RECONOCIMIENTO DE PAUTAS
|
|
- Raúl Padilla Blanco
- hace 6 años
- Vistas:
Transcripción
1 RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis)
2 Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes máquina de aprendizaje lineal (linear learning machine) vecino más próximo (k-nearest neighbor) SIMCA (soft independent modeling of class analogies) redes neuronales artificiales
3 Máquina de aprendizaje lineal (LLM) la primera aplicación en química analítica del reconocimiento de pautas supervisado en 1969 se empleó para clasificar un espectro de masas con respecto a las clases de ciertas masas moleculares la base de la clasificación con la LLM es una función discriminante que divide el espacio n-dimensional en regiones que pueden emplearse para predecir la pertenencia de una muestra de prueba
4 Máquina de aprendizaje lineal (LLM) si se mide una variable, los datos se pueden representar en un espacio 1-dimensional decisión: cuál es el valor de corte entre los dos grupos? el límite se encuentra por iteración
5 Reconocimiento de pautas supervisado modelado de clase disjunta (hard modeling): se intenta encontrar un límite entre dos o más clases un objeto pertenece a una clase discreta se construye un modelo separado para cada clase modelado suave (soft modeling): dos clases pueden supersonerse un objeto puede pertenecer a dos clases
6 Análisis discriminante es un técnica de reconocimiento de pautas supervisado se debe contar con objetos de entrenamiento o aprendizaje objetivo: encontrar una regla de decisión que asigne un objeto nuevo, cuya pertenencia a un grupo se desconoce, a uno de los grupos prefijados (con un cierto grado de riesgo)
7 Análisis discriminante Quimiometría restricciones: son necesarios al menos dos grupos y para cada grupo dos o más casos el número de variables discriminantes debe ser menor que el número de objetos menos 2: x 1,...,x p p < (n 2) n es el número de objetos
8 Análisis discriminante Quimiometría restricciones: el número máximo de funciones discriminantes es igual al mínimo entre el número de variables y el número de grupos menos 1 g grupos (g 1) funciones discriminantes ninguna variable discriminante puede ser combinación lineal de otras variables discriminantes
9 Función discriminante lineal suposiciones: las variables continuas deben seguir una distribución normal multivariante existen diferentes clases de centroides las varianzas y covarianzas son similares dentro de un grupo
10 Análisis discriminante el límite entre grupos se toma a partir de una función discriminante lineal el límite (hiperplano) se calcula de tal manera que: la varianza entre clases es máxima la varianza dentro de las clases individuales es mínima
11 Análisis discriminante a partir de: g grupos una serie de objetos y de p variables medidas sobre ellos (x 1,, x p ) se trata de obtener para cada objeto una serie de puntuaciones que indican el grupo al que pertenecen (y 1,..., y p ) de modo que sean funciones lineales de x 1,, x p
12 Análisis discriminante Quimiometría Situación no hay solapamiento más sencilla: en 2 las clases distribuciones y 2 variables: para los dos grupos Y es mejor para discriminar entre los grupos FDL Y = 0,91X 1 + 0,42X 2 solapamiento en las distribuciones para los dos grupos
13 para generalizar: se tiene una matriz X con: Análisis discriminante n objetos p variables g grupos x 11 x 21 x 31 x 41 x 12 x 1p x 22 x 2p x 32 x 3p x 42 x 4p g 1 g 2 x j1 x n1 x j2 x jp x n2 x np g nj
14 Análisis discriminante se obtienen los autovectores (a) de la matriz (G -1 H) asociados a los autovalores elegidos en orden decreciente: G -1 H a = λ a λ = autovalor G = (n - g) C C: matriz de covarianza H: matriz de la dispersión de las medias del grupo (x j ) con respecto al promedio (x)
