Red Neuronal para el Reconocimiento de Patrones
|
|
- María Josefa Soriano Franco
- hace 6 años
- Vistas:
Transcripción
1 Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez Facultad de Ingeniería Programa de ingeniería informática Corporación Universitaria Autónoma de Nariño
2 Introducción Una característica del sistema de procesamiento visual humano es su flexibilidad: somos capaces de identificar un patrón, un tipo de estímulo, con independencia, sus posibles variaciones en tamaño, posición en el contexto y orientación espacial; e incluso cuando su forma varía en ciertos límites. Figura 1 Figura 1: Distintos tipos de un mismo carácter En todos ellos reconocemos sin dificultad la letra "E", y todos ellos pueden interpretarse como variaciones del mismo patrón, el correspondiente a dicha letra. Podemos llamar reconocimiento de patrones al hecho de identificar distintos estímulos haciéndolos pertenecer a la misma clase. Para ello hacemos uso de las denominadas plantillas mentales. De forma digital, podemos simular este proceso por medio de redes neuronales las cuales son ampliamente utilizadas en la clasificación de distintos tipos de patrones, como lo son el reconocimiento de sonidos, huella dactilar, reconocimiento de imagen, identificación de caracteres entre otros. Pare el reconocimiento de un carácter el proceso se puede realizar mediante el entrenamiento de una red neuronal que se adapta a la forma de escribir particular de cada persona. Para el reconocimiento de caracteres escritos no existe un patrón exacto, y por tanto tampoco una solución algorítmica. Cada persona tiene su forma de escribir y existen tantas "variaciones" del alfabeto como individuos. Pensado algorítmicamente, el problema puede resultar a priori sencillo. Basta con emplear tablas de búsqueda que relacionen el patrón de bits correspondiente a cada carácter con, su código ASCII, por ejemplo. Aunque la aproximación de la tabla de búsqueda es razonablemente rápida y de fácil mantenimiento, hay muchas situaciones que se dan en sistemas reales y que no se
3 pueden resolver mediante este método, por ejemplo, si se introduce un carácter que varíe del original en un solo píxel, el algoritmo daría lugar a un error o a un código ASCII incorrecto, pues la coincidencia entre la trama de entrada y la trama original debe ser exacta. La solución algorítmica es, por tanto, demasiado estricta para el mundo real y se trata, en definitiva, de un caso particular de Sistema de Reconocimiento Automático de Formas [1] que, por tanto, consta de una etapa de aislamiento de los objetos a reconocer (en este caso caracteres manuscritos), mediante la extracción de sus características individuales. La solución neuronal, al basarse en la estructura del cerebro humano, mucho más flexible; es capaz de deducir la trama original a partir de una trama de entrada distorsionada, tal sistema no es sino la combinación de una gran cantidad de elementos simples de proceso (nodos o neuronas) interconectados que, operando de forma masivamente paralela, consiguen resolver el problema [2]. Procedimiento Se creó una clase denominada PanelDibujo.java, el cual es un objeto grafico que contiene una cuadricula de 20 por 20 celdas, en la que se escribe a mano alzada la letra que se quiere representar Figura 2 Figura 2: Panel de 20 por 20 celdas Uno de los métodos de la clase PanelDibujo.java es getimagen(), el cual retorna un vector de 400 valores de ceros y unos, este vector es la entrada de la red neuronal, en él están representadas las 20 x 20 celdas, es decir las 400 coordenadas X Y, en este vector cero(0) representa la ausencia de grafico en dicha área de la imagen y uno(1) representa que en dicha área existe un punto de la imagen.
