Aprendizaje automático: métodos y aplicaciones
|
|
- Lucía Aranda Rivas
- hace 6 años
- Vistas:
Transcripción
1 Aprendizaje automático: métodos y aplicaciones Fernando Díaz Gómez Depto. de Informática E. U. de Informática UVa contenidos Introducción al aprendizaje automático Aprendizaje inductivo Aprendizaje supervisado Aprendizaje no supervisado 2
2 antecedentes: sistemas expertos Los inicios de la Inteligencia Artificial (AI, Artificial Intelligence) se centraron en el desarrollo de sistemas expertos (expert systems), es decir, aplicación que emula la capacidad de toma de decisiones por parte de un experto humano en la resolución de un problema en un dominio de aplicación específico El desarrollo de los sistemas expertos participaban habitualmente un experto (en el dominio de aplicación) y un ingeniero de conocimiento El ingeniero de conocimiento extrae reglas a partir de entrevistas con el experto y utiliza estas reglas para crear el programa (sistema) experto En este proceso de desarrollo, el cuello de botella es la interacción experto ingeniero de conocimiento Sería mucho mejor si se pudiera automatizar el proceso de ingeniería de conocimiento o mejor aún si se consiguiera que el sistema adquiriera la capacidad de aprender a ser un experto a partir de una serie de ejemplos 3 definiciones: aprendizaje automático "Field of study that gives computers the ability to learn without being explicitly programmed" ( Arthur Samuel, 1959) Dado que es imposible prever la solución de todos los problemas, se busca aportar a los programas la capacidad de adaptarse sin tener que ser reprogramados Any change in a System that allows it to perform better the second time on repetition of the same task or on another task drawn from the same population (Herber Simon, 1989) Un atributo de un agente inteligente es la capacidad de adaptación, en base a la experiencia adquirida, para mejorar su desempeño en tareas conocidas o resolver nuevos problemas similares 4
3 motivación: por qué aprender? Para entender y mejorar la eficiencia del aprendizaje humano Para descubrir nuevos conceptos, estructuras o patrones útiles, previamente desconocidos: minería de datos (DM, Data Mining) o descubrimiento de conocimiento (KD, Knowledge discovery) Para posibilitar la resolución de problemas en los que el conocimiento acerca de su dominio es parcial o incompleto La mayoría de sistemas de IA que resuelven problemas reales (y por tanto, complejos y grandes) no pueden construirse directamente y requieren mecanismos de actualización dinámicos que incorporen nueva información/conocimiento El aprendizaje de nuevas características amplía el conocimiento acerca del dominio y reduce la fragilidad del sistema Para construir agentes software que puedan adaptarse a sus usuarios u otros agentes software 5 motivación: por qué aprender? Como herramienta, el aprendizaje automático es útil para implementar: Tareas difíciles de programar (reconocimiento de caras, voz,...) Aplicaciones auto adaptables (interfaces inteligentes, sistemas anti spam, sistemas de recomendación,...) Minería de datos (análisis de datos inteligente), etc. en todo tipo de dominios de aplicación: Búsquedas web, Biología computacional (bioinformática), Finanzas, Comercio electrónico, Exploración del espacio, Robótica, Extracción de información Redes sociales, etc. 6
4 principales enfoques de aprendizaje automático Aprendizaje memorístico: se establece una correspondencia 1 a 1 entre las entradas y la representación almacenada, almacenamiento y recuperación basados en la asociación Aprendizaje basado en analogías: determinar la correspondencia entre dos representaciones diferentes Aprendizaje inductivo: se utilizan ejemplos específicos para alcanzar conclusiones (hipótesis, modelos) generales Algoritmos genéticos: técnicas de búsqueda evolutivas, basados en la analogía de la supervivencia del mejor adaptado Redes neuronales artificiales: modelos de computación y aprendizaje inspirados en el cerebro humano Aprendizaje por refuerzo: Realimentación proporcionada al final de una secuencia de pasos, mediante un refuerzo positivo o negativo 7 aprendizaje inductivo Dado un conjunto de ejemplos, son todos los métodos que tratan de extrapolar la información contenida en ellos para realizar predicciones lo más precisas posibles sobre futuros ejemplos Importante, la capacidad de generalización de los métodos de aprendizaje inductivo Aprendizaje supervisado vs. Aprendizaje no supervisado Aprender una función/modelo desconocido f(x) = Y, donde X es un ejemplo de entrada e Y es la salida deseada El aprendizaje supervisado implica que se nos proporcionan un conjunto de pares de entrenamiento (X, Y) por parte de un profesor (un supervisor) El aprendizaje no supervisado significa que sólo disponemos de los ejemplos de entrada X y alguna función de realimentación/evaluación de nuestro rendimiento 8
