RNN y LSTM Redes Neuronales Profundas
|
|
- Clara San Segundo Soler
- hace 6 años
- Vistas:
Transcripción
1 RNN y LSTM Redes Neuronales Profundas Rosana Matuk Segundo Cuatrimestre 2017 Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
2 Redes Recurrentes vs Redes Neuronales Tradicionales Las redes neuronales tradicionales feedforward multicapa aceptan una entrada de tamaño fijo (por ejemplo, una imagen) y producen un vector de salida de tamaño fijo (por ejemplo, probabilidades para las diferentes clases). Además, hacen este mapping con un número fijo de cómputos que depende del número de capas en el modelo. Las redes recurrentes operan sobre secuencias de vectores: secuencias en la entrada, en la salida, o en ambas. No hay constraints en las longitudes de las secuencias. La transformación recurrente es fija, y la aplicamos tantas veces como queramos. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
3 Ejemplos de Redes Recurrentes (1) Red no recurrente, de entrada fija a salida fija (e.g. clasificación de imágenes). (2) Salida secuencial (e.g. image captioning toma una imagen y produce una oración). (3) Entrada secuencial (e.g. análisis de sentimientos). (4) Entradas y salidas secuenciales (e.g. Traducción automática del inglés al francés). (5) Entradas y salidas secuenciales sincronizadas (e.g. clasificación de cada frame de un video). Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
4 Red Neuronal Recurrente: estado oculto Las RNN además de sus pesos, tienen un estado (hidden state). La misma función y el mismo conjunto de parámetros son usados en cada paso. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
5 Red Neuronal Recurrente (vanilla): cómputo Las RNN además de sus pesos, tienen un estado (hidden state). La misma función y el mismo conjunto de parámetros son usados en cada paso. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
6 Cómputo en RNNs Las Redes Neuronales Recurrentes (RNNs) aceptan como entrada un vector x, tienen internamente un vector de estados h, y combinando x y h en una función (fija pero aprendida), producen como salida un vector y. La salida está influenciada no sólo por la entrada x, sino por toda la historia de las entradas que hubo en el pasado (vector h). Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
7 Ejemplo RNN: Aprendiendo el próximo carácter Vocabulario: [h,e,l,o]. Secuencia de entrenamiento: hello Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
8 RNN (vanilla): inicialización y paso forward Inicialización: Los parámetros de la RNN son 3 matrices W inicializadas en forma random, que afectan a la entrada, el estado oculto, y la salida. El estado oculto h es inicializado con el vector nulo. Paso forward: Primero se actualiza el vector de estados, con el estado anterior y la entrada actual. Luego, el nuevo vector de estados producirá la salida. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
9 RNN (vanilla): paso backward Actualizar las matrices W en base a la función de pérdida, para que puedan producir la salida esperada y ante la entrada x. Esto lo hacemos con backpropagation. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
10 Long Short Term Memory: por qué? Las redes recurrentes normales, van olvidando en su estado la historia más lejana (problema del vanishing gradient). Las LSTM pueden recordar en su estado, historias lejanas. La idea central detrás de las LSTM es una celda de memoria que puede mantener su estado en el tiempo, y compuertas no lineales que permiten regular el flujo de la información por dentro y hacia afuera de la celda. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
11 Long Short Term Memory: esquema El bloque cuadrado indica tiempo (t-1). Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
12 Long Short Term Memory: fórmulas f : forget gate, s: state, g: input gate, h: salida, x: entrada, b: bias, q: output gate. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
13 Long Short Term Memory Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
14 Long Short Term Memory: fórmulas Fórmulas del backpropagation y actualización de los pesos en Greff et al. "LSTM:A Search Space Odyssey", Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
15 CuPy 1 : Just released!!! Librería open-source para matrices acelerado con NVIDIA CUDA. También usa librerías relacionadas con CUDA como cublas, cudnn, curand, cusolver and NCCL para hacer total aprovechamiento de la GPU. 1 Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
16 LSTM con CuPy 2 "The QRNN provides similar accuracy to the LSTM but can be betwen 2 and 17 times faster than the highly optimized NVIDIA cudnn LSTM implementation depending on the use case" 2 Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
