((3,ro),tri) ((0,az),red) ((4,bl),rect) ((0,bl),red) ((4,am),rect) Idea: 1. encontrar h 1 :X {rect,otros} sobre todos los ejemplos de entrenamiento (h 1 clasifica objetos en rectángulos u otros objetos) ((3,ro),tri) ((0,az),red) ((0,bl),red) ((4,bl),rect) ((4,am),rect) 2. encontrar h 2 :X {red,tri} sobre los ejemplos de entrenamiento clasificados por h 1 como otros (aprender un clasificador que diferencia entre triángulos y objetos redondos) ((3,ro),tri) ((0,az),red) ((0,bl),red) ((4,bl),rect) ((4,am),rect) 9
10 Tema 3: Aprendizaje Automático Resumen: 3. Aprendizaje automático 3.1 Introducción al aprendizaje automático 3.2 Árboles de decisión 3.3 Redes neuronales Ejemplo Decidir si se puede dar una tarjeta de crédito a clientes de un banco Saldo act. Edad Saldo med. Años cliente Dar tarjeta? bajo <18 alto <1 no alto alto >1 si alto medio >1 no alto >25 bajo >1 no bajo >25 medio >1 si alto alto >1 si bajo alto <1 no medio <18 medio <1 no medio >25 alto <1 si Objetivo: aprender un clasificador de clientes 10
11 Árboles de decisión como clasificadores Un ejemplo: <18 NO edad saldo med. >25 saldo med. bajo, medio alto bajo medio alto NO NO saldo act. bajo, medio alto años cliente >1 <1 NO años cliente <1 >1 NO SI SI NO SI Clasificar un caso: (saldo act.=bajo, edad=>25, saldo med.=medio, años cliente=>1) Aprendizaje de árboles de decisión Problema: inducir (encontrar/aprender) árboles de decisión (hipótesis) a partir de ejemplos de entrenamiento Algoritmo 1: para cada ejemplo de entrenamiento añadir la rama completa del ejemplo Ejemplo 1: ((bajo,<18,alto,<1),no) saldo act. bajo edad <18 saldo med. alto años cliente <1 NO hipótesis 1 11
12 Aprendizaje de árboles de decisión Problema: inducir (encontrar/aprender) árboles de decisión (hipótesis) a partir de ejemplos de entrenamiento Algoritmo 1: para cada ejemplo de entrenamiento añadir la rama completa del ejemplo Ejemplo 1: ((bajo,<18,alto,<1),no) Ejemplo 2: ((alto,18-25,alto,>1),si) Las hipótesis concuerdan con los ejemplos, pero: no generalizan a casos nuevos saldo act. bajo edad <18 saldo med. alto años cliente <1 NO hipótesis 2 alto edad saldo med. alto años cliente >1 SI Aprendizaje de árboles de decisión Algoritmo de aprendizaje de árboles de decisión: crear el árbol de forma recursiva de arriba abajo utilizar en cada nodos el atributo más importante el atributo más importante es él que mejor discrimina los ejemplos que han llegado hasta este nodo clasifica los ejemplos y sigue en el siguiente nivel {(E1,si),(E2,si),(E3,no),(E4,no),(E5,si), } A 2 A 1 A 1 =a A 1 =b {(E1,si),(E2,si),(E4,no), } A 2 =c {(E1,si),(E2,si)} A 2 =d {(E4,no), } {(E3,no),(E5,si), } 12
13 Aprendizaje de árboles de decisión: algoritmo 1. Seleccionar el mejor atributo A i 2. Crear un nodo para ese atributo con tantos sucesores como valores tenga 3. Introducir los ejemplos en los sucesores según el valor que tenga el atributo A i 4. Por cada sucesor, Si sólo hay ejemplos de una clase c k entonces etiquetarlo con c k Si no, llamar recursivamente el algoritmo con una tabla formada por los ejemplos de ese nodo, eliminando la columna del atributo A i Aprendizaje de árboles de decisión: ejemplo Ej.: edad s_a s_m tarjeta E1 <18 alto alto NO E2 <18 bajo bajo NO E alto alto SI E bajo alto SI E alto bajo NO E bajo bajo NO {E1,E2,E3,E4,E5,E6} edad < >25 NO s_m NO {E1,E2} {E3,E4,E5,E6} {} alto bajo medio SI NO SI/NO {E3,E4} {E5,E6} {} 13
14 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Elección basada en la entropía de un atributo mide en contenido de información en bits Cuántos bits hacen falta para codificar una respuesta que pueda tener n valores distintos y cada valor r i tiene una probabilidad P(r i ) I[P(r 1 ),,P(r n )] = - P(r i ) log 2 [P(r i )] Para el conjunto de ejemplos E y el concepto dar tarjeta : r 1 =SI, r 2 =NO I[P(SI),P(NO)] = -2/4 log 2 [2/4] -2/4 log 2 [2/4] = 1 Aprendizaje de árboles de decisión: elección de los atributos La entropía se puede entender como el grado de desorden o la variabilidad de una fuente de información (aquí: los ejemplos) Mucho desorden: P(r 1 ) = P(r 2 ) = = P(r n )=1/n mucha entropía poca información Poco desorden: P(r 1 ) = P(r 2 ) = P(r m-1 )= P(r m+1 )= = P(r n )=0 P(r m )=1 poca entropía mucha información P(x) P(x) x 1 x 2 x N x 1 x 2 x N I[P(r 1 ),,P(r n )] = - log 2 [1/n] I[P(r 1 ),,P(r n )] = 0 14
