RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
|
|
- Blanca Rico Rey
- hace 6 años
- Vistas:
Transcripción
1 RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
2 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA
3 3 TEMA 3 : RECONOCIMIENTO DE PATRONES INTRODUCCIÓN PERCEPCIÓN MÁQUINA EJEMPLO SISTEMAS RECONOCEDORES DE PATRONES EL CICLO DEL DISEÑO APRENDIZAJE Y ADAPTACIÓN
4 4 Introducción La facilidad con la que reconocemos un rostro, Entendemos palabras de un lenguaje hablado Leemos caracteres manuscritos, Identificamos las llaves de auto dentro de nuestras bolsas por medio del tacto y reconocemos cuando una fruta está fresca por medio del olfato Son actos y actividades complejas que se encuentran dentro del área de reconocimiento de patrones
5 5 Introducción Reconocimiento de Patrones: Es el acto de tomar un conjunto de datos y actuar de tal manera que se puedan clasificar basándose en la categoría de un patrón Esto ha sido crucial para nuestra supervivencia y durante muchos miles de años se ha evolucionado en sistemas altamente sofisticados cognitivos y neuronales
6 6 Percepción Máquina Es natural el hecho de que busquemos diseñar y construir máquinas que puedan reconocer patrones. Se da para el caso de reconocimiento del habla Identificación de huellas dactilares Reconocimiento de caracteres Identificación y secuencia del ADN, etc
7 7 Percepción Máquina En el camino de buscar nuevos algoritmos, robustos y eficientes, nos hemos dado cuenta cada vez más del entendimiento para el conocimiento que nos lleva a clasificar los patrones que existen en el mundo de manera natural Para algunos problemas, como son los aspectos de habla y reconocimiento visual, se obtienen conocimientos acerca de cómo se resuelven en la naturaleza, tanto en los algoritmos como en el diseño del software.
8 8 Un ejemplo Para ilustrar la complejidad de algunos tipos de problemas involucrados, consideraremos el siguiente ejemplo imaginario. Suponga que una empacadora de mariscos desea automatizar el proceso de ordenar los pescados que entran por medio de una banda transportadora de acuerdo a su especie Un proyecto piloto se decide llevar a cabo para tratar de separar la trucha del salmón con técnicas ópticas
9 9 Un ejemplo Se coloca una cámara que toma algunas muestras de imágenes y se comienzan a notar unas diferencias físicas entre ambos tipos de pez: Longitud Brillo Ancho Número y forma de aletas Posición de la boca Etc Esto nos sugiere las características a utilizar para un clasificador
10 10 Un ejemplo Salmón Trucha
11 11 Un ejemplo Otro dato que se encuentra presenta es el ruido que se encuentra en las imágenes y también: Las variaciones de luz, Posiciones del pez Ruido estático Dado que existen ciertas características variables entre cada clase de pez, se puede inferir desde este punto de vista, existen dos modelos a reconocer dentro de nuestro sistema
12 Un ejemplo 12 EL PROCESO DE SEGMENTA CIÓN: Un sistema prototipo puede tener la siguiente forma: salmón trucha
13 13 Un ejemplo 1. Primero la cámara captura la imagen del pez 2. Entonces las señales de la cámara son preprocesadas para simplificar las operaciones siguientes sin tener pérdida de la información 3. Se procede a utilizar alguna técnica de segmentación para aislar las figuras entre sí además de diferenciarlas del fondo 4. La información de un solo pez es enviada al extractor de características cuyo propósito es reducir la cantidad de información de cada pez para facilitar su identificación
14 14 Un ejemplo Los valores de estas características son enviados al clasificador que evalúa la evidencia presentada y toma una decisión final acerca de las especies. El procesador puede ajustar automáticamente el umbral para separar las imágenes del fondo Se puede ajustar la luz de fondo Supongamos que alguien en la planta nos dice que por lo general la trucha es mas grande que el salmón
15 15 Un ejemplo Entonces la longitud se convierte en una característica obvia y podemos decidir clasificar al pez solamente por la longitud l Podemos tomar como umbral una l en especial que es la que nos indique de que clase de pez se trata Suponga que se hacen ciertas mediciones para formar nuestros ejemplos de entrenamiento:
16 Un ejemplo 16
17 17 Un ejemplo Pero este histograma nos muestra de manera decepcionante que la longitud no es necesariamente una característica determinante entre ambas clases de pez Por lo que se trata con otra característica: el brillo de las escamas de ambos peces. Esta característica es medida de manera similar, tomando una muestra y confirmando si nos puede apoyar para la discriminación entre ambas especies de pez.
