Objeto de Estudio 4 Redes Neurales. Rafael Vazquez Perez
|
|
- Carlos Ramos Martínez
- hace 6 años
- Vistas:
Transcripción
1 Objeto de Estudio 4 Redes Neurales Rafael Vazquez Perez
2 Temas a Tratar Concepto: Qué es una Red Neuronal Artificial?. Aplicación: Para que son útiles?. Diseño: Como se construyen?. Elemento Básico. La Neurona Artificial. La Estructura de la Red. La Interconexión de los elementos Básicos. Aprendizaje El proceso de entrenamiento. Ejecución. Comportamiento final de la ANN. Ejemplos con Neural Works January 2005 Matthew Casey 2
3 Qué es una Red Neuronal Artificial?. Cuando la unica herramienta de la que se dispone es un martillo, todos los problemas que uno encuentra tienden a parecer clavos Porque no podemos construir una computadora que piense? January 2005 Matthew Casey 3
4 Qué es una Red Neuronal artificial? Porque no se puede esperar que maquinas capaces de realizar 100 millones de operaciones de punto flotante por segundo sean capaces de entender el significado de las formas en imágenes visuales, o incluso distinguir entre distintas clases de objetos similares? January 2005 Matthew Casey 4
5 Qué es una Red Neuronal artificial? Porque no puede esa misma maquina aprender a partir de la experiencia, en lugar de repetir indefinidamente un conjunto explicito de instrucciones generadas por un programador humano? January 2005 Matthew Casey 5
6 Qué es una Red Neuronal artificial? Es un Modelo Matemático-Informático de cómo procesan la información las neuronas biológicas. January 2005 Matthew Casey 6
7 Neurofisiología elemental Es importante conocer los conceptos básicos que nos permitan una mejor comprensión del estudio de las bases neurales de la cognición January 2005 Matthew Casey 7
8 El Cerebro Humano Parte del sistema nervioso central Contiene cerca de neuronas La neurona es la célula activa de la función cerebral Cada neurona se activa aproximadamente cada 5 ms Cada neurona se conecta aproximadamente con otras 10 4 neuronas Dando un total de conexiones January 2005 Matthew Casey 8
9 Neurona biológica Cuerpo de la Celula Neurona Multipolar Dendritas Axon Cytoplasma Membrana Ramas del Axon Botones January 2005 Matthew Casey 9
10 January 2005 Matthew Casey 10
11 Partes principales de una neurona Sinapsis Espacio adyacente entre las neuronas cuyas señales químicas son transmitidas: ENTRADA Dendritas Contactos sinápticos que reciben información de otras neuronas Cuerpo de la célula o soma Centro metabólico de la neurona: PROCESO Axon Es la extensión del cuerpo de la neurona: SALIDA January 2005 Matthew Casey 11
12 Procesamiento Neural Entrada Via synapse Convierte una señal electrica presinaptica (desde un axon) a una señal quimica postsynaptica. La señal es recibida por la dendrita. Plasticidad en el cerebro es el resultado de los cambios a la sinapsis: coneccion fuerte January 2005 Matthew Casey 12
13 Procesamiento Neural Procesamiento Integración de señales postsynapticas Pueden ser inhibitorias o excitatorias El disparo de una neurona esta determinado por una combinación de señales postsynapticas Si la suma de señales excitatorias e inhibitorias es mayor que el threshold (umbral) entonces se genera una action potencial January 2005 Matthew Casey 13
14 Procesamiento Neural Salida Una Acciòn potencial es una señal electrica que es conducida al axon January 2005 Matthew Casey 14
15 Neurotransmisores Acetilcolina Norepinefrina Dopamina Serotonina Na Na Na Sinapsis Campo Electrico K K K January 2005 Matthew Casey 15
16 Modelo de la Neurona Bias wk0 x 1 w k1 Input Signals x 2 wk2 Σ Φ(.) Output y k x m w km Summing Junction Activation Function Synaptic Weights January 2005 Matthew Casey 16
17 Modelo de la Neurona Neurona Artificial Coneccion fuerte: pesos synapticos Pesos de cada entrada Excitatoria: pesos positivos Inhibitoria: pesos negativos Suma: union de las sumas Suma de los pesos de entrada Threshold: funcion de activacion La suma de los pesos exceden al umbral? La señal de salida 0 no se dispara, 1 disparo January 2005 Matthew Casey 17
18 Porque una red neuronal? Ademas de la inspiracion biologica, porque usar redes neurales? Para resolver problemas donde se requiere tener un beneficio de usar una computadora pero donde es impractico programar la respuesta para todas las posibles salida (knowledge engineering bottleneck) Tolerancia al ruido Principios del aprendizaje de maquina January 2005 Matthew Casey 18
19 Ventajas de una red neuronal Aprendizaje adaptativo (entrenamiento) Auto organización (auto organizan la informacion) Tolerancia a Fallos (destruccion parcial de la red) Operación en tiempo real (calculo en paralelo) Facil Inserccion dentro de la tecnologia existente January 2005 Matthew Casey 19