17 Laboratorio: What I cannot create, I do not understand. Richard P. Feynman Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
18 Código Vanilla RNN en numpy (Karpathy) Código vanilla RNN de Karpathy ( Código: min-char-rnn.py: input.txt: Actividad 0: Leer el blog. Actividad 1: Bajar el código, y correrlo con el texto de Shakespeare. Qué observa? Actividad 2: Analizar y entender en detalle el código. Cómo realiza la función de error? Y el backprop? Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
19 Código Vanilla LSTM en numpy (Jayasiri) Código vanilla del LSTM de Jayasiri inspirado en el vanilla de RNN de Karpathy ( Código: numpy_lstm.ipynb: input.txt: Actividad 0: Leer el blog. Actividad 1: Bajar el código, y correrlo con el texto de Shakespeare. Qué observa? Actividad 2: Analizar y entender en detalle el código. Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
20 Bibliografía Fei-Fei, Karpathy, Johnson. CS231n (Convolutional Neural Networks for Visual Recognition), Lecture 10, Stanford University, Goodfellow, Bengio, Courville. Deep Learning, MIT Press, Greff, Srivastava, Koutnık, Steunebrink, Schmidhuber. LSTM: A Search Space Odyssey, IEEE Transactions on neural networks and learning systems, Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre / 20
Introducción. 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 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 detallesCAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Más detallesDiseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA
Diseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA Mg. Marcelo A. Tosini Grupo Inca/Intia Facultad de Ciencias Exactas Universidad Nacional del Centro de la Provincia
Más detallesDeep Learning y Big Data
y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco
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 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 detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
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 detallesEstructuras de Datos Declaraciones Tipos de Datos
Departamento de Informática Universidad Técnica Federico Santa María Estructuras de Datos Declaraciones Tipos de Datos Temas: 2-3-4 IWI-131, paralelo 01 Profesor: Teddy Alfaro O. Lenguaje de Programación
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 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 detallesPractica No. 5 CONTROL DE SISTEMAS NO LINEALES POR REALIMENTACION DE ESTADOS
Practica No. 5 CONTROL DE SISTEMAS NO LINEALES POR REALIMENTACION DE ESTADOS Pontificia Universidad Javeriana Facultad de Ingeniería Departamento de Electrónica Laboratorio de Control 1. Introducción En
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesColumna del invitado: Lev Manovich nos lleva de la lectura al reconocimiento de patrones
Columna del invitado: Lev Manovich nos lleva de la lectura al reconocimiento de patrones Por Lev Manovich 20 de Enero del 2012 Traducción al español a cargo de Agustina Migliorini de uso exclusivo para
Más detallesAdministración de memoria
DC - FCEyN - UBA Sistemas Operativos, 2c-2013 Responsabilidades de la unidad de gestión de memoria (MMU) Tipos de direcciones Problemas que debe manejar Capacidad de direccionamiento vs. capacidad de memoria
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 detallesProgramación Estructurada
Programación Estructurada PROGRAMACIÓN ESTRUCTURADA 1 Sesión No. 2 Nombre: El lenguaje de programación C Contextualización Una constante en todos los lenguajes de programación (viejos y nuevos) es la implementación
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 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 detallesCapítulo 1. Introducción. 1.1. Antecedentes
Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas
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 detallesClasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales
Asociación de Ingenieros Petroleros de México, A. C. XXVIII Jornadas Técnicas 2013 Clasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales Javier
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 detallesANTES, DURANTE Y DESPUÉS DE LA PRÁCTICA DE LABORATORIO 1
ANTES, DURANTE Y DESPUÉS DE LA PRÁCTICA DE LABORATORIO 1 La actividad en el laboratorio de química, es sin lugar a dudas una parte fundamental de la cursada. No sólo es el lugar donde se aprenden procedimientos
Más detallesClasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales
Clasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales Cruz Teresa Rosales Hernández 1 y Orion Fausto Reyes Galaviz 2 Universidad Autónoma de Tlaxcala-
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 detallesGuia#9: Punteros en C#.