5 aprendizaje inductivo: métodos Supervisados No supervisados Lineales No Lineales K-Means EM Self-Organizing Maps Regresión lineal Regresión logística Perceptron Sencillos Combinados Interpretables Bagging Boosting Random Forests Difíciles de interpretar Decision Trees Rule Learning Naïve Bayes k-nearest Multi-Layer Neighbours Perceptron SVM 9 aprendizaje inductivo: cuestiones asociadas Además de las cuestiones relacionadas con el diseño de métodos de aprendizaje, existen otro número de cuestiones asociadas que deben tratarse, como por ejemplo: Selección de características (FS, Feature Selection): métodos de filtrado, envolventes, embebidos Reducción de la dimensionalidad, por ejemplo, PCA (Principal Component Analysis) Valores perdidos, incompletos, etc. (una de las fuentes de incertidumbre) Aprendizaje sensible al coste (falsos positivos, falsos negativos) Distribuciones no balanceadas de los datos entrenamiento Visualización de datos (n dimensionales) Evaluación del rendimiento de los métodos de aprendizaje (metodología experimental) Incorporación de conocimiento explícito del dominio 10
6 aprendizaje supervisado Dado un conjunto de ejemplos de entrada X y su correspondiente valor deseado Y para cada uno de ellos, se trata de establecer una función (modelo/hipótesis) f(), que permita predecir el valor Y* =f(x*) para nuevos ejemplos X* Si f() es una función discreta, se habla de clasificación supervisada En general, clasificación multiclase, y si f() sólo puede tomar dos valores (ejemplos positivos y negativos) se habla de clasificación biclase o aprendizaje de conceptos (concept learning) Si f() es una función continua, se habla de modelos de regresión Si f() es una probabilidad, se habla de estimación de distribuciones de probabilidad 11 clasificación supervisada Los datos de entrada bruto (que suelen proceder de sensores) se preprocesan para obtener el vector de características (feature vector) X, que convenientemente describe todas las características relevantes para clasificar los ejemplos En los enfoques de aprendizaje simbólico, cada dato tiene asociado un significado, por ejemplo en forma de lista de pares atributo valor Ejemplo: X= [Persona: Juan, ColorOjos: Marrón; Edad: Joven; Sexo: Hombre] > Variedad de representación de los dominios de los atributos: discretos vs continuos, etc. Así, cada ejemplo disponible del conjunto de entrenamiento se puede interpretar como un punto en el espacio n dimensional del espacio de características (feature space) F, donde n es el número de atributos que describen cada ejemplo 12
7 clasificación supervisada como una búsqueda El espacio de instancias (instance space) I define el lenguaje para los ejemplos del conjunto de entrenamiento (training set) y de validación (test set) Típicamente, pero no es así siempre (por ejemplo, SVMs) cada instancia i I es un vector de características Las características se denominan a veces también atributos o variables I: V1 x V2 x x Vk, i = (v1, v2,, vk) La variable de clase C proporciona la clase de la instancia (ejemplo) que tiene que predecirse El espacio de modelos (model space) M define todos los posibles clasificadores M: I C, donde M = {m1,..., mn} es posiblemente un conjunto infinito El espacio de modelos a veces, pero no siempre, se define en términos de las mismas caracterísitcas del espacio de instancias (por ejemplo, algoritmos genéticos) Bajo esta perspectiva, construir el clasificador consiste en buscar una buena hipótesis (consistente, completo, simple) en el espacio de modelos y este proceso de búsqueda está dirigido por el conjunto de datos de entrenamiento 13 clasificación supervisada como una búsqueda También bajo esta visión, los métodos de aprendizaje automático, en general, y de construcción de clasificadores, en particular, se caracterizan por manejar: Un esquema de representación de los modelos/hipótesis/soluciones que manipulan Árboles de decisión, reglas if then, instancias, modelos gráficos (redes Bayesianas, de Markov), redes neuronales, máquinas de vectores soporte, ensembles de clasificadores, etc. Una función de evaluación que permite estimar la bondad del modelo ajustado hasta el momento Precisión, sensibilidad y especificidad, error cuadrático, verosimilitud, probabilidad a posteriori, coste/utilidad, entropía, métricas basadas en distancia, métricas basadas en cantidad de información (K L divergence), etc. Un mecanismo de optimización (y posiblemente búsqueda) que dirige el proceso de búsqueda en el espacio de modelos Optimización combinatoria y optimización estocástica: metaheurísticas Optimización matemática: programación lineal, descenso del gradiente, etc. 14