18 Un ejemplo 18
19 19 El ejemplo En esta clase se nota una mayor separación entre las clases de pez Debemos tener en cuenta que una equivocación de paquetes etiquetados como deliciosos salmones, resulten ser en realidad truchas, lo cual no es deseable Debemos tomar en cuenta que si un cliente recibe salmones etiquetadas como truchas no se molestará mucho, pero si el caso es el contrario, podríamos confrontar a nuestros clientes.
20 20 El ejemplo Si queremos permanecer en el negocio, debemos cuidar nuestras decisiones Esto indica que hay un costo asociado a nuestra decisión y es entonces cuando se busca un valor óptimo para x (de a cuerdo a las gráficas) Otro impulso podría hacernos pensar que otra característica podría ser mas apropiada, pero después de analizarlas todas, podemos agregar que esta es la característica que mas marca las diferencias entre dichas clases.
21 21 El ejemplo Para mejorar el reconocimiento debemos considerar el hecho de tomar en cuenta mas de una característica a a la vez Analizando características, podemos mencionar que el salmón es típicamente mas ancho que la trucha Ahora tenemos dos características para la clasificación X 1 como el brillo del pez X 2 como el ancho del pez
22 22 El ejemplo De este modo reducimos la representación del pez a un punto en el espacio. x=[x 1,x 2 ] Nuestro problema se reduce ahora a particionar a partir de nuestras dos características en dos regiones para que todos los puntos en una región sean trucha, y los puntos de otra región sean salmón. Suponga que tenemos ahora las mediciones para nuestras muestras de ambas características
23 El ejemplo Tenemos entonces los vectores que describen nuestras dos clases de datos y obtenemos los siguientes puntos dispersos. 23
24 24 El ejemplo Esta gráfica sugiere la siguiente regla para separar los peces: clasificar el pez como trucha si el vector de características cae debajo del límite de decisión, y se clasificará como un salmón en otro caso. Esta regla parece resultar bien separando ambas especies, lo cual sugiere que es posible agregar mas características: Posición de los ojos Ancho del pez
25 25 Generalización Pero que pasa entonces cuando empezamos a considerar demasiadas características? Que pasa si las características empeoran el desempeño de clasificación? Que pasa si el cálculo de las características se vuelve mas complejo? Que pasa si se aumenta el costo computacional? Esto implica que tengamos que decidir entre todas estas opciones de diseño y considerar que tan acertadas serán nuestras clasificaciones para ejemplos de peces no considerados dentro de la muestra
26 26 Generalización Un enfoque natural sería el de tomas muchas mas muestras Por otro lado, la cantidad de ejemplares puede verse limitada debido al tiempo o a otros factores Pero esto a su vez puede complicar el criterio de clasificación de nuestra generalización
27 Generalización 27
28 28 Generalización Podemos entonces considerar agregar Bases de Conocimiento al problema Combinar clasificadores Realizar estandarización de datos Eliminar el ruido de los datos Etc.
29 29 Campos relacionados Procesamiento Digital de imágenes Memorias Asociativas Regresión Lineal Interpolación Estimación de Densidad de datos
Capitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Más detallesPlanteamiento del problema y conceptos básicos Sistemas de reconocimiento de patrones Ciclo de diseño Reconocimiento de patrones y aprendizaje
Tema 1: Introducción 10529 Informàtica Encastada i Aplicacions Máster en Tecnologías de la Información y las Comunicaciones Universitat de les Illes Balears Departament de Ciències Matemàtiques i Informàtica
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 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 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 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 detalles1. Introducción. 1.1 Motivación
1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más 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 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 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 detallesCoeficientes Cepstrales en Frecuencia Mel y Dynamic Time Warping para Reconocimiento Automatico del Habla
Coeficientes Cepstrales en Frecuencia Mel y Dynamic Time Warping para Reconocimiento Automatico del Habla Jorge Luis Guevara Diaz Semana ciencia de la Computación Escuela de Informática Universidad Nacional
Más detallesUn esquema general de un sistema de reconocimiento de patrones podría ser el siguiente: extracción características
1. INTRODUCCION AL RECONOCIMIENTO DE PATRONES 1.1. INTRODUCCION 1 Dado un universo de estudio, el objetivo de un sistema de reconocimiento de patrones consiste en particionar dicho universo en clases "patrón"
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 detallesSistemas Biométricos para el aula nuestro de informática.