20 Aplicación: Para que son útiles?. Biologia Aprender mas acerca del cerebro Obtencion de modelos de la retina Empresa Identificacion de Candidatos para posiciones especificas Explotacion de bases de datos Optimizacion de plazas y horarios en lineas aereas Reconocimiento de Caracteres Escritos January 2005 Matthew Casey 20
21 Aplicación: Para que son útiles?. Medio Ambiente Analizar Tendencias y Patrones Prevision del Tiempo Finanzas Prevision de la evolucion de los precios Valoracion del riesgo de los creditos Identificacion de Falsificaciones Interpretacion de Firmas January 2005 Matthew Casey 21
22 Para que son útiles?. Manufactura Sistemas de vision artificial Control de produccion en lineas de proceso Inspeccion de la calidad Medicina Analizadores del Habla para la ayuda de audicion de sordos Diagnosticos y tratamiento a partir de sintomas y/o datos analiticos (electrocardiogramas, Encefalogramas, analisis sanguineos) Prediccion de reacciones Adversas a los medicamentos Lectore de rayos X January 2005 Matthew Casey 22
23 Aplicación: Para que son útiles?. Clasificacion de patrones Reconstruccion de patrones January 2005 Matthew Casey 23
24 Diseño: Como se construyen?. La construccion mas simple e inmediata consiste en simular la red en una computadora convencional mediante algun software especifico. January 2005 Matthew Casey 24
25 Elemento Básico. La Neurona Artificial. Bias w k0 x 1 w k1 Input Signals x 2 wk2 Σ Φ(.) Output y k x m w km Summing Junction Activation Function Synaptic Weights January 2005 Matthew Casey 25
26 Elemento Básico. La Neurona Artificial. Entradas x 1, x 2,, x m Codifica la entrada a la red neural Bias w k0 Codifica el valor del umbral Equivale a una entrada constante x 0 = 1 Pesos de conexion/ sinapsis Conexion fuerte a la entrada de la neurona. Negativo es inhibitorio Positivo es excitatorio January 2005 Matthew Casey 26
27 Elemento Básico. La Neurona Artificial. Suma(entrada total) Adicion acumulativa Sin tomar en cuenta el bias Funcion de Activacion Usa la entrada total para determinar cuando se debe disparar la neurona threshold Salida Salida de la funcion de activacion January 2005 Matthew Casey 27
28 Elemento Básico. La Neurona Artificial. FUNCIONES DE ACTIVACION Umbral Fuerte Binario: salidas 0 o 1 Bipolar: salidas 1 o 1 funcion Heaviside / Step / Signum o Piecewise-linear Umbral No lineal Salidas en rangos de valores Binario: salidas [0,1] Bipolar: salidas [-1,1] funcion Logistic Sigmoid or Hyperbolic Tangent January 2005 Matthew Casey 28
29 Funcion Heaviside Binaria Bipolar January 2005 Matthew Casey 29
30 Sigmoide Binary January 2005 Matthew Casey 30
31 Tangente Hyperbolica Bipolar January 2005 Matthew Casey 31
32 La Estructura de la Red. Una red neuronal esta formada por un arreglo de neuronas artificiales individuales. Y hablaremos de su organización en terminos de : Numero de Niveles o capas Numero de neuronas por nivel Patrones de Conexión Flujo de Informacion January 2005 Matthew Casey 32
33 La Interconexión de los elementos Básicos. La conectividad entre los nodos de una red neuronal esta relacionado con la forma en que las salidas de las neuronas estan canalizadas para convertirse en entradas de otras neuronas. Cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel o de niveles precedentes, la red se describe como propagacion hacia adelante. Como se muestra en la siguiente figura January 2005 Matthew Casey 33
34 La Interconexión de los elementos Básicos. I 1 O 1 I 2 O 2 I m O m Nivel de Niveles Nivel de Entrada Ocultos Salida January 2005 Matthew Casey 34
35 La Interconexión de los elementos Básicos. Cuando las salidas pueden ser conectadas como entradas de neuronas de niveles previos o del mismo nivel, incluyendose ellas mismas la red es de propagacion hacia atras January 2005 Matthew Casey 35
36 La Interconexión de los elementos Básicos. January 2005 Matthew Casey 36
37 Capas La distribucion de neuronas dentro de la red se realiza formando niveles o capas de un numero determinado de neuronas cada una. Se pueden distinguir 3 tipos de capas: De entrada.- Es la capa que recibe directamente la informacion proveniente de las fuentes externas a la red January 2005 Matthew Casey 37
38 Capas Ocultas: Son internas a la red y no tienen contacto directo con el entorno exterior. El numero de niveles ocultos puede estar entre cero y un numero elevado. Las neuronas de las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina junjto con su numero, las distintas tipologias de redes neuronales. De Salida.- Transfieren Informacion de la red hacia el exterior. January 2005 Matthew Casey 38