8 ejemplo: árboles de decisión Tos Temperatura Media Alta Baja No gripe Dolor garganta Sí No Sí No Gripe No gripe Gripe No gripe Un árbol de decisión para el concepto Gripe 15 ejemplo: construcción árbol de decisión (1) D1 D6 D10 D7 D12 D11 D2 D5 D4 D14 D3 D8 D9 D13 Cuál es el atributo más informativo? Temperatura, Dolor garganta o Tos Supongamos: Temperatura 16
9 ejemplo: construcción árbol de decisión (2) Media Temperatura Baja Alta D1 D9 D2 D8 D11 D7 D3 D12 D13 D14 D10 D6 D4 D5 Supongamos: Cuáles son los atributos Tos y Dolor garganta más informativos? La respuesta nos la da la Tª de la información con los conceptos de cantidad de información y entropía 17 ejemplo: construcción árbol de decisión (3) Media Temperatura Baja Alta Info[2,6]=.811 Info[3,3]= 1 Entropía = 8/ /14 * 1 =.892 Previa Info[9,5] =.940 Ganancia = =.048 Dolor garganta Info[2,3] =.971 bits Info[4,0]= 0 bits Info[3,2]=.971 bits No Sí Entropia = 5/14 * /14 * 0 + 5/14 *.971 =.693 Previa Info[9,5] =.940 Ganancia= =
10 ejemplo: multi layer perceptron Ejemplos MLPs: pesos Unidades de salida Unidades ocultas Unidades de entrada 19 ejemplo: modelo de cálculo de un MLP hj=g( wji.xi) yk= wkj.hj donde g(x)= 1/(1+e -x) g (sigmoid): 0 1/2 i j 1 0 wji s Típicamente, y1=1 para ejemplos positivos e y1=0 para ejemplos negativos wkj s y1 h1 h2 h3 k j i x1 x2 x3 x4 x5 x6 20
11 ejemplo: aprendizaje MLP (1) El aprendizaje consiste en la búsqueda a través del espacio de todas las posibles matrices de pesos por una combinación de pesos que minimicen el error cometido al clasificar los ejemplos positivos y negativos del conjunto de entrenamiento Por lo tanto es un problema de optimización que trata de minimizar la suma del error cuadrático: p p 1 P P E E, E ( t y ) p 2 o o o 2 21 ejemplo: aprendizaje MLP (2) El problema de optimización se resuelve aplicando de optimización clásicas, como el descenso del gradiente, que permite modificar los pesos de la red iterativamente en una pequeña fracción (tasa de aprendizaje) en la dirección opuesta al gradiente de la función de error Si el gradiente es 0, se alcanza un mínimo local y se dice que el entrenamiento de la red converge, aunque no se puede garantizar que converja a un mínimo global Capacidad de generalización, sobre entrenamiento, mal condicionamiento, optimización estocástica, etc. Problema: cómo imputar el error a cada unidad oculta cuando se desconoce cual es su salida esperada. Solución: algoritmo de retropropragación del error 22
12 ejemplo: ensembles de clasificadores Con el fin de conseguir una respuesta más fiable de un clasificador automático, una buena idea sería combinar las decisiones de varios clasificadores base a través de un tipo de esquema de votación Bagging y Boosting son los dos esquemas de combinación más utilizados y habitualmente mejoran considerablemente los resultados de los clasificadores de base Una desventaja de estos modelos de combinación de clasificadores es que, como en el caso de las redes neuronales, el modelo aprendido es más difícil, sino imposible, de interpretar 23 ejemplo: bagging y boosting Bagging: Se basa en perturbar la composición de los datos del conjunto de aprendizaje. Con cada conjunto de datos se entrena un clasificador base y entonces se obtiene la respuesta final para una nueva instancia, mediante un esquema de votación en el que intervienen todos los clasificadores entrenados (por ejemplo, voto por mayoría) Este procedimiento reduce la porción del error en la precisión del clasificador que se puede imputar a la variabilidad asociada a los conjuntos de entrenamiento Boosting: En este caso se trata de entrenar distintos clasificadores que complementen a otros. Un primer clasificador se entrona, y las instancias sobre las que este clasificador comete errores, se les adjudica un peso mayor que los ejemplos clasificados correctamente. Entonces, un nuevo clasificador (posiblemente diferente) se entrena con los mismos datos de entrenamiento pero centrándose en los ejemplos con más peso, y así, sucesivamente 24