4 Existen muchos tipos de redes neuronales, un modelo utilizado en una gran variedad de aplicaciones, entre las que se incluyen las de reconocimiento de formas [3][4], es la red multicapa con conexiones unidireccionales hacia delante (feedfoward). Figura 3 muestra la red de este tipo utilizada en sistemas OCR. El modelo de red utilizado para esta aplicación corresponde al modelo de McCulloch- Pitts [5], donde las entradas son binarias y la función de activación también lo es. Esta red consta de dos capas. El vector de coordenadas X Y de 400 valores, es la entrada de la primer capa, la cual consta de 200 neuronas, por lo tanto a esta capa es asociada una matriz de pesos aleatorios de 200 por 400, haciendo corresponder a las 200 neuronas un peso por cada coordenada X Y. Además cada neurona tiene un umbral, los cuales son representados en un vector de 200 valores aleatorios. El resultado de esta capa será la entrada de la capa 2, el cual es un vector de 200 valores calculado de la siguiente forma: yi = f(σ wij xj - θi ) = f(σ wij xj ) (x0 = 1, wi0 = θi ) es decir, cada valor del vector resultante es la sumatroria de multiplicar cada peso sináptico por el correspondiente valor en el vector de entradas o de coordenadas X Y, si dicho resultado sobrepasa el valor del vector umbral correspondiente se asocia al resultado el valor uno(1), caso contrario será el valor cero(0).. Figura 3: Red multicapa unidireccional hacia delante (feedfoward). La segunda capa consta de 8 neuronas pues se busca generar 8 salidas ya que la idea es representar el código ASCII de un carácter en código binario en un byte. La entrada de la segunda capa es un vector de 200 valores generado por la capa uno, por lo tanto es necesario asociar a esta capa una matriz de pesos de 8 por 200 valores que en primera instancia también son aleatorios al igual que un vector de umbrales de 8 valores aleatorios por cada neurona. Este vector tipo byte se lo genera de forma similar que el generado por la capa 1, cuyo proceso es realizar la sumatoria
5 de la multiplicación de cada peso sináptico por el correspondiente valor en el vector resultante de la capa 1, de la misma forma si sobrepasa el umbral, al resultado se asocia 1 si no es así se asocia con 0. El modelo de esta red neuronal se ilustra en la siguiente Figura 4. Figura 4: Modelo de red utilizado en la aplicación Para entrenar la red, se debe asociar un carácter a dicho grafico, que es el carácter que se desea aprenda la red, el cual es descompuesto en su código binario ASCCII [6], en un vector de 8 bits. Para realizar el aprendizaje se resta este vector con el vector resultante de la red, y se realiza la sumatoria de estos valores, si la suma es superior a un porcentaje de error esperado, el proceso se repite utilizando el algoritmo de propagación hacia atrás o Backpropagation [7], aplicando un factor de corrección, cuando la suma de error sea inferior al porcentaje de error esperado, significa que la red ha aprendido, y el vector resultante de la red deberá ser igual al vector de 8 bits que representa el carácter en código ASCII.
6 Para realizar la correspondencia de una letra manuscrita con una carácter se utiliza la red entrenada, y como entrada el nuevo vector de 400 coordenadas perteneciente a la letra manuscrita, con el objetivo de obtener el vector resultante de 8 salidas el cual es el ASCCII de 8 bits, posteriormente se realiza la conversión de código ASCII a carácter que será el resultado final. El resumen del proceso se presenta en la Figura 5 Figura 5: Resumen del proceso El usuario tiene la posibilidad de guardar y cargar una red neuronal anteriormente entrenada para su posterior utilización. Para introducirse y profundizar el tema de sistemas OCR, se recomienda la lectura de [8] y de la revista IEEE Transactions on Pattern Analysis and Machine Intelligence. Implementación Lenguaje de programación Java Entorno de desarrollo NetBeans Clases especificas: o Para poder guardar y recuperar la red entrenada se utilizó la librería Serializable o Para utilizar la operación de matrices se utilizó la librería jsci o Las librería awt y swin se utilizaron para la manipulación graficas que junto con la implementación de la interface MouseListener permiten dibujar la letra manuscrita
7 Conclusiones: Un número muy bajos de neuronas puede hacer que no se llegue a un error suficientemente pequeño, y muchas neuronas pueden dar lugar a sobreajuste, haciendo que la predicción sea muy especializada. No hay un modelo estándar de evaluación, para determinar el número de neuronas a utilizar, o cuantas capas ocultas debe poseer, o el tipo de red a implementar, o la vinculación de umbrales y función de activación ello depende en gran medida del analista y su conocimiento. En la retropropagación si se suministra un índice muy bajo de ajuste, la red hace menos iteraciones para aprender, pero su predicción es más ambigua, caso contrario si el ajuste es más alto la red realiza un mayor número iteraciones pero su resultado es más certero.