Sistemas Biométricos para el aula nuestro de informática. La "biometría informática" es la aplicación de técnicas matemáticas y estadísticas sobre los rasgos físicos o de conducta de un individuo, para
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
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 detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesORGANIZACIÓN DE COMPUTADORAS DRA. LETICIA FLORES PULIDO
ORGANIZACIÓN DE COMPUTADORAS DRA. LETICIA FLORES PULIDO FACTOR DE VELOCIDAD Sabemos que p se identifica como el número de procesadores o procesos Multiprocesador será entonces el término que se puede utilizar
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 detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en color INTRODUCCIÓN La segmentación de imágenes a color se puede realizar mediante técnicas de clasificación supervisada.
Más detallesPresentado por: Josué Andino Denis Flores Jorge Luis Pontón Diego Soria. Andino, Flores, Pontón, Soria 1
Presentado por: Josué Andino Denis Flores Jorge Luis Pontón Diego Soria Andino, Flores, Pontón, Soria 1 Temario Objetivos Introducción Modelos y Terminología Estructura de Datos y Directrices de Lenguaje
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 detallesInterfaz Humano Computadora DRA. LETICIA FLORES PULIDO PRIMAVERA 2012
Interfaz Humano Computadora DRA. LETICIA FLORES PULIDO PRIMAVERA 2012 INTRODUCCIÓN La interfaz humano computadora centra sus bases en la relación que se establece entre el usuario y un sistema de cómputo.
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
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 detallesMHealth: Reconocimiento Óptico de Caracteres para la obtención de la medicación consumida por el paciente
MHealth: Reconocimiento Óptico de Caracteres para la obtención de la medicación consumida por el paciente Gloria Josefina Diodati Área de Innovación e Investigación en Salud Hospital Italiano de Buenos
Más detallesTutor: Ing. Eddie Galarza. Autores: Edison Xavier Sánchez Quevedo Edison Saúl Gallardo Calvopiña
DISEÑO Y CONSTRUCCIÓN DE UN SISTEMA DE AUTENTIFICACIÓN CON RECONOCIMIENTO FACIAL MEDIANTE PROCESAMIENTO DE IMÁGENES CON LA UTILIZACIÓN DE SOFTWARE LIBRE Y TECNOLOGÍA RASPBERRY PI Autores: Edison Xavier
Más detallesIndique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores)
Parcial 4. Indique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores) 1. Inteligencia es: a. La capacidad para combinar información. c. El proceso que permite elaborar conocimiento.
Más detallesSIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION
UNIVERSIDAD DIEGO PORTALES FACULTAD CIENCIAS DE LA INGENIERIA INGENIERIA CIVIL INDUSTRIAL SIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION Profesor Responsable. Macarena Donoso Ayudante.
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 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 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 detallesM.C. Mariano Larios G. 3 de diciembre de 2009
3 de diciembre de 2009 Tabla de criterios Criterios Porcentajes Exámenes 30 % Participación en clase Tareas 20 % Exposiciones 10 % Simulaciones Trabajos de investigación y/o de intervención Prácticas
Más detallesLaboratorio de Visión para Robots. Práctica 2
1. Preparación del entorno de trabajo Laboratorio de Visión para Robots Práctica 2 La manera en la que trabajaremos será primero utilizando Eclipse para prototipar nuestro programa. Cuando podamos procesar
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 detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesPrograma de Estudio Ciencias Naturales Eje: Física Segundo Medio Unidad 2
Programa de Estudio Ciencias Naturales Eje: Física Segundo Medio Unidad 2 SUGERENCIAS DE EVALUACIÓN EVALUACIÓN 1 Cada estudiante lee la siguiente situación y realizado lo socitado: En un aeropuerto, se
Más detalles8. Anexos Anexo A: Aplicación del método SIFT y SURF para detectar puntos característicos en un dominio de flores
8. Anexos - Anexo A: Aplicación del método SIFT y SURF para detectar puntos característicos en un dominio de flores - Anexo B: Aplicación del método SIFT y SURF para detectar puntos característicos en
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 detallesIN34A - Optimización
IN34A - Optimización Complejidad Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 33 Contenidos Problemas y Procedimientos de solución Problemas de optimización v/s problemas de decisión Métodos,
Más detallesPorqué analizar imágenes?