15 Función discriminante lineal Quimiometría a partir del autovector a 1 se obtiene la primera FDL (s 1 ) s 1 = a 11 x 1 + a 12 x a 1p x p con el residual del dato x se calcula la segunda FDL s 2 = a 21 x 1 + a 22 x a 2p x p se continúa hasta encontrar todas las FDL necesarias
16 Análisis discriminante matriz de confusión: contiene el número de objetos correctamente clasificados en cada clase en la diagonal principal no detecta si un objeto pertenece a más de una clase asigna pertenencia a un grupo a los objetos atípicos que no pertenecen a ninguno de los grupos (outliers)
17 Análisis discriminante matriz de correlaciones por grupo (pooled within-groups correlation matrix): se calcula como una matriz media de correlaciones calculadas por separado en cada grupo a menudo no se parece a la matriz de correlaciones total
18 Análisis discriminante toma de decisiones cuando hay más de dos grupos de objetos: se supone una distribución normal multivariante se encuentra una nueva FDL para cada grupo que incluye un término constante a partir de estas FDL se calula una puntuación (score) para cada objeto nuevo (x) x se asigna al grupo cuya puntuación sea más alta
19 Otros métodos de clasificación Quimiometría análisis discriminante cuadrático: supone que los dos grupos tienen distribuciones normales pero varianzas diferentes clasificación bayesiana: la pertenencia a un grupo tiene una probabilidad predefinida y se debe calcular la función de densidad de probabilidad validación cruzada: método de dejar uno fuera (leave-oneout method) empleada en el Minitab para validar el análisis discriminante
20 Análisis discriminante Un ejemplo al investigar un crimen se recogió cabello humano para intentar resolver el crimen se tomaron muestras de cabello de tres sospechosos además de análisis morfológicos, se realizó un análisis elemental
21 Análisis discriminante Cabello Cu (ppm) Mn (ppm) Cl (ppm) Br (ppm) I (ppm) 1 9,2 0, ,0 3,6 2 12,4 0, ,0 2,3 3 7,2 0, ,3 3,4 4 10,2 0, ,4 5,3 5 10,1 0, ,2 1,9 6 6,5 0, ,0 4,6 7 5,6 0, ,0 5,6 8 11,8 0, ,1 1,5 9 8,5 0, ,2 6,2
22 Análisis discrimixante Quimiometría Se encontraron tres grupos por PCA Grupo B: 1, 4 y 9 Grupo C: 3, 6 y 7 Grupo A: 2, 8 y 5
23 Análisis discriminante Cabello Grupo Cu (ppm) Mn (ppm) Cl (ppm) Br (ppm) I (ppm) 1 B 9,2 0, ,0 3,6 2 A 12,4 0, ,0 2,3 3 C 7,2 0, ,3 3,4 4 B 10,2 0, ,4 5,3 5 A 10,1 0, ,2 1,9 6 C 6,5 0, ,0 4,6 7 C 5,6 0, ,0 5,6 8 A 11,8 0, ,1 1,5 9 B 8,5 0, ,2 6,2
24 Análisis discriminante Quimiometría se realiza un análisis discriminante de los datos con Minitab Summary of classification (matriz de confusión) True Group Put into Group A B C A B C Total N N correct Proportion 1,000 1,000 1,000 N = 9 N Correct = 9 Proportion Correct = 1,000
25 Análisis discriminante Quimiometría se realiza un análisis discriminante de los datos con Minitab Squared Distance Between Groups A B C A 0, , ,893 B 141,541 0, ,928 C 212, ,928 0,000
26 Análisis discriminante Quimiometría se realiza un análisis discriminante de los datos con Minitab Linear Discriminant Function for Groups A B C Constant -307,68-293,68-475,75 Cu (ppm) 26,52 28,00 29,93 Mn (ppm) 298,67 60,81 115,35 Cl (ppm) 0,08 0,15 0,20 Br (ppm) 1,95 0,43 1,80 I (ppm) 9,09 13,26 10,06
27 Análisis discriminante Quimiometría se realiza un análisis discriminante de los datos con Minitab Puntuaciones discriminantes lineales para cada grupo PDL A = -307,68+26,56x Cu +298,67x Mn +0,08x Cl +1,95x Br +9,09x I PDL B = -293,68+28,00x Cu +60,81x Mn +0,15x Cl +0,43x Br +13,26x I PDL C = -475,75+29,93x Cu +115,35x Mn +0,20x Cl +1,80x Br +10,06x I