8 BIBLIOGRAFIA [1] Maravall, D. "Reconocimiento de Formas y Visión Artificial". RA-MA, [2] Hilera, J.R.; Martínez, V.J. "Redes Neuronales Artificiales". RA-MA, [3] Arroyo, F; Gonzálo, A; Hilera, J.R. "Using Artificial Neural Networks for Ultrasonic Signals Processing from Simple Geometric Shapes", en el libro "From Natural to Artificial Neural Computation" (J. Mira & F. Sandoval eds.), Springer-Verlag, pp , [4] Hilera, J.R.; Martínez, V.J.; Mazo, M. "ECG Signals Processing with Neural Networks", International Journal of Uncertainity, Fuzziness and Knowledge-Based Systems, Vol. 3, No. 4, pp , [5] [6] [7] Rumelhart, D.E. "Learning Representations by Back-Propagating Errors",Nature, 323, pp , [8] Pavlidis, T.; Mori, S. (eds) "Special Issue on Optical Character Recognition",Proceedings of the IEEE, Vol. 80, No. 7, July, 1992.
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 detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
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 detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
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 detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
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 detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesDISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD
DISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD Juan Zuluaga Gómez 1,2,4, Edgar Arcos, Msc 2,3, Julie Berrio, Msc 2,3, Sergio Corredor 2 1 Optimización de procesos con nanotecnología
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesTEMARIOS EXAMEN DE ADMISIÓN 2017 EDUCACIÓN BÁSICA Y MEDIA: MATEMÁTICA. Contenido
TEMARIOS EXAMEN DE ADMISIÓN 2017 1 Básico 1.- Reconocimiento izquierda derecha 2.- Figuras geométricas 3.- Cuerpos geométricos 4.- Establecer patrones 5.- Secuencias temporales 6.- ordinales 7.- Reconocimiento
Más detallesGUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesTablas de dispersión (hash tables)
Tablas de dispersión (hash tables) La dispersión es una técnica empleada para realizar inserciones, eliminaciones y búsquedas en un tiempo promedio constante. La estructura de datos ideal para la tabla
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
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 detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesReconocimiento de patrones mediante redes neuronales artificiales
Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Introducción a las Ciencias Computacionales Área a la que pertenece: Área General Horas teóricas: 2 Horas practicas: 1 Créditos: 5 Clave: F0153 Asignaturas antecedentes y subsecuentes
Más detallesÁREA: MATEMÁTICAS UNIDAD : 1 TEMPORALIZACIÓN: OCTUBRE 1ª QUINCENA OBJETIVOS CONTENIDOS CRITERIOS DE EVALUACIÓN
ÁREA: MATEMÁTICAS UNIDAD : 1 TEMPORALIZACIÓN: OCTUBRE 1ª QUINCENA Conocer los nueve primeros órdenes de unidades y las equivalencias entre ellos. Leer, escribir y descomponer números de hasta nueve cifras.
Más detallesComputación I Sistemas de Numeración. Curso 2015 Facultad de Ingeniería Universidad de la República
Computación I Sistemas de Numeración Curso 2015 Facultad de Ingeniería Universidad de la República Definición Conjunto de símbolos y reglas sobre ellos, que se utilizan para la representación de cantidades.