Porqué analizar imágenes? Medidas que requieren estudiar un número demasiado elevado de imágenes. Análisis cuantitativo: La visión humana no cuantifica por si sola. El análisis automático es más repetitivo
Más detalles6 de Mayo Bogotá, Colombia. ni.com/colombia o (1)
6 de Mayo Bogotá, Colombia ni.com/colombia 01 8000 513680 o (1) 482.4888 Técnicas de Programación para Obtener el Máximo Provecho de LabVIEW Felipe Rincón Field Sales Engineer National Instruments Andean
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesProcesos Básicos del Pensamiento Sesión 7
Procesos Básicos del Pensamiento Sesión 7 7. Análisis, síntesis e interpretación. Los conceptos de análisis y síntesis se refieren a dos procesos mentales o actividades que son complementarias entre sí,
Más detallesClasificación de materiales a granel. Sizer
Clasificación de materiales a granel Sizer MSort Con MSort se dejan seleccionar todos los productos a granel que debido a su imagen de color o de rayos X sean claramente clasificables.mundialmente son
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES Tema 1 Introducción Ivan Olmos Pineda Contenido Panorama histórico Definiciones Conclusiones BUAP Inteligencia Artificial 2 1 Introducción Qué es la Inteligencia Artificial ó IA?
Más detallesTutorial de ENVI Parte 1 Familiarización con el manejo de imágenes en el programa. Raúl Aguilera H.
Tutorial de ENVI Parte 1 Familiarización con el manejo de imágenes en el programa Raúl Aguilera H. ENVI, el extremo de una larga cadena Decenas o centenas de métodos o formas para capturar imágenes. Las
Más detallesLección 1. Estructura de las Tablas Bases de Datos para la creación de informes de Tabla Dinámica.
Dirigido a: Este curso está dirigido a cualquier persona que en su actividad laboral o académica, requiera resumir, analizar y consolidar cualquier tipo de información, ya sea tabulada en Excel, proveniente
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 detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Más detallesSEGMENTADO DE HUELLAS EN FICHAS DECADACTILARES
Captura y Procesamiento Digital de Señales e Imagenes Trabajo Final: SEGMENTADO DE HUELLAS EN FICHAS DECADACTILARES Barletta, juan Schinner, Sebastián Zarza, Gonzalo INTRODUCCION Limpieza y una Segmentación
Más detallesNIVELES DE ENTRENAMIENTO SEGÚN OSHA
NIVELES DE ENTRENAMIENTO SEGÚN OSHA Ing. Henry Araujo Gerente General OBJETIVOS: AL FINALIZAR ESTA SESIÓN USTEDES ESTARAN EN CAPACIDAD DE: 1. Proporcionar información completa y confiable para iniciar
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 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 Introducción Tipos de aprendizaje Aprendizaje cómo
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 detallesAnálisis de problemas y toma de decisiones
Análisis de problemas y toma de decisiones Cuatro patrones básicos de pensamiento Qué está ocurriendo? por qué ocurrió esto? qué curso de acción deberíamos adoptar? qué nos espera más adelante? Las técnicas
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 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 detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
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 detallesInstituto tecnológico de Minatitlán. Investigación de operaciones. Ing. Erika Lissette Minaya mortera. Unidad 3: programación no lineal
Instituto tecnológico de Minatitlán Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal Alejandra de la cruz francisco Ingeniería en sistemas computacionales
Más detallesProgramación dinámica: un último ejemplo
Programación dinámica: un último ejemplo Dado: matrices A m n, B n r, C r s de números enteros Para calcular A m n B n r el algoritmo usual realiza m n r multiplicaciones de números enteros Cuántas multiplicaciones
Más detallesPodriamos conversar con las maquinas como lo hacemos con los humanos?