28 Análisis discriminante Quimiometría la muestra de cabello encontrada en la escena del crimen tiene los siguientes valores (en ppm) Cu=9,2 Mn=0,27 Cl=2200 Br=9,8 I=4,7 A=-307,68+26,56x9,2+298,67x0,27+0,08x2200+1,95x9,8+9,09x4,7 B=-293,68+28,00x9,2+60,81x0,27+0,15x2200+0,43x9,8+13,26x4,7 C=-475,75+29,93x9,2+115,35x0,27+0,20x2200+1,80x9,8+10,06x4,7 PDL A = 255,15 PDL B = 376,87 PDL C = 335,67
29 Análisis discriminante se realiza un análisis discriminante incluyendo el nuevo dato con Minitab Prediction for Test Observations Squared Observation Pred Group From Group Distance Probability 1 B A 249,045 0,000 B 28,162 1,000 C 114,734 0,000 El cabello pertenece al sospechoso B
Tema 2: Análisis Discriminante
Tema 2: Análisis Discriminante P 1 P 2 Problema de clasificación: Ténemos observaciones que corresponden a 2 grupos P_1, P_2. Si nos dan uno nuevo x_0 a que grupo pertenece? Guión 1. Motivación 2. Clasificación
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 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 detalles5.3. Análisis discriminante Cuándo tenemos que utilizar el análisis discriminante
FUOC P01/71039/00748 119 Investigación descriptiva: análisis de información 5.3. Análisis discriminante 5.3.1. Cuándo tenemos que utilizar el análisis discriminante Para resolver muchos problemas de marketing,
Más detallesAnálisis de componentes principales. a.k.a.: PCA Principal components analysis
Análisis de componentes principales a.k.a.: PCA Principal components analysis 1 Outline Motivación Derivación Ejemplos 2 Motivación general Tenemos un dataset X con n datos y p dimensiones, centrado (medias
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 detallesTécnicas de inteligencia artificial. Visión Artificial Reconocimiento de objetos
Técnicas de inteligencia artificial Visión Artificial Reconocimiento de objetos Indice Introducción Reconocimiento mediante características PCA Introducción El reconocimiento de objetos consiste en, dado
Más detallesTabla 7: Ejemplo matriz CaractE
8 RESULTADOS EXPERIMENTALES 8.1 MATRICES DE CARACTERÍSTICAS Con el fin de dar una idea más precisa de cómo se conforman las matrices de características usadas en el reconocimiento de patrones y qué valores
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 detallesANÁLISIS DE LA SEPARABILIDAD LINEAL DE UNA BASE DE DATOS Data base linear separability analysis
Scientia et Technica Año XIII, No 37, Diciembre de 2007. Universidad Tecnológica de Pereira. ISSN 022-70 527 ANÁLISIS DE LA SEPARABILIDAD LINEAL DE UNA BASE DE DATOS Data base linear separability analysis
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 detalles> plot(salmon[,- 1],col=as.factor(salmon[,1]))
ANÁLISIS DISCRIMINANTE El análisis discriminante, se utiliza para identificar las características que permiten diferenciar a dos o más grupos de sujetos; además para clasificar nuevos casos como pertenecientes
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 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 detallesUTILIZACIÓN DE LA TECNOLOGÍA NIRS EN EL SECTOR AGROALIMENTARIO
UTILIZACIÓN DE LA TECNOLOGÍA NIRS EN EL SECTOR AGROALIMENTARIO Alberto Arnau y Juanjo Pascual Unidad de Alimentación Animal Departamento de Ciencia Animal Unidad de Alimentación Animal UPV Introducción
Más detallesProyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Más 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 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 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesClustering. Departamento de Ingeniería Informática y de Sistemas Universidad de La Laguna
Clustering Christopher Expósito Izquierdo Airam Expósito Márquez Israel López Plata Belén Melián Batista J. Marcos Moreno Vega {cexposit, aexposim, ilopezpl, mbmelian, jmmoreno}@ull.edu.es Departamento
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 automático de rostros