Guia#9: Punteros en C#. Facultad: Ingeniería Escuela: Ingeniería en Computación Asignatura: Programación I Objetivos. Conocer el concepto de punteros y su aplicación en C#. Desarrollar aplicaciones en
Más detallesPaul Méndez 1, Julio Ibarra 1
ARTÍCULO/ARTICLE AVANCES EN CIENCIAS E INGENIERÍAS SECCIÓN/SECTION A Implementing a convolution neural network for recognizing poses in images of faces Implementación de una red neuronal de convolución
Más detallesTop-Down Network Design. Tema 7
Top-Down Network Design Tema 7 Selección de Protocolos de Conmutación y Enrutamiento Copyright 2010 Cisco Press & Priscilla Oppenheimer Traducción: Emilio Hernández Adaptado para ISI: Enrique Ostúa. 7-1
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 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 detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detallesLos Discos de Estado Sólido. Un nuevo reto para los analistas en informática forense. Jeimy J. Cano M., Ph.D. CFE, Profesor Invitado / UPB Colombia
Los Discos de Estado Sólido. Un nuevo reto para los analistas en informática forense Jeimy J. Cano M., Ph.D. CFE, Profesor Invitado / UPB Colombia Agenda Introducción Mercado de las unidades de estado
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 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 detallesAPLICACIÓN DEL MODELO ANFIS A LA SINTETIZACION DE NOTAS MUSICALES Y SEÑALES DE VOZ
APLICACIÓN DEL MODELO ANFIS A LA SINTETIZACION DE NOTAS MUSICALES Y SEÑALES DE VOZ Carlos Stalin Alvarado Sánchez Carlos Jordán Villamar Facultad de Ingeniería en Electricidad y Computación Escuela Superior
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 detallesUniversidad de Guanajuato Tronco Común de Ingenierías
Universidad de Guanajuato Tronco Común de Ingenierías Objetivo del Area: Diseñar modelos matemáticos y proponer alternativas de solución a problemas. Programa. AREA: Matemáticas MATERIA: Lenguaje de Programación
Más detallesDIVISION DE ESTUDIOS DE POSGRADO E INVESTIGACION DOCTORADO EN CIENCIAS EN COMPUTACION SEDE: INSTITUTO TECNOLOGICO DE TIJUANA No 002206
DIVISION DE ESTUDIOS DE POSGRADO E INVESTIGACION DOCTORADO EN CIENCIAS EN COMPUTACION SEDE: INSTITUTO TECNOLOGICO DE TIJUANA No 002206 MEDIOS DE VERIFICACION 4. Infraestructura del Programa Criterio 9.
Más detallesUNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO
FACULTAD DE CS. QUIMICAS, FISICAS Y MATEMATICAS I. DATOS GENERALES DEPARTAMENTO ACADEMICO DE INFORMATICA SILABO 1.1 Asignatura : LENGUAJE DE PROGRAMACION 1.2 Categoría : OE 1.3 Código : IF463AME 1.4 Créditos
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 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 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 detallesFundamentos de Programación Visual Basic
Pág. N. 1 Fundamentos de Programación Visual Basic Familia: Editorial: Tecnología de información y computación Macro Autor: Ricardo Walter Marcelo Villalobos ISBN: 978-612-304-236-3 N. de páginas: 280
Más detallesLABORATORIO DE CONTROL POR COMPUTADOR 4º - INGENIERIA DE TELECOMUNICACION
PRACTICA 1. LABVIEW. TARJETA OBJETIVOS Que el alumno se familiarice con el entorno de trabajo: Por un lado con las conexiones posibles entre el sistema y computador, y por otro lado, con el entorno del
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 detallesPROGRAMACIÓN UNIDADES
PROGRAMACIÓN Semestre: Segundo Horas: 90 horas Hrs/sem: 4.5 Créditos: 9 Clave: AI-02 DESCRIPCIÓN DE LA ASIGNATURA Al finalizar el curso el alumno tendrá el conocimiento y la capacidad de implementar programas
Más detallesANEXO XVII DE LA RESOLUCION N