39 Caracteristicas de las redes neurales Topologia.- La topologia o arquitectura de las redes neurales consiste en la organización y disposicion de las neuronas en la red formando capas o agrupaciones de neuronas mas o menos alejadas de la entrada y salida de la red. Los parametros fundamentales de la red son: El numero de capas, el numero de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas. January 2005 Matthew Casey 39
40 Clasificacion de la redes en terminos topologicos. Redes de una Sola Capa o nivel de neuronas. Redes de capas multiples (2 o 3) o Multicapas January 2005 Matthew Casey 40
41 Redes Monocapa Ejemplos tipicos son HOPFIELD y BRAIN- STATE-IN-BOX Conexiones laterales entre las neuronas que pertenecen a la unica capa que constituyen la red January 2005 Matthew Casey 41
42 REDES MULTICAPA Las redes multicapa son aquellas que disponen de conjuntos de neuronas agrupadas en varios (2 o 3) niveles o capas En estos casos, una forma para distinguir la capa a la que pertenece una neurona, consistiria en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal de salida. January 2005 Matthew Casey 42
43 REDES MULTICAPA Ejemplos Tipicos Adaline Perceptron LVQ BAM BOLTZMAN Back-propagation January 2005 Matthew Casey 43
44 Aprendizaje Es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una informacion de entrada. En los sistemas biologicos existe una continua creacion y destruccion de conexiones entre las neuronas. En los modelos de ANN la creacion de una nueva conexión implica que el peso de la misma pasa a tener un valor distinto de cero. January 2005 Matthew Casey 44
45 Aprendizaje Durante el proceso de aprendizaje, los pesos de las conexiones de la red sufren modificaciones, por tanto se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables o sea: dw = 0 dt January 2005 Matthew Casey 45
46 Aprendizaje Los criterios que determinan como se modifican los valores de los pesos se le conoce como : regla de aprendizaje Existen 2 tipos de reglas Aprendizaje Supervisado Aprendizaje no Supervisado La diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente externo (supervisor) que controle el proceso del aprendizaje January 2005 Matthew Casey 46
47 Redes con aprendizaje supervisado El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que deberia generar la red a partir de una entrada determinada. January 2005 Matthew Casey 47
48 Redes con aprendizaje supervisado El supervisor comprueba la salida de la red y en caso de que esta no coincida con la deseada se procedera a modificar los pesos de las conexiones con el fin de conseguir que la salida obtenida se aproxime a la deseada. January 2005 Matthew Casey 48
49 Redes con aprendizaje supervisado Existen 3 formas de llevar a cabo este aprendizaje: Aprendizaje por correccion de error Aprendizaje por refuerzo Aprendizaje estocastico January 2005 Matthew Casey 49
50 Aprendizaje por correccion de error Consiste en ajustar los pesos de las conexiones de red en funcion de la diferencia entre los valores deseados y los obtenidos en la salida de la red Una regla o algoritmo simple de aprendizaje por correccion de error podria ser: Δw ji = αy j (d j -y j ) January 2005 Matthew Casey 50
51 Aprendizaje por correccion de error Siendo Δw ji Variacion en el peso de la Conexión entre las neuronas i y j (Δw ji = w ji actual - w ji anterior ) y i valor de la salida de la neurona i dj valor de salida deseado para para la neurona j yj valor de salida obtenido en la neurona j α Factor de aprendizaje ( 0 < α <= 1) January 2005 Matthew Casey 51
52 Aprendizaje por correccion de error Perceptron Widrow y Hoff Error medio January 2005 Matthew Casey 52
53 Redes con aprendizaje no supervisado Este tipo de redes no requiere una influencia externa para ajustar los pesos de las neuronas Este aprendizaje permite la codificacion de los datos de entrada, generando a la salida una version codificada de la entrada con menos bits January 2005 Matthew Casey 53
54 Redes con aprendizaje no supervisado Algoritmos Aprendizaje hebbiano Aprendizaje competitivo y cooperativo January 2005 Matthew Casey 54
55 Aprendizaje hebbiano Este tipo de aprendizaje se basa en el postulado creado por donald hebb en 1949 Cuando un axon de la celda A esta suficientemente cerca como para conseguir excitar a una celda B y repetida o persistentemente toma parte en su activacion, algun proceso de crecimiento o cambio metabolico tiene lugar en una o ambas celdas, de tal forma que la eficiencia de A, cuando la celda a activar es B, aumenta January 2005 Matthew Casey 55