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 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 detallesEXTRACCION DE CARACTERISITCAS Y COMPARACION DE UNA HUELLA DIGITAL INTEGRANTES
EXTRACCION DE CARACTERISITCAS Y COMPARACION DE UNA HUELLA DIGITAL INTEGRANTES PAMELA SAN-WONG MACIA GIRA KUONQUI BRAVO OBJETIVO GENERAL Diseñar un sistema de reconocimiento basado en la extracción de las
Más detallesCAPITULO 3 REDES HIBRIDAS-COMPLEJAS. 3.1 Descripción de la Red Híbrida Compleja (HCNN)
CAPITULO 3 REDES HIBRIDAS-COMPLEJAS 3.1 Descripción de la Red Híbrida Compleja (HCNN) La predicción de eventos caóticos que se presentan en un mundo que nos rodea es de gran interés. Especialmente en aquellos
Más detallesUNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS
UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS ASIGNATURA : ELECTIVA I - PROGRAMACION CÓDIGO : 8104661 SEMESTRE : IV CRÉDITOS : 4 FECHA DE
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: PROGRAMACIÓN ORIENTADA A OBJETOS FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesGUIA 4: ALGEBRA DE BOOLE
GUIA 4: ALGEBRA DE BOOLE En 1854 George Boole introdujo una notación simbólica para el tratamiento de variables cuyo valor podría ser verdadero o falso (variables binarias) Así el álgebra de Boole nos
Más detallesMáster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo
Máster de Visión Artificial Asignatura: Aplicaciones Industriales Práctica puntuable Reconocimiento Manuscrito Orión García Gallardo INTRODUCCIÓN La escritura a mano ha persistido como medio de comunicación
Más detallesUNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGÍA PLAN GLOBAL COMPUTACION I
UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGÍA PLAN GLOBAL COMPUTACION I I. DATOS DE IDENTIFICACIÓN Nombre de la materia: Computación I Código: 2010008 Grupo: 2 Carga horaria: 4 Docencia
Más detallesBloques Aritméticos - Multiplicadores
Bloques Aritméticos - Multiplicadores La multiplicación es una operación cara (en términos de recursos) y lenta Este hecho ha motivado la integración de unidades completas de multiplicación en los DSPs
Más detallesCOLEGIO ALEXANDER DUL
PRIMER BIMESTRE CICLO ESCOLAR 2016 2017 MATEMÁTICAS ESTRUCTURA DEL APRENDIZAJES ESPERADOS PROGRAMA REALIZACIÓN 1-8 TEMA 1 2. Tema: Problemas aditivos. Tema: Problemas multiplicativos. impliquen sumar o
Más detallesEI MT1008 Programación II
GRADO EN INGENIERÍA INFORMÁTICA GRADO EN MATEMÁTICA COMPUTACIONAL EI1008 - MT1008 Programación II Curso 2010-2011 Departamento de Lenguajes y Sistemas Informáticos 1. Datos de la asignatura Carácter: Formación
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 detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesRepresentación de datos y aritmética básica en sistemas digitales
Representación de datos y aritmética básica en sistemas digitales DIGITAL II - ECA Departamento de Sistemas e Informática Escuela de Ingeniería Electrónica Rosa Corti 1 Sistemas de Numeración: Alfabeto:
Más detallesReconstrucción Tridimensional a Partir de Varias Imágenes
Reconstrucción Tridimensional a Partir de Varias Imágenes Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV 22 de noviembre,
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
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 detallesComputación I Sistemas de Numeración. Curso 2010 Facultad de Ingeniería Universidad de la República
Computación I Sistemas de Numeración Curso 2010 Facultad de Ingeniería Universidad de la República Definición Conjunto de símbolos y reglas sobre ellos, que se utilizan para la representación de cantidades.
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 detallesDESCRIPCIÓN ESPECÍFICA NÚCLEO: Núcleo Sector Comercio y Servicios.