15 Aprendizaje de árboles de decisión: elección de los atributos El concepto objetivo tiene valores r 1,,r n (p.ej.: r 1 =SI, r 2 =NO) Cada atributo A k A tiene una serie de posibles valores v 1,,v m.. Estos dividen los ejemplos del conjunto E en m subconjuntos E 1,,E m : p. e.: A k = edad, v 1 = <18, v 2 = 18-25, v 3 = >25, E 1 ={Ej1,Ej2}, E 2 ={Ej3}, E 3 ={Ej4} Procedimiento para elegir el mejor atributo: Paso 1: Calcula la entropía de E: I E [P(r 1 ),,P(r n )] = i - P(r i ) log 2 [P(r i )] Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : I Ei [P(r 1 v i ),,P(r n v i )] = j - P(r j v i ) log 2 [P(r j v i )] Paso 3: Para cada A k, se calcula la cantidad de entropía del atributo: I(A k ) = j P(v j ) I Ej [P(r 1 v j ),,P(r n v j )] Paso 4: Elegir aquel atributo que obtiene la mayor ganancia de información: Ganancia(A k ) = I E - I(A k ) Aprendizaje de árboles de decisión: elección de los atributos, ejemplo E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 1: Calcula la entropía de E: I[P(SI),P(NO)] = -2/4 log 2 [2/4] -2/4 log 2 [2/4] = 1 15
16 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : Ejemplo: edad E={Ej1,Ej2,Ej3,Ej4} edad < >25 E 1 ={Ej1,Ej2} E 2 ={Ej3} E 3 ={Ej4} I[P(SI <18),P(NO <18)] = -0/2 log 2 [0/2] -2/2 log 2 [2/2] = 0 I[P(SI 18-25),P(NO 18-25)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0 I[P(SI >25),P(NO >25)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Cuál es el mejor atributo: s_a o edad? Paso 2: Para cada A k, se calcula la entropía de los subconjuntos E i : Ejemplo: s_a E={Ej1,Ej2,Ej3,Ej4} bajo s_a mediano E 1 ={Ej1} E 2 ={Ej3} E 3 ={Ej2, Ej4} alto I[P(SI bajo),p(no bajo)] = -0/1 log 2 [0/1] -1/1 log 2 [1/1] = 0 I[P(SI med),p(no med)] = -1/1 log 2 [1/1] -0/1 log 2 [0/1] = 0 I[P(SI alto),p(no alto)] = -1/2 log 2 [1/2] -1/2 log 2 [1/2] = 1 16
17 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Cuál es el mejor atributo: s_a o edad? Ej4 >25 alto SI Paso 3: Para cada A k,, calcular I(A k ): I[edad] = P(<18) I[P(SI <18),P(NO <18)] + P(18-25) I[P(SI 18-25),P(NO 18-25)] + P(>25) I[P(SI >25),P(NO >25)] = 2/ / /4 0 = 0 I[s_a] = P(bajo) I[P(SI bajo),p(no bajo)] + P(med) I[P(SI med),p(no med)] + P(alto) I[P(SI alto),p(no alto)] = 1/ / /4 1 = 0.5 Aprendizaje de árboles de decisión: elección de los atributos E edad s_a tarjeta Ej1 <18 bajo NO Ej2 <18 alto NO Ej mediano SI Ej4 >25 alto SI Paso 4: Elegir el atributo con mayor ganancia de información: Cuál es el mejor atributo: s_a o edad? Ganancia(edad) = I E - I(edad) = 1 0 = 1 Ganancia(s_a) = I E - I(s_a) = = 0.5 Como cabe esperar se elige el atributo edad 17
18 Aprendizaje de árboles de decisión: Comentarios Ventajas: decisiones basadas en la estadística (es capaz de tratar ruido) Los clasificadores aprendidos (árboles de decisión) son fácilmente interpretables Problemas: mantiene una hipótesis única /no es capaz de aprender de forma incremental (si se tienen nuevos ejemplos hay que calcular el árbol de nuevo) tratamientos de valores continuos, o atributos con un gran número de valores discretos tratamiento de valores desconocidos (información incompleta) partes del árbol duplicado árboles exponenciales para determinadas funciones overfitting: generar árboles demasiado específicos ( Cuándo se debe parar de dividir los nodos?) Ejercicio Aprendizaje de árboles de decisión: Aplique el algoritmo de aprendizaje de árboles de decisión al siguiente conjunto de ejemplos. Especifique el árbol aprendido y los valores de ganancia de los atributos elegidos en los diferentes nodos. Pelo Altura Peso Protección Quemadura rubio medio bajo no sí rubio alto medio sí no moreno bajo medio sí no rubio bajo medio no si rojo medio alto no si moreno alto alto no no moreno medio alto no no rubio bajo bajo sí no 18