56 Aprendizaje hebbiano Se puede decir por lo tanto que el aprendizaje hebbiano consiste basicamente en el ajuste de los pesos de ls conexiones de acuerdo con la correlacion (multiplicacion en el caso de los valores binarios + 1 y 1) de los valores de activacion (salidas) de las 2 neuronas conectadas January 2005 Matthew Casey 56
57 Aprendizaje hebbiano Δw ji = y i y j January 2005 Matthew Casey 57
58 El Perceptron Este fue el primer modelo de red neuronal artificial desarrollado por rosenblatt en Creado para reconocer patrones sencillos Un perceptron esta formado por varias neuronas lineales para recibir las entradas a la red y una neurona de salida January 2005 Matthew Casey 58
59 El Perceptron La unica neurona de salida del perceptron realiza la suma ponderada de las entradas, resta el umbral y pasa el resultado a una funcion de transferencia tipo escalon. La regla de decision es responder +1 si el patron presentado pertenece a la clase A o -1 si el patron pertenece a la clase B. La salida dependera de la entrada neta y del valor del umbral θ January 2005 Matthew Casey 59
60 El Perceptron X1 X2 w1 w2 A A A A y B B B Xn wn B B El puede clasificar un vector analogico de entrada en 2 clases A y B Y = f [Σw i x i -θ] X2 = (-w 1 /w 2 )x 1 +(θ/w 2 ) January 2005 Matthew Casey 60
61 El Perceptron Ejemplo: se implementara la funcion logica OR con 2 entradas. Valor de umbral = 1 (X 0 ) 1.- Sean los valores iniciales elegidos aleatoriamente W 0 = 1.5 W 1 = 0.5 W2 = 1.5 January 2005 Matthew Casey 61
62 El Perceptron 2.- Se van tomando uno a uno los cuatro patrones de entrada y se aplica el metodo de aprendizaje ENTRADAS SALIDA January 2005 Matthew Casey 62
63 El Perceptron 2.1 Se toma el patron 0 0 Entradas: x 1 =0; x 2 =0; x 0 =1 Pesos: w 1 (t)=0.5;w 2 (t)=1.5;w 0 (t)=1.5 Net i : 0(0.5)+0(1.5)+1(1.5)=1.5 Salida que produce f: 1 (Net i >= 0) Salida que debe de dar (deseada): 0 Error que se comete (deseada obtenida) = 0-1 = -1 January 2005 Matthew Casey 63
64 El Perceptron Pesos Modificados w 1 (t+1)= 0.5+(-1)*0= 0.5 w 2 (t+1)= 1.5+(-1)*0= 1.5 w 0 (t+1)= 1.5+(-1)*1= Se toma el patron de entrada 0 1 Entradas: x 1 =0; x 2 =1; x 0 =1 Pesos: w 1 (t)=0.5;w 2 (t)=1.5;w 0 (t)=0.5 Net i : 0(0.5)+1(1.5)+1(0.5)=2.0 January 2005 Matthew Casey 64
65 El Perceptron Salida que produce f: 1 (Net i >= 0) Salida que debe de dar (deseada): 1 Error que se comete (deseada obtenida) = 1-1 = 0 Se recomienda que el participante al taller haga los otros 2 patrones Debido a que existe un error en el patron 00 se debe repetir el paso 2 January 2005 Matthew Casey 65
66 La red de backpropagation En 1986, Rumelhart, Hinton y Williams basandose en los trabajos de otros investigadores formalizaron un metodo para que una red neuronal aprendiera la asociacion que existe entre los patrones de entrada a la misma y las clases correspondientes. Utilizando mas niveles de neuronas que los que utlizo Rosenblatt para desarrollar el perceptron. Este metodo conocido como backpropagation. January 2005 Matthew Casey 66
67 Ejecución. Comportamiento final de la ANN. Clasificacion de señales electrocardiograficas (ECG) En este ejemplo se muestra una posible utilizaciòn de las redes neurales en la clasificacion de electrocardiogramas con 12 derivaciones. Las señales ECG se obtuvieron de una base de datos de arritmias. January 2005 Matthew Casey 67
68 Ejecución. Comportamiento final de la ANN. January 2005 Matthew Casey 68
69 Ejecución. Comportamiento final de la ANN señales correspondientes a 7 tipos diferentes Normales Hipertrofia Ventricular Izquierda (LVH) Hipertrofia Ventricular derecha (RVH) Hipertrofia biventricular (BVH) Infarto de miocardio anterior (AMI) Infarto de miocardio inferior (IMI) Infarto de miocardio combinado (MIX) January 2005 Matthew Casey 69
70 Ejecución. Comportamiento final de la ANN. De las 3266 señales 2446 fueron elegidas en forma aleatoria para el aprendizaje de la red y el resto 820 para comprobar posteriormente su funcionamiento, analizando el grado de acierto ante unas señales que no se le habian enseñado. January 2005 Matthew Casey 70
71 Ejecución. Comportamiento final de la ANN. La red neural utilizada no trabaja directamente con las señales, sino que previamente se realizaba un preprocesamiento de estas, parametrizando cada señal mediante un conjunto de 39 valores obtenidos por un programa comercial de analisis de ECG; 37 son parametros mas la edad y el sexo January 2005 Matthew Casey 71