DESCRIPCIÓN ESPECÍFICA NÚCLEO: Núcleo Sector Comercio y Servicios. SUBSECTOR: Informática y Comunicación. Nombre del Módulo: Lógica Computacional Código: CSTI0167 total: 60 horas Objetivo General: Resolver
Más detallesÁlgebra Booleana y Simplificación Lógica
Álgebra Booleana y Simplificación Lógica M. en C. Erika Vilches Parte 2 Simplificación utilizando Álgebra Booleana Simplificar la expresión AB + A(B + C) + B(B + C) 1. Aplicar la ley distributiva al segundo
Más detallesPersistencia en Sistemas O.O.
Persistencia en Sistemas O.O. Taller de Programación Instituto de Computación Facultad de Ingeniería Universidad de la República Contenido Conceptos básicos Definición y motivación de persistencia Mecanismo
Más detallesRepresentación de datos y aritmética básica en sistemas digitales
Representación de datos y aritmética básica en sistemas digitales DIGITAL II - ECA Departamento de Sistemas e Informática Escuela de Ingeniería Electrónica Rosa Corti 1 Sistemas de Numeración: Alfabeto:
Más detallesCalendario Lenguaje Matemática Inglés Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 28 de Junio 30 de Junio 4 de Julio
Curso: 7º Básico Nivel de Séptimos del Primer Semestre (coef. 2), de según fecha indicada para cada sector de Hist. Cs.Soc Cs.Nat (1º -8º Básico) 17 de Junio 23 de Junio 30 de Junio 4 de Julio Los Sectores
Más detallesReconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental
Reconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental Diego Auquilla 1, Kenneth Palacio-Baus 1, Víctor Saquicela 2 1 Departamento de Ingeniería
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 detallesDISEÑO CURRICULAR ALGEBRA LINEAL
DISEÑO CURRICULAR ALGEBRA LINEAL FACULTAD (ES) CARRERA (S) Ingeniería Computación y Sistemas CÓDIGO HORAS TEÓRICAS HORAS PRÁCTICAS UNIDADES DE CRÉDITO SEMESTRE 122443 02 02 03 II PRE-REQUISITO ELABORADO
Más detallesPROGRAMACIÓN DIDÁCTICA
PROGRAMACIÓN DIDÁCTICA Materia Período FBPI Tramo I Ámbito Científico-Tecnológico Bloque I Los números. Créditos 3 (30 horas) Bloque II Sistema Métrico Decimal y elementos de Créditos 4 (40 horas) geometría
Más detallesGuía práctica de estudio 06: Lenguaje binario
Guía práctica de estudio 06: Lenguaje binario Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 06: Lenguaje binario
Más detallesCapítulo 6. Relaciones. Continuar
Capítulo 6. Relaciones Continuar Introducción Una relación es una correspondencia entre dos elementos de dos conjuntos con ciertas propiedades. En computación las relaciones se utilizan en base de datos,
Más detallesLección 5 Análisis estequiométrico de rutas metabólicas
Lección 5 Análisis estequiométrico de rutas metabólicas Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6- diciembre 2 Federico Morán Departamento de Bioquímica
Más detallesTEMA V SISTEMAS DE NUMERACIÓN
TEMA V SISTEMAS DE NUMERACIÓN En la vida diaria el hombre se expresa, se comunica, almacena y maneja información desde el punto de vista alfabético con un determinado idioma y desde el punto de vista numérico
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesMATEMÁTICAS 5. º CURSO UNIDAD 1: SISTEMAS DE NUMERACIÓN
MATEMÁTICAS 5. º CURSO UNIDAD 1: SISTEMAS DE NUMERACIÓN OBJETIVOS Conocer los cuatro primeros órdenes de unidades y las equivalencias entre ellos. Leer, escribir y descomponer números de hasta cuatro cifras.