Que veremos? 1. Introducción 2. Trabajos Previos 3. Procesamiento de la Señal 4. Coeficientes MFCC 5. Trasformada Wavelet 6. Extracción de características usando wavelets 7. Experimentos y Resultados 8.
Más detallesTema: Genéricos en C#.
Programación II. Guía No. 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Genéricos en C#. Objetivos Conocer genéricos en C#. Utilizar los genéricos en C# para la resolución
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 DEL RESULTADO DE INVESTIGACIÓN
REF.: TRANSP_UAH_02 SECTOR INDUSTRIAL INVESTIGADOR DEPARTAMENTO DATOS DE CONTACTO PÁGINA WEB Industria y Transporte Enrique Alexandre Cortizo Teoría de la Señal y Comunicaciones + 34 91 885 67 27 + 34
Más detallesNOMBRE DEL PROCEDIMIENTO: ACCIONES CORRECTIVAS, PREVENTIVAS Y DE MEJORA PROCESO MEJORAMIENTO CONTINUO VIGENCIA 20 MAY 2013 TABLA DE CONTENIDO
NIT 89100686-3 0 MAY 013 TABLA DE CONTENIDO 1 de 9 1 OBJETIVO... ALCANCE... 3 RESPONSABLE... 4 DEFINICIONES... 5 PRECAUCIONES Y/O RECOMENDACIONES... 3 6 DESARROLLO... 4 6.1 Identificación de la no conformidad
Más detallesOTRAS CONSIDERACIONES. Introducción a las Redes Neuronales Artificiales
OTRAS CONSIDERACIONES! Estrategias para generalización Existen diversas estrategias para mejorar la generalización: 1) Teoría de Regularización: Agregar una penalidad para lograr mejorar la forma de la
Más detallesControl Adaptivo. Introducción al Control Adaptivo. Dr. Fernando Ornelas Tellez
Control Adaptivo Introducción al Control Adaptivo Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo División de Estudios de Posgrado Facultad de Ingeniería Eléctrica Morelia,
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesTEMA 6: INTRODUCCIÓN A UML
TEMA 6: INTRODUCCIÓN A UML Por qué modelamos? El modelado es una parte central de todas las actividades que conducen a la producción de un software de calidad. Como tal la ingeniería software debe basarse
Más detallesUN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA SUPERIOR EN INFORMÁTICA ANTEPROYECTO UN SISTEMA DE VIDEO VIGILANCIA PARA DETECCIÓN DE CAÍDAS DIRECTOR DEL PROYECTO: FIRMA:
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 detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesCAPITULO 1 INTRODUCCION AL PROYECTO
CAPITULO 1 INTRODUCCION AL PROYECTO 1 INTRODUCCION AL PROYECTO 1.1 Marco Teórico Los procesadores digitales de señales ganaron popularidad en los años sesentas con la introducción de la tecnología de estado
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesPDI - Procesamiento Digital de Imagen
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 205 - ESEIAAT - Escuela Superior de Ingenierías Industrial, Aeroespacial y Audiovisual de Terrassa 739 - TSC - Departamento
Más detallesINVESTIGA I+D+i 2012/2013
INVESTIGA I+D+i 2012/2013 GUÍA ESPECÍFICA DE TRABAJO SOBRE PERCEPCIÓN ARTIFICIAL Texto de D. Francisco Serradilla García Octubre de 2012 Parece fácil definir la percepción artificial, mejor llamada percepción
Más detallesLOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR
LOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR Presentado por: Ing. ANDRES ALEJANDRO DIAZ TORO Director: Dr. Eduardo Caicedo Bravo Asesor: Dra. Lina María Paz GRUPO DE INVESTIGACION
Más detallesInstituto José Manuel Estrada - Villa de Soto. Asignatura: Desarrollo de Soluciones Informáticas. Curso: 5to I. Docente: Contreras, María Elena
- Villa de Soto Asignatura: Desarrollo de Soluciones Informáticas Curso: 5to I Docente: Contreras, María Elena Contenido Algoritmos... 1 Diagramas de flujo... 2 Programar... 3 Programación... 10 Scratch...