72 Ejecución. Comportamiento final de la ANN Por lo que la red tendra 39 neuronas de entrada. El numero de salidas es de 7, una por tipo de señal que se le va a enseñar. La red utilizada es una red de backpropagation de 3 capas. Los mejores resultados se obtuvieron con 7 neuronas en la capa oculta. January 2005 Matthew Casey 72
73 Ejemplos con Neural Works 1.- Instalacion de Neural Works Ejecute e instale el programa PredictDemo 2 Para Probar que quedo bien instalado, inicie excel y debera aparecer la siguiente pantalla January 2005 Matthew Casey 73
74 Ejemplo 2 Abrir Microsoft Excel: 1. From the Predict menu, select New... to create a new model. (Note: to create a new model, there must be an open workbook with an active worksheet that contains the data the tutorial.xls workbook should still be open.) January 2005 Matthew Casey 74
75 Ejemplo 2 2. The New Model dialog box appears. In it, you enable the Model Building Wizard and select the type of model that is appropriate for the problem. First, make sure the Launch the Model Building Wizard check box is selected. January 2005 Matthew Casey 75
76 Ejemplo 2 Then, since the output values for the evaporation data are continuous values,select the To make predictions from data option. 3. Click Next to proceed. January 2005 Matthew Casey 76
77 January 2005 Matthew Casey 77
78 January 2005 Matthew Casey 78
79 January 2005 Matthew Casey 79
80 January 2005 Matthew Casey 80
81 January 2005 Matthew Casey 81
82 January 2005 Matthew Casey 82
83 January 2005 Matthew Casey 83
84 January 2005 Matthew Casey 84
85 Ejercicio Dada una matriz de led s implementar una red neuronal para reconocer digitos January 2005 Matthew Casey 85
86 Ejercicio 1.- Obtenga los patrones para los digitos con ruido. 2.- Construya el modelo de red en neural works 3.- Entrene la red 4.- Pruebe con ejemplos propuestos por usted. January 2005 Matthew Casey 86
Las 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 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 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 detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesPrimer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso
Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1
Más detallesSistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno
Memorias del II Congreso Binacional de Investigación, Ciencia y Tecnología de las Universidades Sistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno Heber Iván Mejía Cabrera,
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
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 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 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 detallesEDUComputacion. Te ofrece el curso de:
Requieres mejorar el Manejo y el análisis de la Información, además de Automatizar procesos y diseñar soluciones a tu propia necesidad Utilizando Excel? EDUComputacion Te ofrece el curso de: Reforma #1050-A
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 detallesCátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.
Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería
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 detallesING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES
ING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES Ing. Bruno López Takeyas ALUMNOS: Jesús Martín Buentello Vargas Oscar de Luna Quezada Jesús Antonio Galindo Palacios Daniel Villanueva Cisneros
Más detalles2. PRINCIPALES TIPOS DE REDES NEURONALES
33 2. PRINCIPALES TIPOS DE REDES NEURONALES 2.1 PERCEPTRÓN 2.1.1 Antecedentes. La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; ésta consistía en una suma
Más detallesen el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA
COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información
Más detallesADALINE Y PERCEPTRON
Tema 3: Adaline y Perceptron Sistemas Conexionistas 1 ADALINE Y PERCEPTRON 1. Adaline 1.1. Características. 1.. Regla de Aprendizaje (LMS). Regla Delta. 1.3. Aplicaciones. 1.3.1. Clasificación de vectores.
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 detallesINDICE 1. Operación del Computador 2. Sistemas Numéricos 3. Álgebra de Boole y Circuitos Lógicos
INDICE Prólogo XI 1. Operación del Computador 1 1.1. Calculadoras y Computadores 2 1.2. Computadores digitales electrónicos 5 1.3. Aplicación de los computadores a la solución de problemas 7 1.4. Aplicaciones
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 detallesUNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO AUTORES : A LIRIO MAYORGA DELGADO Y HECTOR JULIO PEDROZA GARZON FACULTAD: INGENIERIAS PLAN DE ESTUDIOS:.