Más detallesGuía práctica de estudio 06: Lenguaje binario
Guía práctica de estudio 06: Lenguaje binario Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 06: Lenguaje binario
Más detallesCalendarización anual Programa de matemáticas 2º básico
Calendarización anual Programa de matemáticas 2º básico Esta calendarización está pensada para un horario de 8 horas pedagógicas semanales. 1. Se basa en el trabajo de profesoras que han trabajado con
Más detallesReconocimiento de Caracteres: Un abordaje invariante a translación, rotación y escala
Reconocimiento de Caracteres: Un abordaje invariante a translación, rotación y escala Jesús P. Mena-Chalco jmena@vision.ime.usp.br Departamento de Ciência da Computação Instituto de Matemática e Estatística
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE LENGUAJE DE PROGRAMACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN MECATRÓNICA ÁREA AUTOMATIZACIÓN EN COMPETENCIAS PROFESIONALES ASIGNATURA DE LENGUAJE DE PROGRAMACIÓN 1. Competencias Implementar sistemas de medición y control bajo los
Más detallesINGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA
INGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA UNIDADES DE APRENDIZAJE 1. Competencias Automatizar procesos de producción mediante la implementación
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesSECUENCIACIÓN DE CONTENIDOS
DEPARTAMENTO DE SECUENCIACIÓN DE CONTENIDOS 0. Todos aprendemos de todos 0.1. Números de hasta siete cifras 0.2. Suma, resta, multiplicación y división 0.3. Fracciones y sus términos 0.4. Números decimales
Más detallesCompresión de Datos. Método de Huffman. Dpto. Informática
Compresión de Datos Método de Huffman Manipulación y Preservación de Datos Dpto. Informática Ing. Mariano D'Agostino Introducción La compresión de datos es el proceso de convertir una cadena de datos de
Más detallesEstructura del Computador
Estructura del Computador 1 definiciones preliminares Estructura: es la forma en que los componentes están interrelacionados Función: la operación de cada componente individual como parte de la estructura.
Más detallesDEPARTAMENTO DE MATEMATICAS IES ROSA CHACEL (Colmenar Viejo) Criterios de evaluación y criterios de calificación Matemáticas. 1º de E.S.O.
DEPARTAMENTO DE MATEMATICAS IES ROSA CHACEL (Colmenar Viejo) Criterios de evaluación y criterios de calificación Matemáticas. 1º de E.S.O. CRITERIOS DE EVALUACIÓN Los siguientes criterios de evaluación
Más detallesTRATAMIENTO DE LA INFORMACION
INSTITUTO EDUCACIONAL JUAN XXIII SECUENCIACION DE CONTENIDOS - MATEMATICA TRATAMIENTO DE LA INFORMACION Clasificar diferentes elementos del entorno por diferentes atributos. Describir objetos del entorno.