19 Evaluación de métodos de aprendizaje Evaluación empírica No se puede evaluar un clasificador con los mismos ejemplos que se han utilizado para el entrenamiento Colecciones de pruebas: contienen un conjunto de ejemplos de entrenamiento ML repository: Un clasificador clasifica un conjunto de casos de la siguiente forma: Ejemplos pos. Ejemplos neg. Clasificados como positivos TP FP Clasificados como negativos FN TN TP: true positives (clasificado: positivo, realidad: positivo) TN: true negatives (clasificado: negativo, realidad: negativo) FP: false positives (clasificado: positivo, realidad: negativo) FN: false negatives (clasificado: negativo, realidad: positivo) Evaluación de métodos de aprendizaje Medidas (más comunes) de evaluación: true positive rate (sensitivity, recall): [0,,1]; ideal=1 TP clasificados correctamente como positivos tpr = = TP + FN todos los positivos false positive rate: [0,,1]; ideal=0 FP clasificados erroneamente como positivos fpr = = FP + TN todos los negativos precision: [0,,1]; ideal=1 TP precision = TP + FP corrección:[0,,1]; ideal=1 TP + TN correccion = TP + FP + TN + FN clasificados correctamente como positivos = todos los clasificados como positivos clasificados correctamente = todos los ejemplos para que el clasificador sea útil debe tener una corrección>0,5 19
20 Evaluación de métodos de aprendizaje Hay dos tipos de errores falsos positivos falsos negativos En algunos dominios es más grave un error que otro: Ejemplo: diagnostico de cáncer es muy importante identificar todos los pacientes que tienen cáncer no importa (demasiado) si se diagnostica cáncer a una persona que no lo tiene hay que evitar falsos negativos el true positive rate tiene que ser alto Evaluación de métodos de aprendizaje Aumentar el true positive rate es muy fácil Por ejemplo: TP 9 tpr = = = 1 TP + FN TP 6 tpr = = = 0,66 TP+ FN 6+ 3 Entonces true_positive_rate =1 (muy bien), pero false_positive_rate=1 (muy mal) Es importante encontrar un equilibrio entre ambas medidas Ideal: true_positive_rate=1 y false_positive_rate=0 20
Inteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más 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 detallesInteligencia en Redes de Comunicaciones - 06 Aprendizaje
El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán
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 detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
Más detallesMinería de Datos. Árboles de Decisión. Fac. Ciencias Ing. Informática Otoño de Dept. Matesco, Universidad de Cantabria
Minería de Datos Árboles de Decisión Cristina Tîrnăucă Dept. Matesco, Universidad de Cantabria Fac. Ciencias Ing. Informática Otoño de 2012 Twenty questions Intuición sobre los árboles de decisión Juego
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
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 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 detallesALGORITMO MINIMAX. o Nodo: Representa una situación del juego. o Sucesores de un nodo: Situaciones del juego a las que se
ALGORITMO MINIMAX Algoritmo de decisión para minimizar la pérdida máxima aplicada en juegos de adversarios Información completa (cada jugador conoce el estado del otro) Elección del mejor movimiento para
Más detallesAnálisis de Algoritmos
Análisis de Algoritmos Amalia Duch Barcelona, marzo de 2007 Índice 1. Costes en tiempo y en espacio 1 2. Coste en los casos mejor, promedio y peor 3 3. Notación asintótica 4 4. Coste de los algoritmos
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesALGORITMO ID3. Objetivo