Reconocimiento automático de rostros Ponente: Dr. Wilfrido Gómez Flores Investigador CINVESTAV wgomez@tamps.cinvestav.mx Ciudad Victoria,, 7 de junio de 2017 1 Introducción 2 Reconocimiento de rostros
Más detallesComponentes principales (II)
Componentes principales (II) Eliseo Martínez Herrera 1. Propiedades de los componentes Los componentes principales tienen las siguientes propiedades: 1 La suma de las varianzas de los componentes es igual
Más detallesTEORIA DE LA DECISION DE BAYES
TEORIA DE LA DECISION DE BAYES 1 2 PROBABILIDAD A PRIORI 3 4 5 DENSIDAD DE PROBABILIDAD Además de la probabilidad a priori a menudo se tiene información adicional: el valor de la observación x que se va
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
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 detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesANALISIS DISCRIMINANTE, ESTADISTICA GERENCIAL
UNIVERSIDAD DE PUERTO RICO Recinto de Río Piedras Facultad de Administración de Empresas Instituto de Estadística ANALISIS DISCRIMINANTE, HERRAMIENTA EN ESTADISTICA GERENCIAL José C. Vega Vilca, PhD Presentación
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 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 detallesReconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
Más detallesANÁLISIS DISCRIMINANTE
DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis
Más detallesReconocimiento automático de rostros
Reconocimiento automático de rostros Ponente: Dr. Wilfrido Gómez Flores Investigador CINVESTAV wgomez@tamps.cinvestav.mx Ciudad Victoria,, 15 de junio de 2016 1 Introducción 2 Reconocimiento de rostros
Más detallesCaso 17. Análisis multivariante: reducción de datos por componentes principales.
Caso 17: reducción por componentes principales 115 Caso 17. Análisis multivariante: reducción de datos por componentes principales. (JESÚS LÓPEZ FIDALGO, UCLM) CASO PRÁCTICO Se dispone de 15 variables
Más detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
Más detallesVisión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Definición y clasificación Reconocimiento basado en la apariencia Bag of words Deep learning Parte
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detalles1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional
1 Tema 4: Variable Aleatoria Bidimensional y n-dimensional 4.1. Variable aleatoria bidimensional Las Variables Aleatorias Bidimensionales o N-Dimensionales surgen cuando es necesario trabajar en espacios
Más detallesEXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA
EXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA José Antonio Rubio García, José Manuel Pardo Muñoz, Ricardo de Córdoba Herralde, Javier Macías Guarasa Grupo de Tecnología
Más detallesAprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo
2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesANÁLISIS DISCRIMINANTE (AD)
discrim_predictivo.doc 30//05 vgg ANÁLISIS DISCRIMINANTE (AD) Regresión con respuesta categórica Y Cómo depende Y de las variables X, X,... X p? cualitativa cuantitativas Planteamiento Predictivo del AD:
Más detallesAprendizaje Estadístico
Aprendizaje Estadístico Modelado y Análisis de Redes de Telecomunicaciones IIE - Facultad de Ingeniería Curso 2014 Introducción Algunos ejemplos de aprendizaje (son muchos!): clasificar mail en spam o
Más detallesApéndice A: Matrices de confusión y resultados de precisión, exhaustividad y medida F
Apéndices 77 Apéndice A: Matrices de confusión y resultados de precisión, exhaustividad y medida F En este apéndice se presentan seis tablas con otros resultados obtenidos. En cada una de las primeras
Más detallesProposición Sea V un espacio vectorial sobre K de dimensión n y B una base de V. Gl(n, K) = {A M(n n, K) A = 0}.