Hoja 1 de 7 UNIVERSIDAD NACIONAL DE CÓRDOBA Facultad de Ciencias Exactas Físicas y Naturales República Argentina Programa de: Código: Informática Carrera: Materia común Res. Nº Plan: Puntos:3.5 Escuela:
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 detallesNeuronas Artificiales
Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Más detalles+ 5.Instrucciones de Uso 5.1 Conexión del Reproductor Conecte el dispositivo como se muestra en las imágenes, encienda el reproductor y siga los siguientes pasos: 1. Si quiere usar el modo de video A/V
Más detallesTema II: Metodología para la construcción de programas. Profesora: Nelly García Mora
Tema II: Metodología para la construcción de programas Profesora: Nelly García Mora 1. Metodologías de Programación Metodología de programación: es un conjunto o sistema de métodos, principios y reglas,
Más detallesEl juego de la vida. Reglas
El juego de la vida. Reglas Taller de Informática I DC - FCEyN - UBA 16 de septiembre de 2015 El juego de la Vida El juego de la vida fue diseñado en 1970 por el matemático británico John Horton Conway.
Más detallesREVISTA INVESTIGACIÓN OPERACIONAL VOL., 32, NO. 3. 193-203, 2011
REVISTA INVESTIGACIÓN OPERACIONAL VOL., 32, NO. 3. 193-203, 2011 AJUSTE E INTEGRACIÓN NUMÉRICA DE FUNCIONES MUY OSCILANTES USANDO REDES NEURONALES ARTIFICIALES SUPERVISADAS Iván Chaman-García 1 y Lourdes
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 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 detallesCLASIFICACIÓN DE PARTÍCULAS MEDIANTE UNA RED NEURONAL ARTIFICIAL
CLASIFICACIÓN DE PARTÍCULAS MEDIANTE UNA RED NEURONAL ARTIFICIAL USO DE UN PECEPTRÓN MULTICAPA PARA DETERMINAR SI UNA PARTÍCULA POSEE CARGA POSITIVA, NEGATIVA O NEUTRA EN FUNCIÓN DE VARIOS PUNTOS DE SU
Más detallesComparación de la Aplicación de Métodos Inductivos y Evolutivos para el. Aprendizaje de Redes Neuronales.
Comparación de la Aplicación de Métodos Inductivos y Evolutivos para el Aprendizae de Redes Neuronales. Ph. Dr. Ricardo Ribeiro Gudwin, Ing. Lizet Liñero Suárez, Lic. José Antonio Sánchez Guerrero Resumen:
Más detallesClasificador no lineal basado en redes neuronales
Clasificador no lineal basado en redes neuronales con funciones de base radial para implementación en sistemas de punto fijo Juan Sebastián Botero Valencia 1 Luis Gonzalo Sánchez Giraldo 2 Edilson Delgado
Más detallesCiencia en su PC ISSN: 1027-2887 cpc@megacen.ciges.inf.cu. Centro de Información y Gestión Tecnológica de Santiago de Cuba. Cuba
Ciencia en su PC ISSN: 1027-2887 cpc@megacen.ciges.inf.cu Centro de Información y Gestión Tecnológica de Santiago de Cuba Cuba de la Fé-Dotres, Sergio; Domínguez-Fontanill, Jaime; Sierra-Rodríguez, José
Más detallesPropuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio
Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio
Más detallesPalabras llave. 1. Introducción. S. Valero 1, M. Ortiz 1, C. Senabre 1, M. Peñarrubia 1, A. Gabaldón 2 y Fco. Garcia 2
Clasificación de consumidores eléctricos mediante el uso de varias técnicas de redes neuronales artificiales, e identificación de nuevos clientes con las redes entrenadas S. Valero, M. Ortiz, C. Senabre,
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 detallesPontificia Universidad Católica del Ecuador
FACULTAD O ESCUELA DE INGENIERIA 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: Procesamiento de imágenes CÓDIGO: 14259 CARRERA: SISTEMAS NIVEL: Sexto No. CRÉDITOS: CRÉDITOS TEORÍA: CRÉDITOS PRÁCTICA: PROFESOR:
Más detallesRedes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos
Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com
Más detallesGuía Docente Curso 2008-2009