ALGORITMO ID3 Desarrollado por J. Ross Quinlan en 1983. ID3 significa Induction Decision Trees. Pertenece a la familia TDIDT (Top- Down Induction of Decision Trees). Objetivo Construir un árbol de decisión
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 K - Vecinos más cercanos Knn-Method
Aprendizaje Supervisado K - Vecinos más cercanos Knn-Method 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
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 detallesComplejidad de los Algoritmos
Que es un Algoritmo? Complejidad de los Algoritmos Webster: cualquier método especial para resolver cierta clase de problemas. Horowitz: método preciso utilizable en una computadora para la solución de
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesINVESTIGACIÓN DE MERCADOS
INVESTIGACIÓN DE MERCADOS LIC. EN ADMINISTRACIÓN DE EMPRESAS 1 Sesión No. 10 Nombre: Tamaño de la Muestra Contextualización Continuando el tema de muestreo, revisaremos ahora el cálculo de la muestra y
Más detallesUnidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS CARACTERÍSTICAS DEL ESQUEMA DE DATOS DIAGRAMA ENTIDAD RELACIÓN (D.E.R.)
Unidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS OBJETIVO DEL ESQUEMA DE DATOS Describir los datos que el sistema debe conocer para poder responder a los estímulos. CARACTERÍSTICAS DEL ESQUEMA DE
Más detallesComprende el concepto de función y reconoce sus principales características. Grafica adecuadamente una función.
UNIVERSIDAD TECNOLÓGICA DE LOS ANDES FACULTAD DE INGENIERIAS ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMATICA SILABO I.- DATOS GENERALES 1.1. Nombre del curso : Matemática Básica 1.2. Código
Más detallesCapítulo 4. Lógica matemática. Continuar
Capítulo 4. Lógica matemática Continuar Introducción La lógica estudia la forma del razonamiento, es una disciplina que por medio de reglas y técnicas determina si un teorema es falso o verdadero, además
Más detalleshttps://dac.escet.urjc.es/docencia/etc-sistemas/teoria-cuat1/tema2.pdf
1.3 Sistemas numéricos 1.3.1. Introducción Un sistema de representación numérica es un lenguaje que consiste en: Un conjunto ordenado de símbolos (dígitos o cifras) y otro de reglas bien definidas para
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 detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesNIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA
Copyright 2014 by TEA Ediciones AUTORES: INFORME: D. Arribas SOLUCIÓN INFORMÁTICA: X. Minguijón DISEÑO: R. Sánchez BAT-7 NIVEL ELEMENTAL BATERÍA DE APTITUDES DE TEA Informe psicopedagógico PERFIL Id: Edad:
Más detalles2007/ PROGRAMACIÓN. Tipo: TRO Curso: 1 Semestre: AB CREDITOS Totales TA TS AT AP PA OBJETIVOS. 1.-Introducción.
2007/2008 Tipo: TRO Curso: 1 Semestre: AB CREDITOS Totales TA TS AT AP PA OBJETIVOS 1.-Introducción. -Comprender cómo funciona un lenguaje de programación 2. Características del lenguaje C -Entender las
Más detallesEl determinante de una matriz se escribe como. Para una matriz, el valor se calcula como:
Materia: Matemática de 5to Tema: Definición de Determinantes Marco Teórico Un factor determinante es un número calculado a partir de las entradas de una matriz cuadrada. Tiene muchas propiedades e interpretaciones
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística con
Más detallesTeorías del aprendizaje
Teorías del aprendizaje TEORÍAS DEL APRENDIZAJE 1 Sesión No. 7 Nombre: El cognitivismo: Aplicación en la educación Contextualización Sabías que las teorías cognitivas tienen un amplio campo de aplicación
Más detallesAux 6. Introducción a la Minería de Datos
Aux 6. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
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 detallesObjetivos formativos de Matemática Discreta. Tema 1: Conjuntos, aplicaciones y relaciones
Objetivos formativos de Matemática Discreta Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera
Más detallesNivel I: Pensamiento Memorístico (demuestra conocimiento en forma igual o casi igual a como lo aprendido).