Más detallesResistores en circuitos eléctricos
Resistores en circuitos eléctricos Experimento : Resistencias en circuitos eléctricos Estudiar la resistencia equivalente de resistores conectados tanto en serie como en paralelo. Fundamento Teórico. Cuando
Más detallesIntroducción a las Redes Neuronales Aplicadas
Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía
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 detallesTEMA 6 Redes de Neuronas Artificiales
TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios
Más detallesAnálisis y síntesis de sistemas digitales combinacionales
Análisis Algoritmo de análisis, para un circuito lógico combinacional Síntesis. Conceptos Circuitos combinacionales bien construidos Circuitos combinacionales mal construidos Criterios de optimización
Más detallesUNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI ESCUELA DE INGENIERÍA Y CIENCIAS APLICADAS DEPARTAMENTO DE COMPUTACIÓN Y SISTEMAS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI ESCUELA DE INGENIERÍA Y CIENCIAS APLICADAS DEPARTAMENTO DE COMPUTACIÓN Y SISTEMAS DESARROLLO DE UNA APLICACIÓN QUE PERMITA EVOLUCIONAR REDES NEURONALES ARTIFICIALES
Más detallesDesarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional
Desarrollo software de técnicas para el diseño automático de Redes Neuronales Artificiales con bajo coste computacional Titulación: Ingeniero Técnico Industrial Intensificación: Electrónica industrial
Más detallesESCUELA DE INFORMÁTICA
TÉCNICO EN SISTEMAS LABORAL SUBMODULO TEMA 1 (Visual Basic for Application) Microsoft VBA (Visual Basic for Applications) es el lenguaje de macros de Microsoft Visual Basic que se utiliza para programar
Más detalles2. Codificar de forma sistemática la secuencia de instrucciones en un lenguaje.
Modulo 1. Introducción a los lenguajes de programación La solución de problemas mediante en uso de un computador nos lleva a desarrollar programas o aplicaciones, la construcción de estos programas debe
Más detallesComparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones
Comparación de Modelos de Redes Neuronales Utilizados en Sistemas de Soporte de Decisiones Broggi, Carlos Javier Goujon, Diego Javier Herrmann, Raúl Alberto Universidad Tecnológica Nacional, Facultad Regional
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesLa nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network)
La nueva arquitectura del paquete AMORE (A MORE Flexible Neural Network) III Jornadas de Usuarios de R Javier Alfonso Cendón, Manuel Castejón Limas, Joaquín Ordieres Mere, Camino Fernández Llamas Índice
Más detallesTipos de RNA. Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve
Tipos de RNA Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve ADALINE Y MADALINE ADAptive Linear Element Y MULTIPLE ADALINE (WIDROW 1960) PARECIDO
Más detallesREDES NEURONALES ARTIFICIALES Y SUS APLICACIONES
REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES Xabier Basogain Olabe Centro: Escuela Superior de Ingeniería de Bilbao, EHU Despacho: P3BN11 Teléfono: 34 946014201 E mail: xabier.basogain@ehu.es Tabla
Más detallesNOMBRE DEL CURSO: Excel 2010 Intermedio
NOMBRE DEL CURSO: Excel 2010 Intermedio DURACION: 15 Horas MODALIDAD: Presencial TITULACION: Al finalizar el curso el alumno recibirá un Diploma o Certificado de Aprovechamiento. AREA FORMATIVA: Informática
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesNombre de la asignatura: Programación Básica. Créditos: Objetivo de aprendizaje
Nombre de la asignatura: Programación Básica Créditos: 2 4-6 Objetivo de aprendizaje Plantear metodológicamente la solución de problemas susceptibles de ser computarizados a través del manejo de técnicas
Más detallesTeoría de grafos y optimización en redes
Teoría de grafos y optimización en redes José María Ferrer Caja Universidad Pontificia Comillas Definiciones básicas Grafo: Conjunto de nodos (o vértices) unidos por aristas G = (V,E) Ejemplo V = {,,,,
Más detallesJosé Ignacio Latorre Universidad de Barcelona
INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2009/2 2010/2
REDES NEURONALES Semestre 2010/2 INTRODUCCIÓN A LAS REDES NEURONALES La forma como el cerebro humano procesa la información es completamente diferente a la forma como la procesa un computador digital:
Más detalles1. Computadores y programación
1. Computadores y programación Informática y computadora (RAE) Informática (Ciencia de la computación) Conjunto de conocimientos científicos y técnicos que hacen posible el tratamiento automático de la
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 detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesMODELOS DE COMPUTACION II
INGENIERIA INFORMATICA ÁREA: CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL MODELOS DE COMPUTACION II Presentación del profesor y de la asignatura JUAN LUIS CASTRO PEÑA 2010-11 Información: http://decsai.ugr.es/~castro/mcii
Más detallesESTRUCTURA BÁSICA DE UN ORDENADOR
ESTRUCTURA BÁSICA DE UN ORDENADOR QUÉ ES UN ORDENADOR? Un ordenador es una máquina... QUÉ ES UN ORDENADOR? Un ordenador es una máquina... QUÉ ES UN ORDENADOR? Un ordenador es una máquina... Qué son los
Más detallesAplicación Java para distribución de código en R
rolgalan@gmail.com Huesca - 24 de noviembre de 2009 Implementación Descripción problema Existen muchos problemas, cuya resolución informática requiere de un enorme tiempo de cómputo. En la actualidad,
Más detallesBreve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Más detallesConceptos de Arquitectura de Computadoras Curso 2015
PRACTICA 1 Assembly, Instrucciones, Programas, Subrutinas y Simulador MSX88 Objetivos: que el alumno Domine las instrucciones básicas del lenguaje assembly del MSX88. Utilice los diferentes modos de direccionamiento.