Nombre: Sistemas de percepción robótica Denominación en inglés 1 : Robotic perception ESCUELA POLITECNICA SUPERIOR Guía Docente Curso 2008-2009 Titulación Ingeniería Industrial DATOS DE LA ASIGNATURA Código:
Más detallesBENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN
BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD CIENCIAS DE LA COMPUTACIÓN PROGRAMA DE LA MATERIA CORRESPONDIENTE A LA INGENIERÍA EN CIENCIAS DE LA COMPUTACIÓN. Coordinación: NOMBRE DE LA MATERIA: Clave:
Más detallesPerceptrón Multicapa. Aplicaciones
Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales
Más detallesKinBehR KINect for human BEHaviour Recognition
KinBehR KINect for human BEHaviour Recognition Tecnologías y Sistemas de la Información Alumno: Rubén Cantarero Navarro Directores: María José Santofimia Romero y Juan Carlos López López Contexto 2 KinBehR
Más detallesCompresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales
Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación
Más detallesCAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES
Capítulo 5 Modelado y Simulación del IDS 35 CAPÍTULO 5: MODELADO DEL IDS CON REDES NEURONALES En este capítulo se describe la preparación de los datos para servir como entradas al IDS y la simulación de
Más detallesPART II: Moviendo al jugador
UNITY PART II: Moviendo al jugador El movimiento se lo vamos a dar a través de un programa Definición de programa: Un programa es una secuencia de instrucciones, escritas para realizar una tarea específica
Más detallesEstimación con PROBE II
Personal Software Process SM Estimación con PROBE II This material is approved for public release. Distribution is limited by the Software Engineering Institute to attendees. Sponsored by the U.S. Department
Más detallesIntroducción a la Ingeniería de Software. Diseño Interfaz de Usuario
Introducción a la Ingeniería de Software Diseño Interfaz de Usuario Diseño de la Interfaz de Usuario Normalmente no se contratan especialistas Hay casos en los cuales es más normal: videojuegos y sitiosweb
Más detallesCabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS
Cabrera Hernández Elizabeth Ramírez Bustos Fabián GENERACION DE NUMEROS ALEATORIOS NUMEROS ALEATORIOS Los números random son un elemento básico en la simulación de la mayoría de los sistemas discretos.
Más detallesNombre de la asignatura: INGLÉS IV. Clave de la asignatura: LEI-04. Horas teoría Horas Práctica Créditos: ASIGNATURA TEMAS ASIGNATURA TEMAS
1) DATOS DE LA ASIGNATURA: Nombre de la asignatura: INGLÉS IV Clave de la asignatura: LEI-04 Horas teoría Horas Práctica Créditos: 1-2-0 2) UBICACIÓN DE LA ASIGNATURA a) RELACIÓN CON OTRAS ASIGNATURAS
Más detallesBúsqueda por Contenido de Imágenes y Videos
Búsqueda por Contenido de Imágenes y Videos Juan Manuel Barrios http://juan.cl/ Departamento de Ciencias de la Computación Universidad de Chile Semestre Otoño 2016 Curso Búsqueda por Contenido de Imágenes
Más detallesFLAG/C. Una API para computación matricial sobre GPUs. M. Jesús Zafont Alberto Martín Francisco Igual Enrique S. Quintana-Ortí
FLAG/C Una API para computación matricial sobre GPUs M. Jesús Zafont Alberto Martín Francisco Igual Enrique S. Quintana-Ortí High Performance Computing & Architectures Group Universitat Jaume I de Castellón
Más detallesBases Formales de la Computación: Sesión 3. Modelos Ocultos de Markov
Bases Formales de la Computación: Sesión 3. Prof. Gloria Inés Alvarez V. Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Contenido 1 Introducción
Más detallesAntiguas civilizaciones. dejan su huella. en monumentos. y ruinas bellas. Restos de culturas. de tiempos pasados, en arte y tecnología. son revelados.