Niveles de Pensamiento de Norman Webb El Dr. Norman Webb, especialista en el área de evaluación, junto con otros profesionales describió cuatro niveles de profundidad de conocimiento (DOK, por sus siglas
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesJUEGOS. Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil
JUEGOS Área de aplicación de los algoritmos heurísticos Juegos bi-personales: oponente hostil I Oponente: Jugador: intenta mover a un estado que es el peor para Etiquetar cada nivel del espacio de búsqueda
Más detallesÍndice Proposiciones y Conectores Lógicos Tablas de Verdad Lógica de Predicados Inducción
Curso 0: Matemáticas y sus Aplicaciones Tema 5. Lógica y Formalismo Matemático Leandro Marín Dpto. de Matemática Aplicada Universidad de Murcia 2012 1 Proposiciones y Conectores Lógicos 2 Tablas de Verdad
Más detallesI. FUNDAMENTOS DE ARQUITECTURA
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: ARQUITECTURA DE COMPUTADORAS DES: Ingeniería Programa(s) Educativo(s): Ingeniería en Software
Más detallesProcesos metacognitivos, cognitivos y actitudinales del lenguaje
Procesos metacognitivos, cognitivos y actitudinales del lenguaje Es tener un conocimiento, entendimiento, control y apropiarse de ese conocimiento (Decker, 2002). Es el conocimiento que las personas tienen
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 detallesTema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision
Tema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision Procesos de desarrollo de SAD Hay dos formas de desarrollar SAD: Programar un SAD a medida: se puede emplear un lenguaje convencional como
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesUnidad. Números enteros Números racionales Potencias. Aclaraciones prácticas
Unidad Números enteros Números racionales Potencias Aclaraciones prácticas 1. En cada uno de los ejercicios de Aprendo a pensar dispones de cinco alternativas: a), b), c), d) y e). Selecciona aquella que
Más detallesSECUENCIA DIDÁCTICA. Módulo IV
SECUENCIA DIDÁCTICA Nombre de curso: Simulación de Sistemas Antecedente: Clave de curso: ECOM118 Clave de antecedente: Ninguna. Módulo IV Competencia de Módulo: Desarrollar programas de cómputo utilizando
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesMateria: Matemática de Tercer Año Tema: Pendiente
Materia: Matemática de Tercer Año Tema: Pendiente Suponga que tiene un avión de juguete sobre el despegue, que se eleva 5 pies por cada 6 metros que recorre a lo largo de la horizontal. Cuál sería la pendiente
Más detallesLocalización. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
M.Sc. Kryscia Ramírez Benavides Problemas de Navegación de los Robots Dónde estoy?. Dónde he estado? Mapa de decisiones. A dónde voy? Planificación de misiones. Cuál es la mejor manera de llegar? Planificación
Más detallesDiseño Instruccional Paso 2 Paso 5
TAREAS DE LA VIDA REAL EN EL CONTEXTO PROFESIONAL, CLASES DE TAREAS, OBJETIVOS DE DESEMPEÑO Y EVALUACIÓN DEL DESEMPEÑO Diseño Instruccional Paso 2 Paso 5 acet Proyecto AULA - enero de 2011 2 Paso 2 Tareas,
Más detallesSistema electrónico digital (binario) que procesa datos siguiendo unas instrucciones almacenadas en su memoria
1.2. Jerarquía de niveles de un computador Qué es un computador? Sistema electrónico digital (binario) que procesa datos siguiendo unas instrucciones almacenadas en su memoria Es un sistema tan complejo
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detalles4º E.S.O. Matemáticas A
4º E.S.O. Matemáticas A Objetivos 1. Incorporar, al lenguaje y formas habituales de argumentación, las distintas formas de expresión matemática (numérica, algebraica, de funciones, geométrica...), con
Más detallesEste documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción.