13 clustering: introducción Puede considerarse que el clustering es el problema del aprendizaje no supervisado más importante, y como cualquier otro problema de este tipo, trata de encontrar una estructura dentro de una colección de datos sin etiquetar Una definición más informal de clustering podría ser el proceso de organizar objetos en grupos cuyos miembros son similares entre sí en cierto modo. Un cluster es por tanto una colección de objetos que son similares entre ellos y diferentes a los objetos que pertenecen a otros clusters 25 clustering: objetivos Determinar un agrupamiento intrínseco en un conjunto de datos sin etiquetar Pero cómo decidir qué es un buen agrupamiento Puede demostrarse que no existe un criterio de optimalidad absoluto, independiente de la aplicación final Por tanto, el usuario es quien debe establecer el criterio de bondad, de modo que el resultado del agrupamiento se ajuste a sus necesidades Por ejemplo, podríamos estar interesados en encontrar elementos representativos de grupos homogéneos (reducción de datos), en encontrar grupos intrínsecos y describirlos en base a sus propiedades (descubrimiento de tipos de datos), en encontrar datos anómalos (detección de valores extremos), etc. 26
14 clustering: tipos Agrupamiento exclusivo: En este caso los datos se agrupan de un modo exclusivo, de modo que si un dato pertenece a un cluster entonces no puede estar incluido en otro. Un ejemplo de este tipo de algoritmos es el algoritmo K Means Agrupamiento solapado: En este caso se utilizan conjuntos difusos para agrupar los datos, de forma que cada punto puede pertenecer a dos o más clusters con diferentes grados de pertenencia. El ejemplo más representativo de este tipo de algoritmos es el algoritmo Fuzzy C means Agrupamiento jerárquico: Este tipo de algoritmos se basa en la unión sucesiva de los dos clusters más próximos. La condición inicial se establece fijando cada dato como un cluster y después de cierto número de iteraciones se consigue un árbol o dendograma, donde cada nivel proporciona un agrupamiento de los datos. Dentro de este tipo se encuentra cualquier versión del algoritmo Hierarchical clustering Agrupamiento probabilista: En esta caso se utiliza una aproximación completamente probabilista para resolver el problema y el ejemplo más representativo es la mezcla de Gaussianas (Mixture of Gaussians) 27 ejemplo: clustering jerárquico (1) Dado un conjunto de N puntos y una matriz de distancia (similitudes) N * N, el proceso básico del clustering jerárquico (definido por Johnson en 1967) es el siguiente: 1. Comenzar asignando cada punto a un cluster, de modo que si se tienen N elementos, se comienza con N clusters, cada uno de un único elemento. Sea las distancias (similitudes) entre los clusters, la misma que las distancias (similitudes) entre los puntos que contienen 2. Encontrar el par de clusters más cercanos (más similares) y juntarlos en un único cluster, de modo que se tiene un cluster menos 3. Calcular las distancias (similitudes) entre el nuevo cluster y cada uno de los clusters anteriores 4. Repetir los pasos 2 y 3 hasta que todos los puntos de datos estén agrupados en un único cluster de tamaño N 28
15 ejemplo: clustering jerárquico (2) El paso 3 del algoritmo anterior puede realizarse de diferentes formas, lo que conduce a diferentes variantes: Enlace sencillo (single linkage): En este caso se considera que la distancia entre un cluster y otro es igual a la distancia más pequeña, entre cualquier punto del primer cluster y cualquier otro del segundo Enlace completo (complete linkage): En este caso se considera la distancia entre dos clusters, igual a la distancia mayor entre cualquier punto de uno y cualquier punto del otro Enlace promedio (average linkage): La distancia entre dos clusters, viene dada por la distancia media entre cualquier punto del primero con cualquier punto del segundo Este tipo de agrupamiento se denomina aglomerativo ya que junta clusters iterativamente. También puede ser divisivo, comenzando con todos los puntos en un único cluster y desmenuzándolo iterativamente 29 ejemplo: clustering jerárquico (4) 30
16 ejemplo: clustering jerárquico (3) Completado el árbol jerárquico (o dendograma), si se quieren obtener k clusters, basta con cortar el árbol por el nivel k 1 desde la raíz (que se considera el nivel 0) 31