38175_LM_WOL_FLPLUS_097-104.qxp 6/28/07 4:23 PM Page 97 Nombre Poema del tema Antiguas civilizaciones dejan su huella en monumentos y ruinas bellas. Restos de culturas de tiempos pasados, en arte y tecnología
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 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 detallesTema / La capa de enlace de datos: entramado y detección de errores
Tema 2 6.263 / 16.37 La capa de enlace de datos: entramado y detección de errores MIT, LIDS Diapositiva 1 Capa de enlace de datos (DLC) Responsable de la transmisión fiable de paquetes en un enlace: Entramado:
Más detalles[Aguilar & Toledo 95] Aguilar David, Toledo Vicente, Diseño de un OCR utilizando
68 BIBLIOGRAFÍA. [Aguilar & Toledo 95] Aguilar David, Toledo Vicente, Diseño de un OCR utilizando Redes Neuronales Artificiales, Tesis Profesional del Departamento de Ingeniería en Sistemas Computacionales
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de
Más detallesMEMORIA-RESUMEN DE TRABAJOS REALIZADOS
MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la
Más detallesPropedéutico de Programación
Propedéutico de Programación Coordinación de Ciencias Computacionales 6/13 Material preparado por: Dra. Pilar Gómez Gil Chapter 15 Pointers, Dynamic Data, and Reference Types (continuación) Dale/Weems
Más detallesLuis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.
Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.
Más detallesÍndice General. diseño y gestión de proyectos con AutoCAD (2d) Realizado por: Fernando Montaño La Cruz
Índice General diseño y gestión de proyectos con AutoCAD (2d) Realizado por: Fernando Montaño La Cruz Lección 1: (14 vídeos, duración 110 minutos) INTRODUCCIÓN Interfaz de AutoCAD Área de dibujo Barra
Más detallesINTRODUCCIÓN AL VIDEO MAPPING. Sesión teórica
INTRODUCCIÓN AL VIDEO MAPPING Sesión teórica OBJETIVOS Qué es el video mapping? Estado del arte Elementos fundamentales Técnicas y modelos Introducción al taller práctico Video Mapping? Video Mapping?
Más detallesPROGRAMA EDUCATIVO DE INGENIERÍA EN MANTENIMIENTO INDUSTRIAL HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS
PROGRAMA EDUCATIVO DE INGENIERÍA EN MANTENIMIENTO INDUSTRIAL HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Inglés II 2. Competencias Comunicar sentimientos, pensamientos,
Más detallesTecnología de fabricación en VLSI
Tecnología de fabricación en VLSI Clave del curso: EED307-3 (Opcional como curso relacionado con el proyecto de Maestría). INSTRUCTOR: SESION: PERIODO: Dr. Juan Luis del Valle Martes y Viernes, 9:00-11:00
Más detallescuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar
cuevogenet Paralelización en CUDA de la Dinámica Evolutiva de Redes Génicas Realizado por: Raúl García Calvo Dirigido por: Fernando Díaz del Río José Luis Guisado Lizar Objetivos Implementar un algoritmo
Más detallesAnexo Redes Neuronales
Anexo Redes Neuronales Félix Monasterio-Huelin y Álvaro Gutiérrez 8 de abril de 2016 Índice Índice 1 Índice de figuras 1 1. El entorno del robot 2 2. Neurona y funciones de activación 2 2.1. Vector de
Más detallesSYLLABUS de la Asignatura. Programación INF1201
Sazie 2325, 3er Piso, Santiago +56 2 661 8256 SYLLABUS de la Asignatura Programación INF1201 1. Descripción de la asignatura El estudiante aprenderá a analizar un problema y plantear una solución racionalmente,
Más detalles