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
Más detallesFORMATO CONDICIONAL Y FORMATO PERSONALIZADO.
º 2015 FORMATO CONDICIONAL Y FORMATO PERSONALIZADO. PRESENTADO POR: SOFIA BOSSIO MARTHA ALBA JAVIER ZARATE JORGE JIMENEZ GRADO: 10B FECHA: 27/08/15 FORMATO PERSONALIZADO DE CELDAS EN EXCEL Con el formato
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTécnicas de modelado. Problemas adicionales
Técnicas de modelado Clase nro. 10 CURSO 2010 Problemas adicionales Los ejemplos discutidos hasta ahora contienen simplificaciones que son difíciles de encontrar en sistemas de cierta complejidad. Vimos
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur TIPOS DE TAREAS, MODELOS Y ALGORITMOS ? Datos Entrenamiento Algoritmo Modelo Galaxia espiral TAREAS / MODELOS
Más detallesSesión 5 Etiquetas de Bloques y Tipos de Información
Sesión 5 Etiquetas de Bloques y Tipos de Información Lección 5.1 Introducción Objetivos de la sesión Esta sesión tiene dos grandes objetivos: En primer lugar, aplicarás las reglas adecuadas para crear
Más detallesPresencia A distancia X Teleformación
Descripción de la acción formativa Datos acción formativa Número de acción 10 Acción HABILIDADES DIRECTIVAS. TOMA DE DECISIONES Y LIDERAZGO EMPRESARIAL Denominación ampliada Participantes La acción formativa
Más detallesAnexo 10. Pruebas verificadas
1 Anexo 10. Pruebas verificadas Introducción El proceso de pruebas inició con una revisión conceptual para la identificación de las pruebas por realizar, a partir de las características del proyecto. En
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesRequerimientos de Software
Requerimientos de Software Ingeniería de Requerimientos Se define como el proceso de establecer los servicios que el consumidor requiere de un sistema y las restricciones sobre las cuales de funcionar
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesPreparatoria Sor Juana Inés de la Cruz Cálculo Diferencial Tutorial: Optimización Ing. Jonathan Quiroga Tinoco
Preparatoria Sor Juana Inés de la Cruz 1 Cálculo Diferencial Tutorial: Optimización Ing. Jonathan Quiroga Tinoco Grupo: Físico Matemático, Químico Biológico y Económico Administrativo Diciembre de 2014
Más detallesUNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira
UNIVERSIDAD DE COSTA RICA XS0111 Estadística Introductoria I Prof. Olman Ramírez Moreira Levin & Rubin. Estadística para Administradores Gómez Barrantes, Miguel. Elementos de estadística descriptiva 1
Más detallesVENTA TÉCNICA: PRODUCTOS DE ALTA GAMA
VENTA TÉCNICA: S DE ALTA GAMA 1. DATOS BÁSICOS DEL PROYECTO Etapa educativa: Ciclo formativo: Áreas: FP de grado medio C.F.G.M. Actividades Comerciales Venta técnica (también Marketing en la actividad
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS.
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN ÁREA SISTEMAS INFORMÁTICOS. HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Ingeniería de
Más detallesINTERFACES INTELIGENTES. ING. MA. MARGARITA LABASTIDA ROLDÁN E mail:
INTERFACES INTELIGENTES ING. MA. MARGARITA LABASTIDA ROLDÁN E mail: magielr@gmail.com GENERALIDADES DE LAS INTERFACES INTERFAZ DE USUARIO: Es el dispositivo por medio del cual un usuario realiza la comunicación
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 detallesPROPIEDADES DE LOS CAMPOS. Cada campo de una tabla dispone de una serie de características que proporcionan un control
PROPIEDADES DE LOS CAMPOS Cada campo de una tabla dispone de una serie de características que proporcionan un control adicional sobre la forma de funcionar del campo. Las propiedades aparecen en la parte
Más detallesAlba Lucia Londoño Javier a. murillo m.