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 detallesBIBLIOGRAFIA TEORIA DE CIRCUITOSY DISPOSOTIVOS BOYLESTAD ELECTRONICA DIGITAL TOKHEIM SISTEMAS DIGITALES TOCCI
Guía de preparación para el examen ELECTRONICA CxTx En esta materia básicamente se evalúan temas tales como son: MULTIVIBRADORES, MEMORIAS, CONTADORES Y COMPUERTAS LOGICAS, SUMADOR RESTADOR Y MICROPOCESADORES
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 detallesAnexo C. Manual del usuario
Anexo C Manual del usuario 1. Introducción La aplicación requiere tener instalada la máquina virtual de java versión 1.6 o superior (tanto en sistemas operativos Windows como en sistemas operativos Linux).
Más detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesTopologías para Redes
www.cablesa.com Topologías para Redes 1. Topologías más comunes 2. Mecanismos para la resolución de conflictos en la transmisión de datos 3. Diferentes formas de topología y la longitud máxima de los segmentos
Más detallesDISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE. CONTROL 2 x 2
DISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE CONTROL 2 x 2 ERICK FRANK SARMIENTO JURADO UNIVERSIDAD DEL NORTE DIVISIÓN DE INGENIERÍAS MAESTRÍA
Más detallesLA COMUNICACIÓN INTRA E INTER NEURONAL
ASOCIACIÓN OAXAQUEÑA DE PSICOLOGÍA A. C. LA COMUNICACIÓN INTRA E INTER NEURONAL JORGE EVERARDO AGUILAR MORALES La comunicación intra e inter neuronal Aguilar-Morales, Jorge Everardo 2011 Calzada Madero
Más detallesBLOQUE I: HOJA DE CÁLCULO
4. Organización, secuenciación y temporización de contenidos BLOQUE I: HOJA DE CÁLCULO En este bloque se pretende conocer y utilizar tanto la hoja de cálculo Excel como sus gráficos. Se aplicará la hoja
Más detallesDiscusión. Modelo de una compuerta. Arquitecturas de Computadores Prof. Mauricio Solar. Temario. ...Introducción
0-06-200 Temario Arquitecturas de Computadores Prof. Mauricio Solar 5 Componentes igitales Estructurados Introducción 2 Registros 3 Multiplexores 4 Codificadores y ecodificadores 5 Archivos de Registros
Más detallesUniversidad de Alcalá
Universidad de Alcalá Departamento de Electrónica CONVERSORES ANALÓGICO-DIGITALES Y DIGITALES-ANALÓGICOS Tecnología de Computadores Ingeniería en Informática Sira Palazuelos Manuel Ureña Mayo 2009 Índice
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 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 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 detallesACCESORIOS MEDIO AMBIENTE, S.L MANUAL DE INSTRUCCIONES MANÓMETRO DIFERENCIAL MPD 1326
ACCESORIOS MEDIO AMBIENTE, S.L MANUAL DE INSTRUCCIONES MANÓMETRO DIFERENCIAL MPD 1326 CARACTERÍSTICAS El manómetro de presión diferencial MPD 1326 está indicado para la medida y control de la presión diferencial
Más detallesTema 9. SISTEMAS COMBINACIONALES PROGRAMABLES SISTEMAS COMBINACIONALES PROGRAMABLES NO UNIVERSALES
Fundamentos de Computadores. Sistemas Combinacionales Programables. T9-1 Tema 9. SISTEMAS COMBINACIONALES PROGRAMABLES INDICE: INTRODUCCIÓN CLASIFICACION DE LOS SCP SISTEMAS COMBINACIONALES PROGRAMABLES
Más detallesFUNCION NEURAL. Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion
FUNCION NEURAL Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion 1 CONTINUO CONTACTO 3 4 5 PRINCIPIOS DE LA NEURONA POLARIZACION DINAMINCA ESPECIFICAD DE CONEXIÓN PLASTICIDAD 6 POLARIZACION
Más detallesIntroducción a las redes neuronales aplicadas
Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos
Más detallesUso de datos DWOS en Lava Design
Información para el usuario 1/7 Uso de datos DWOS en Lava Design Instrucciones detalladas Introducción Este documento describe: cómo puede crear, con su sistema DWOS, datos de escaneo o de diseño para
Más detallesAnálisis de cerchas Método de las uniones
Seminario de Modelación Matemática em Arquitectura Análisis de cerchas Método de las uniones Determinar las fuerzas internas de cada uno de los miembros de la siguiente cercha: /2 500 lb 250 lb Y 3/2 X
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
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 detallesEL PAPEL DE LA ESTADISTICA EN O Y M. Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M.