Análisis 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 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 detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
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 detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
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 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 detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más 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 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 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 detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesAprendizaje inductivo
Inteligencia Artificial Aprendizaje inductivo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción
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 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 detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
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 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 detallesInteligencia Artificial
Inteligencia Artificial Conjunto de técnicas que se aplican en el diseño de programas de computador para la resolución de problemas que por su dificultad requieren el uso de un cierto grado de inteligencia.
Más detallesAnálisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
Más 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 detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
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 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 detalles11. FUENTES DE INFORMACIÓN
multidimensionales Unidad 3: Tratamiento del color Identificar las características del histograma y su uso para el tratamiento del color Obtener el histograma de diferentes imágenes para indicar las características
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 detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
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 detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
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 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 detallesTÉCNICAS DE AGRUPAMIENTO
TÉCNICAS DE AGRUPAMIENTO José D. Martín Guerrero, Emilio Soria, Antonio J. Serrano PROCESADO Y ANÁLISIS DE DATOS AMBIENTALES Curso 2009-2010 Page 1 of 11 1. Algoritmo de las C-Medias. Algoritmos de agrupamiento
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Más detallesRECONOCIMIENTO DE PAUTAS
RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis) Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes
Más 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 detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesNEWTON TREES. Árboles de Estimación Estocástica de Probabilidades:
Tesis de Máster en Ingeniería del Software, Métodos Formales y Sistemas de Información Árboles de Estimación Estocástica de Probabilidades: NEWTON TREES Autor: Fernando Martínez Plumed 1 Directores: Cèsar
Más detallesExamen de Septiembre de TACCIII y TAI (Modelo 2)
Examen de Septiembre de TACCIII y TAI (Modelo 2) 12 de septiembre de 2008 1. La desordenación de la base de datos puede influir en el resultado obtenido mediante a) clasificación por distancia a las medias
Más detallesBases estadísticas del reconocimiento de patrones
Bases estadísticas del reconocimiento de patrones César Martínez cmartinez _AT_ fich.unl.edu.ar Inteligencia Computacional FICH-UNL Percepción humana Tarea muuuuy simple: Cuántas llaves hay? Inteligencia
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesAprendizaje no supervisado
Aprendizaje no supervisado Algoritmo de K medias Julio Waissman Vilanova Licenciatura en Ciencias de la Computación Universidad de Sonora Curso Inteligencia Artificial Plan del curso Aprendizaje no supervisado
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 detalles240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Más detallesTema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Más detallesAprendizaje Automático
Aprendizaje Automático cbea LSI - FIB IA - Curso 2014/2015 cbea (LSI - FIB) Aprendizaje Automático IA - Curso 2014/2015 1 / 46 Índice 1 Introducción 2 Aprendizaje inductivo 3 Árboles de decisión 4 Aprendizaje
Más detallesARBOLES DE DECISION. Miguel Cárdenas-Montes. 1 Introducción. Objetivos: Entender como funcionan los algoritmos basados en árboles de decisión.