Grado: 7º Periodo: 04 CUARTO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Alba Lucia Londoño Javier a. murillo m. ESTANDARES P.A.I. I.B. A. Conocimiento y comprensión Conocer
Más detallesCurso de Inducción de Matemáticas
Curso de Inducción de Matemáticas CAPÍTULO 1 Funciones y sus gráficas M.I. ISIDRO I. LÁZARO CASTILLO Programa del Curso 1. Funciones y sus gráficas. 2. Límites. 3. Cálculo Analítico de Límites. 4. Derivación.
Más detalles7.1 Consideraciones. Considere la búsqueda de un libro en una biblioteca. Considere la búsqueda de un nombre en el directorio telefónico.
86 Capítulo 7. ORDENAMIENTO. 7.1 Consideraciones. Considere la búsqueda de un libro en una biblioteca. Considere la búsqueda de un nombre en el directorio telefónico. Si los elementos a ordenar son compuestos
Más detallesAprendizaje Supervisado Árboles de Decisión
Aprendizaje Supervisado Árboles de Decisión 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado 100K No 3 No Soltero 70K No
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesMención en Computación
Mención en Computación Competencias Idea general sobre lo que es computación Aprender SOBRE lenguajes de programación, diseño y procesamiento Aprender SOBRE la eficiencia y complejidad de algoritmos (
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
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 detallesCampus Cumbres. ESTRATEGIAS DE APRENDIZAJ E Y HABILIDADES DIGITALES Clave Horas de Clase
Campus Cumbres Dirección Académica LX Syllabus Ciclo 2015-03 Ing Luis Morales Rivera Información General Materia ESTRATEGIAS DE APRENDIZAJ E Y HABILIDADES DIGITALES Clave 53469 Horas de Clase 3 horas semanales
Más detallesC.E.I.P. BLAS INFANTE La Gangosa Vicar. Observando el movimiento 1.JUSTIFICACIÓN
C.E.I.P. BLAS INFANTE La Gangosa Vicar Título Nivel Observando el movimiento 2º Primaria 1.JUSTIFICACIÓN La unidad didáctica se llevará a cabo en el 2º curso del 1º ciclo de Educación Primaria. La duración
Más detallesEJERCICIO 11 DE EXCEL EXCEL EJERCICIO 11 GRÁFICOS
EXCEL EJERCICIO 11 GRÁFICOS La información numérica introducida en una hoja de cálculo puede ser analizada de diferentes formas. Una de las más útiles y conocidas es la realización de gráficos a partir
Más detallesCampos gravitatorios en el espacio muestral
Campos gravitatorios en el espacio muestral Dept. Lenguajes y Ciencias de la Computación Septiembre, 2004 1/28 Enfocando el problema Aprendizaje supervisado Clasificación dicotómica (2 clases) Atributos
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 detallesMétodos para escribir algoritmos: Diagramas de Flujo y pseudocódigo
TEMA 2: CONCEPTOS BÁSICOS DE ALGORÍTMICA 1. Definición de Algoritmo 1.1. Propiedades de los Algoritmos 2. Qué es un Programa? 2.1. Cómo se construye un Programa 3. Definición y uso de herramientas para
Más detallesUNIDAD 8: SUCESIONES Y SERIES
UNIDAD 8: SUCESIONES Y SERIES Llegamos a la última unidad de la asignatura correspondiente a Sucesiones y Series, recuerde mantener la motivación hasta el final, el tema que vamos a tratar aquí es de especial
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesTema: Herramientas UML, Análisis y diseño UML
Programación II. Guía 2 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Herramientas UML, Análisis y diseño UML Objetivo Conocer una herramienta de modelado para la solución
Más detallesPrincipales Teorías de Liderazgo. José Jorge Saavedra
Principales Teorías de Liderazgo José Jorge Saavedra Contenido Enfoque de Atributos Teoría de Contingencia Enfoque de Destrezas Teoría de Medios y Fines Enfoque de Estilo Teoría de Intercambio Líder -
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesUNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA. práctica, Total: 85 Horas a la semana: 5 teoría: 4 prácticas: 1 Créditos:
UNIVERSIDAD AUTÓNOMA DE QUERÉTARO FACULTAD DE INGENIERÍA Probabilidad y Estadística 18/01/10 Clave: 214 Semestre: 1 Duración del curso: semanas: 17 horas: 68 de teoría y 17 de práctica, Total: 85 Horas
Más detallesEstadística Descriptiva
M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Desde la segunda mitad del siglo anterior, el milagro industrial sucedido en Japón, hizo
Más detalles