Tema 6 Formas canónicas 6.1 Introducción Proposición 6.1.1. Sea V un espacio vectorial sobre K de dimensión n y B una base de V. La aplicación Φ B : End(V ) M(n n, K) definida por Φ B (f) = M B (f), es
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesMáquinas de vectores soporte con R
Máquinas de vectores soporte con R Datos Cargamos la librería en la que se encuentran las funciones que vamos a utilizar y el fichero con los datos necesarios: library(mass) library(e1071) load(url('http://www.uam.es/joser.berrendero/datos/practica-svm-io.rdata'))
Más detallesRicardo Aler Mur CLASIFICADORES KNN-I
Ricardo Aler Mur CLASIFICADORES KNN-I En esta clase se habla del aprendizaje de modelos de clasificación y regresión basados en instancias o ejemplares. En concreto: Se define la clasificación y regresión
Más detallesMATRICES Y SISTEMAS DE ECUACIONES
MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n a A = 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales
Más detallesTratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov
Tratamiento de Señales Laboratorio 1 (2h) Cadenas de Markov Curso 2011/2012 Materiales: (a) Ordenadores equipados con Matlab Objetivos: (a) Estudiar las cadenas de Markov como una familia de secuencias
Más detallesTaller de Capacitación 1 - Nivelación SISCA - BPS. Juan José Goyeneche Andrés Castrillejo Junio de 2012
Taller de Capacitación 1 - Nivelación SISCA - BPS Juan José Goyeneche Andrés Castrillejo Junio de 2012 Conceptos Generales Qué es la estadística? Qué usos o aplicaciones potenciales tiene? Qué es la Inferencia
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesRepaso de conceptos de álgebra lineal
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 Repaso
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detalles3. Selección y Extracción de características. Selección: Extracción: -PCA -NMF
3. Selección y Extracción de características Selección: - óptimos y subóptimos Extracción: -PCA - LDA - ICA -NMF 1 Selección de Características Objetivo: Seleccionar un conjunto de p variables a partir
Más detallesEstimación PLS de modelos SEM, UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares)
Estimación PLS de modelos SEM, 2015. UMA. Modelos de Ecuaciones Estructurales con PLS (Partial Least Squares) 5 de febrero de 2015 José Mondéjar Jiménez Área de Estadística Económica y Empresarial Universidad
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 detallesTema 1: Estadística descriptiva. Probabilidad y Estadística (Ing. Informática). Tema 1: Estadística descriptiva 1
Tema 1: Estadística descriptiva Probabilidad y Estadística (Ing. Informática). Tema 1: Estadística descriptiva 1 Introducción Objetivo: estudiar una característica o variable en una población. Ejemplos:
Más detallesCoordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM
Coordenadas Principales de Matrices de Proximidad (Principal Coordinates of Neighbor Matrices) PCNM Implementación de PCNM en QEco La rutina de Coordenadas Principales de Matrices de Proximidad (PCNM)
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica Óptica y Electrónica ariel@inaoep.mx Contenido Introducción Enfoques Problemas Selección de Variables Clasificación
Más detallesEjemplos de funciones de covarianza
Capítulo 5 Ejemplos de funciones de covarianza De lo explicado hasta el momento, se concluye que la regresión basada en Procesos Gaussianos se reduce a calcular la matriz de covarianza C n a partir de
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesMatemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 2011/ ?
Matemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 011/1 1) (1 punto) Dado el subespacio vectorial,,,,,,,,,,, a) Obtener la dimensión, unas ecuaciones implícitas, unas
Más detallesf(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).
Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesAnálisis de datos y Estadística Avanzada
Análisis de datos y Estadística Avanzada Máster Interuniversitario de Astrofísica UCM+UAM Tema 9: Análisis de componentes principales (PCA) Javier Gorgas y Nicolás Cardiel Departamento de Astrofísica y
Más detallesAnálisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Más detallesCarlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification
Carlos Cuevas-Covarrubias (Mexico): Mutual Principal Components, reduction of dimensionality in statistical classification Mutual Principal Components, reduction of dimensionality in statistical classification
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 detallesCEDEX - Curso de formación estadística. Técnicas de análisis multivariante
CEDEX - Curso de formación estadística Técnicas de análisis multivariante Departamento de Estadística Universidad Carlos III de Madrid Madrid - 8 de octubre de 007 Estructura del curso.. Introducción.