ARBOLES DE DECISION Miguel Cárdenas-Montes Los árboles de decisión son estructuras lógicas con amplia utilización en la toma de decisión, la predicción y la minería de datos. Objetivos: Entender como funcionan
Más detallesR for Data Mining Análisis de datos, segmentación y técnicas de predicción con R. web
R for Data Mining Análisis de datos, segmentación y técnicas de predicción con R web Presentación R es el lenguaje de programación estadístico por excelencia. Se destaca por que es una las herramientas
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 detallesProcesamiento de voz - Reconocimiento de voz II
Procesamiento de voz - Reconocimiento de voz II Marc S. Reßl Roxana Saint-Nom 2009 Ingeniería Electrónica Instituto Tecnológico de Buenos Aires Reconocimiento de voz Las técnicas que vimos hasta ahora
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 detallesComputación distribuida e inteligencia computacional aplicadas a ciudades inteligentes
Computación distribuida e inteligencia computacional aplicadas a ciudades inteligentes Sergio Nesmachnow, Renzo Massobrio, Sebastián Baña Universidad de la República, Uruguay AGENDA Ciudades inteligentes
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más 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 detallesdescubrimiento evolutivo de arquitecturas software
Interactividad en el descubrimiento evolutivo de arquitecturas software Aurora Ramírez, José Raúl Romero y Sebastián Ventura Dpto. de Informática y Análisis Numérico. Universidad de Córdoba. XX Jornadas
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 detallesContenido. Contenido. Inteligencia Artificial y. La prueba de Turing. Pueden las máquinas pensar? El juego de la adivinación
Inteligencia Artificial y La Reinversión Copernicana Dr. Luis Alberto Pineda Cortés Enero, 2004 de representación e inferencia en la IA de representación e inferencia en la IA La prueba de Turing Alan
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 detallesMinería de Datos. Índice. Raquel M. Crespo García. Julio Villena Román. Definición y conceptos Técnicas y modelos
Inteligencia en Redes de Comunicaciones Minería de Datos Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Índice Definición y conceptos Técnicas y modelos IRC - JVR, RCG - 1 1
Más detallesObject Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary
Object Recognition as Machine Translation: Learning a Lexicon for a Fixed Image Vocabulary P. Duygulu, K. Barnard, J.F.G. de Freitas, and D.A. Forsyth Dr. Enrique Sucar 1 Victor Hugo Arroyo Dominguez 1
Más detallesEstadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)
Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1) Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 24 de octubre de 2016 M.Bourel
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
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 detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN PRINCIPIOS Y TECNICAS DE INTELIGENCIA ARTIFICIAL OBJETIVOS Los objetivos específicos es el estudio
Más detallesPROFESIONALES [PRESENCIAL]
SILABO POR ASIGNATURA 1. INFORMACION GENERAL Coordinador: SAQUICELA GALARZA VICTOR HUGO(victor.saquicela@ucuenca.edu.ec) Facultad(es): [FACULTAD DE INGENIERÍA] Escuela: [ESCUELA DE INFORMÁTICA] Carrera(s):
Más detallesComponentes de los SBC. Componentes de los SBC. SBC basados en sistemas de producción. Notas
Componentes de los SBC Componentes de los SBC Queremos construir sistemas con ciertas características: Resolución de problemas a partir de información simbólica Resolución mediante razonamiento y métodos
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más 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 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 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 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 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 detallese-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys