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesEstrategias didácticas para la resolución de problemas en Matemática de I y II ciclos
Estrategias didácticas para la resolución de problemas en Matemática de I y II ciclos Segundo Ciclo, Relaciones y Álgebra Abril, 2014 En el Segundo ciclo se busca la profundización en los aprendizajes
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 detallesBloque temático: Sistemas de Reconocimiento de Patrones
Bloque temático: Sistemas de Reconocimiento de Patrones 1 Sistemas de Reconocimiento de Patrones PRACTICAS 6)Estudio de ejemplos en Matlab 7)Adquisición de imágenes reales: generación de una librería de
Más detallesLABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERIA INGENIERÍA ELECTRÓNICA 1 SISTEMAS DINAMICOS 1160601 LABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS INSTRUCCIONES
Más detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México
Más detallesDra. Ma. del Pilar Gómez Gil Primavera 2013
C261-69 Tópicos Avanzados: Redes Neuronales Artificiales V:22-Ene-13 Dra. Ma. del Pilar Gómez Gil Primavera 2013 pgomez@acm.org, pgomez@inaoep.mx (c) 2008-2013. P. Gómez-Gil, INAOE 1 Objetivo del curso
Más detallesPágina 1 de 12 CONCEPTOS INFORMÁTICOS BÁSICOS
Página 1 de 12 CONCEPTOS INFORMÁTICOS BÁSICOS CONTENIDOS a. CONCEPTOS INFORMÁTICOS i. Informática ii. Sistema informático iii. Ordenador iv. El sistema binario v. Medidas de almacenamiento de la información
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 detallesTabla de Símbolos. Programación II Margarita Álvarez
Programación II Margarita Álvarez La tabla de símbolos es una estructura global utilizada por distintos módulos del compilador. Es el principal atributo heredado. Almacena todos los nombres declarados
Más 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 detallesFormato para prácticas de laboratorio
PLAN DE CLAVE CARRERA NOMBRE DE LA ASIGNATURA ESTUDIO ASIGNATURA LSC 2009-2 11290 Introducción a la Programación PRÁCTICA No. 2 LABORATORIO DE NOMBRE DE LA PRÁCTICA Licenciado en Sistemas Computacionales
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 detallescomo les va con las practicas?
como les va con las practicas? Problemas NP-completos y Estructuras de datos básicas (representación de datos) mat-151 1 Una maquina de Turing Aceptation state Una maquina de Turing Maquina de Turing Determinística,
Más detalles1. Señales y sistemas Sistemas lineales e invariantes en el tiempo (SLI) 13.5
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SISTEMAS Y SEÑALES 1418 4 09 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería de Control
Más detallesCONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA
CONSTRUCCIÓN DE UNA NUEVA BASE DE DATOS PARA EL RECONOCIMIENTO AUTOMÁTICO DE CARACTERES MANUSCRITOS Y GENERACIÓN DE RESULTADOS DE REFERENCIA Alumna: Sara García- Mina Martínez Tutor: Marta Gómez Barrero
Más detallesSistemas de Información Geográfica basado en software libre. Instituto de Información Territorial del Estado de Jalisco
Sistemas de Información Geográfica basado en software libre Instituto de Información Territorial del Estado de Jalisco Usted es Libre de: Copiar, distribuir y comunicar públicamente la obra. Hacer obras
Más detallesTabla de Símbolos. Programación II Margarita Álvarez
Programación II Margarita Álvarez La tabla de símbolos es una estructura global utilizada por distintos módulos del compilador. Es el principal atributo heredado. Almacena todos los nombres declarados
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detallesI SEMANA ELECTRONICA REDES NEURONALES
UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS LICENCIATURA EN SISTEMAS COMPUTACIONALES
UNIVERSIDAD AUTÓNOMA DE CHIAPAS LICENCIATURA EN SISTEMAS COMPUTACIONALES Área de formación: Disciplinaria Unidad académica: Programación Orientada a Objetos Ubicación: Cuarto Semestre Clave: 2087 Horas
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesINFORMÁTICA Y COMUNICACIONES
441 INFORMÁTICA Y COMUNICACIONES Microsoft Access 2003 (Completo) DESCRIPCIÓN Microsoft Access 2003 (Completo) Descripción del funcionamiento del programa de gestión de bases de datos Microsoft Access
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más detallesPROGRAMA: COMPUTACION I
UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERECTORADO ACADÉMICO DECANATO DE DOCENCIA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA 1 PROGRAMA: COMPUTACION I Código 0415102T Carrera: Ingeniería Informática
Más detallesfelipe_tirado@hotmail.com
COMPRESIÓN DE IMÁGENES DIGITALES EN ESCALA DE GRISES UTILIZANDO REDES NEURONALES Felipe Tirado Marabolí UNIVERSIDAD CATOLICA DEL MAULE FACULTAD DE CIENCIA DE LA INGENIERIA felipe_tirado@hotmail.com RESUMEN
Más detalles