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesAnálisis de Componentes Principales (ACP)
Sistemas de Visión en Manufactura Maestría en MIC, UDB Análisis de Componentes Principales (ACP) Presenta: Sergio Miguel García Pérez Enero de 2015 Introducción Cuando se recoge información de una muestra
Más detalles3. Clasificación no supervisada
3. El presente capítulo y el siguiente tratan de clasificación, es por ello que antes de abordar el tema específico de este capítulo, previamente se hará una introducción al tema de clasificación. 3.1
Más detallesSelección de atributos
Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesTécnicas de Análisis Estadístico Multivariado Basadas en Estadísticos de Orden Superior
Técnicas de Análisis Estadístico Multivariado Basadas en Estadísticos de Orden Superior Curso 29-21 Contenido 1 Introducción 2 Separación Ciega de Fuentes - Caso Determinado Análisis de Componentes Independientes
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detallesClasificación supervisada con R
Clasificación supervisada con R Diagnóstico de cáncer de mama por imagen Los datos del fichero Wisconsin.RData proceden de un estudio sobre diagnóstico del cáncer de mama por imagen. Mediante una punción
Más detallesANALISIS DISCRIMINANTE: INTRODUCCION
Grupo 1 Grupo 2 ANALISIS DISCRIMINANTE: INTRODUCCION José Luis Vicente Villardón Departamento de Estadística Universidad de Salamanca EJEMPLO INICIAL Consideremos el siguiente problema con datos reales.
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE
PROBABILIDAD Y ESTADÍSTICA Sesión 4 4. REGRESIÓN Y CORRELACIÓN SIMPLE 4.1 Regresión lineal simple y curvilínea 4.1.1 Variable dependiente e independiente 4.1.2 Ecuación de regresión 4.1.2.1 Aplicación
Más detallesQUIMIOMETRIA POSGRADO QUÍMICA 80 HRS 80 HRS POSGRADO PRESENCIAL NINGUNO
Nombre de la materia: Código de la Materia: Departamento: Carga Total de horas de teoría: Carga Total de horas de trabajo independiente: Nivel de Formación: Tipo del Curso: Pre-requisitos: QUIMIOMETRIA
Más detalles5. Análisis de cúmulos
5. Análisis de cúmulos OBJETIVO: Dividir a los individuos de una base de datos en grupos, llamados cúmulos (clusters), de tal manera que los individuos de un mismo cúmulo tengan características semejantes
Más detallesIntroducción Ordenación Clasificación Ord. + Clas. Geobotánica. Tema 12 Ordenación y clasificación
Introducción Clasificación Ord. + Clas. Geobotánica Tema 12 y clasificación Copyright: 2011 Francisco Alcaraz Ariza. Esta obra está bajo una licencia de Reconocimiento-No Comercial de Creative Commons
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: ANÁLISIS DEL RIESGO ACTUARIAL Y FINANCIERO
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: ESTADÍSTICA ACTUARIAL III: ANÁLISIS MULTIVARIANTE DE DATOS Código: 603377 Materia: ESTADÍSTICA ACTUARIAL Módulo: ANÁLISIS DEL
Más detallesWenceslao González Manteiga.
ANÁLISIS MULTIVARIANTE Wenceslao.gonzalez@usc.es ÍNDICE 0. MOTIVACIÓN HISTÓRICA 1. ANÁLISIS EXPLORATORIO DE DATOS 2. REVISIÓN DE LAS DISTRIBUCIONES NOTABLES MULTIDIMENSIONALES RELACIONADAS CON LA NORMAL
Más detalles2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo.
2. Formas cuadráticas. Expresiones diagonales. Clasificación respecto a su signo. 2.1 Formas cuadráticas. Expresión matricial y analítica. Expresiones diagonales. Definición 2.1 (Expresión matricial) Una
Más detallesDiseño de experimentos
Diseño de experimentos Quimiometría Por qué diseñar experimentos? Exploración: cuáles factores son importantes para realizar exitosamente un proceso Optimización: cómo mejorar un proceso Ahorro de tiempo:
Más detallesElementos de máquinas de vectores de soporte
Elementos de máquinas de vectores de soporte Clasificación binaria y funciones kernel Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Seminario de Control y Sistemas Estocásticos
Más detallesEl análisis de correspondencias. Ana María López Jiménez Dept. Psicología Experimental (USE)
El análisis de correspondencias Ana María López Jiménez Dept. Psicología Experimental (USE) 4. El análisis de correspondencias 4.. Introducción 4.2. Tabla de correspondencias 4.3. Dependencia e independencia
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 detalles