e-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys L.M. Sarro 1,2 1 Departmento de Inteligencia Artificial, UNED, España 2 Spanish Virtual Observatory
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 detallesAPRENDIZAJE AUTOMÁTICO
ASIGNATURA DE GRADO: APRENDIZAJE AUTOMÁTICO Curso 2015/2016 (Código:71014023) 1.PRESENTACIÓN DE LA ASIGNATURA El Aprendizaje Automático es una rama de la Inteligencia Artificial que abarca diferentes técnicas,
Más detallesIntroducción al Aprendizaje Reforzado
Introducción al Conceptos básicos y métodos tabulares Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Universidad Autónoma de Baja California, marzo 2010 Plan de la presentación
Más detallesDATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesReconocimiento de patrones y el aprendizaje no supervisado
Reconocimiento de patrones y el aprendizaje no supervisado Jesús Cáceres Tello Servicios Informáticos Profesor del Dpto. Ciencias de la Computación Escuela Técnica Superior de Informática Universidad de
Más detallesIntroducción al Cálculo Numérico
Tema 1 Introducción al Cálculo Numérico 1.1 Introducción El Cálculo Numérico, o como también se le denomina, el Análisis numérico, es la rama de las Matemáticas que estudia los métodos numéricos de resolución
Más detallesRandom Forests. Teoría y ejemplos. Romain Gouron. Conferencia 9, GLAM, Doble titulo Ecole Centrale de Nantes (Francia)
Teoría y ejemplos 1 1 Departamiento de Ingenería Matemática Doble titulo Ecole Centrale de Nantes (Francia) Conferencia 9, GLAM, 2016 Outline 1 Árboles de decisión Construcción 2 3 Rotation forest Gradient
Más 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 detallesANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS)
ANÁLISIS DE CONGLOMERADOS (CLUSTER ANALYSIS) AGRUPAMIENTOS Cuál agrupamiento es mejor? MÉTODOS DE AGRUPACIÓN Métodos jerárquicos: Los objetos se agrupan (dividen) i por partes hasta clasificar todos los
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesPerfil de la carrera Licenciatura en Computación Inteligencia Artificial
Perfil de la carrera Licenciatura en Inteligencia Artificial La formación del licenciado apunta a completar requisitos mínimos de formación básica y a la especialización del egreso en sub-áreas de o en
Más detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detallesI.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
I.4 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL Roberto Mendoza Padilla* En este trabajo se da una descripción introductoria de un área que ha provocado un gran numero de controversias, debido a que combina
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 detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesSistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Más detallesPERFIL PROFESIOGRÁFICO PARA IMPARTIR LAS ASIGNATURAS DE LA LICENCIATURA EN INGENIERÍA EN COMPUTACIÓN (PLAN DE ESTUDIOS 2005)
ASIGNATURAS SEMESTRE LICENCIATURA EN OTROS REQUERIMIENTOS Álgebra (1100) 1 Geometría Analítica (1102) 1 Ingeniería, Matemáticas, Física o carreras cuyo contenido en el área de las Matemáticas sea similar
Más detallesInteligencia en Redes de Comunicaciones. Aprendizaje. Raquel M. Crespo García Julio Villena Román. {rcrespo,
Inteligencia en Redes de Comunicaciones Aprendizaje Raquel M. Crespo García Julio Villena Román {rcrespo, jvillena}@it.uc3m.es Objetivo El objetivo es dotar a los sistemas de inteligencia artificial con
Más detallesDesde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria
3 Sistemas Expertos 3.1 Introducción Desde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria son la falta de personas capacitadas en campos muy específicos y el elevado
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 detallesCURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO
SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA DEL BIG DATA INMOBILIARIO Gestión empresarial de la información. Business Intelligence. Data Mining.
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Más detalles