Más detallesConceptos Relacionados con Agentes Reactivos. Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana-Azcapotzalco
Conceptos Relacionados con Agentes Reactivos Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana-Azcapotzalco Qué es un agente? Es algo que puede percibir su entorno a través de sensores y actuar
Más detallesTABLA DE CONTENIDOS. Dedicatoria. Agradecimientos. Tabla de Contenidos. Índice de Figuras. Índice de Tablas. Resumen
TABLA DE CONTENIDOS página Dedicatoria Agradecimientos Tabla de Contenidos Índice de Figuras Índice de Tablas Resumen I II IV VII X XI 1. Introducción 13 1.1. Descripción del contexto.........................
Más detallesIntel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial
Intel lanza su procesador Caballero Medieval habilitado para Inteligencia Artificial Intel ha lanzado su procesador Xeon Phi en la Conferencia Internacional de Supercomputación de Alemania. El procesador
Más detallesUnidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS CARACTERÍSTICAS DEL ESQUEMA DE DATOS DIAGRAMA ENTIDAD RELACIÓN (D.E.R.)
Unidad 5: MODELO DE COMPORTAMIENTO - ESQUEMA DE DATOS OBJETIVO DEL ESQUEMA DE DATOS Describir los datos que el sistema debe conocer para poder responder a los estímulos. CARACTERÍSTICAS DEL ESQUEMA DE
Más detallesIntroducción al Procesamiento de Imágenes Satelitales con Software Libre. Módulo 03
Introducción al Procesamiento de Imágenes Satelitales con Software Libre Módulo 03 Dirección de Formación de Capital Humano Especializado en el Campo Espacial Agencia Espacial Mexicana www.gob.mx/aem Plan
Más detallesClasificación de materiales a granel. Sizer
Clasificación de materiales a granel Sizer MSort Con MSort es posible clasificar todo tipo de materiales a granel; siempre que sean claramente clasificables por su color. Mundialmente son los clasificadores
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 detallesLa Orientación a Objetos. Diseño de Software Avanzado Departamento de Informática
La Orientación a Objetos Métodos Estructurados y Métodos Orientados a Objetos Métodos estructurados Origen en la programación estructurada (secuencia, ramificación, iteración, función). Pensar en términos
Más detallesAdministración Informática. Unidad I. Tipos de sistemas y su clasificación A) Sistemas de información.
UNIVERSIDAD NACIONALDE INGENIERÁ UNI NORTE SEDE REGIONAL EN ETELI Ing. Mario Pastrana Moreno. Unidad I. Tipos de sistemas y su clasificación 10-09-2010 Administración Informática A) Sistemas de información.
Más detallesRobots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Más detallesProf. María L. Calvo Clase del 23 y 24 de abril de 2012
Teoría de la señal: Fundamentos de señales óptica Prof. María L. Calvo Clase del 23 y 24 de abril de 2012 Definición Qué entendemos por Tratamiento de señales? Operaciones lógicas: suma, resta, multiplicación,
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesCLASE 3: UML DIAGRAMAS CASOS DE USO. Universidad Simón Bolívar. Ingeniería de Software. Prof. Ivette Martínez
CLASE 3: UML DIAGRAMAS CASOS DE USO Universidad Simón Bolívar. Ingeniería de Software. Prof. Ivette Martínez UML UML es un lenguaje para especificar, visualizar, construir y documentar los artefactos de
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica
Más detallesTaller Minería de datos aplicados a la educación
Taller Minería de datos aplicados a la educación 2ª parte Presentación del software PASW Modeler 27 de junio de 2011 Mercedes Torrado Departamento Métodos de Investigación y Diagnóstico en Educación (MIDE)
Más detallesLección 1: Umbralización. 2. Umbralización utilizando el histograma
1. Introducción Lección 1: Umbralización 2. Umbralización utilizando el histograma P-tile Modales Iterativos Adaptativos Variables 3. Histograma + Imagen Doble Weszka 1 1. Introducción: imágenes binarias
Más detallesMáquinas de estado finito y expresiones regulares
Capítulo 3 Máquinas de estado finito y expresiones regulares En este tema definiremos y estudiaremos máquinas de estado finito, llamadas también máquinas de estado finito secuenciales o autómatas finitos.
Más detalles