EL PAPEL DE LA ESTADISTICA EN O Y M Objetivo: Identificar índices estadísticos, y métodos más convenientes, para aplicarlos en el estudio de O y M. O y M necesita apoyarse en la estadística que en casos
Más detallesSILABO DEL CURSO FUNDAMENTOS DE PROGRAMACIÓN
FACULTAD DE INGENIERÍA CARRERA DE INGENIERÍA DE SISTEMAS SILABO DEL CURSO FUNDAMENTOS DE PROGRAMACIÓN 1. DATOS GENERALES 1.1. Facultad : Ingeniería 1.2. Carrera Profesional : Ingeniería de Sistemas 1.3.
Más detallesINGENIERÍA EN MANTENIMIENTO INDUSTRIAL HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS
HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Sistemas Automatizados y Redes Industriales 2. Competencias Validar estudios de ingeniería y proyectos técnicoeconómicos
Más detallesMatemáticas. Si un error simple ha llevado a un problema más sencillo se disminuirá la puntuación.
UNIVERSIDAD POLITÉCNICA DE CARTAGENA PRUEBAS DE ACCESO A LA UNIVERSIDAD DE LOS MAYORES DE 25 AÑOS CONVOCATORIA 2014 CRITERIOS DE EVALUACIÓN Matemáticas GENERALES: El examen constará de dos opciones (dos
Más detallesClasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes. Sergio Roa Ovalle
Clasificación de Frases del Lenguaje Natural usando Redes Neuronales Recurrentes Sergio Roa Ovalle Universidad Nacional de Colombia Facultad de Ingeniería Departamento de Sistemas Bogotá 2002 Clasificación
Más detallesOperaciones básicas con hojas de cálculo
Operaciones básicas con hojas de cálculo Insertar hojas de cálculo. Para insertar rápidamente una hoja de cálculo nueva al final de las hojas de cálculo existentes, haga clic en la ficha Insertar hoja
Más detallesIntroducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica
Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica pgarcia@ull.es 1 Sumario Introducción Inspiración biológica Modelado Neuronal Implementaciones Aplicaciones Grupo de trabajo
Más detallesREDES AUTOORGANIZATIVAS II
Tema 5: Redes Autoorganizativas Sistemas Conexionistas 1 REDES AUTOORGANIZATIVAS II 1. Leyes de Grossberg. 1.1. Red de Contrapropagación. - Estructura. - Funcionamiento. - Limitaciones y Ventajas. 2. Teoría
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 detallesENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA
ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesInteligencia artificial: todo comienza con una neurona.
MEMORIAS DEL SEGUNDO CONCURSO DE INVESTIGACIÓN, DESARROLLO E INNOVACIÓN TECNOLÓGICA IDIT 2013 Inteligencia artificial: todo comienza con una neurona. Sandra Belén Bejarano Jiménez, Sofía Monserrat Pérez
Más detallesEjercicios. Arquitectura de Computadoras. José Garzía
jercicios de rquitectura de Computadoras José Garzía n la figura se representa el diagrama de flujo de un algoritmo. B X Y +B í + 7=? No B B+ C +B Los registros, B y C tienen una longitud de 8 bits. 7
Más detallesElectrónica Digital - Guión
Electrónica Digital - Guión 1. Introducción. 2. El álgebra de Boole. 3. Propiedades del álgebra de Boole. 4. Concepto de Bit y Byte. 5. Conversión del sistema decimal en binario y viceversa. 6. Planteamiento
Más detallesDr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental
Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado
Más detallesTema: Administración y respaldo de información.
1 Tema: Administración y respaldo de información. Objetivo general Implementar las herramientas de gestión de información y datos que proporciona el Sistema Operativo. Objetivos específicos Optimizar el
Más detallesLectura documentos con formato Office 2007 desde Office 2003 y XP
Pontificia Universidad Católica de Chile Lectura documentos con formato Office 2007 desde Office 2003 y XP Preparado por : Subdirección de Innovación Tecnológica Preparado para : Dirección de Informática
Más detallesObjetos de aprendizaje: Computadora
MOMENTO I. BLOQUE 1. Opera las funciones básicas del sistema operativo y garantiza la seguridad de la información Objetos de aprendizaje: Computadora Lectura 1: La Computadora La computadora es una máquina
Más detallesREDES NEURONALES INTRODUCCIÓN
REDES NEURONALES ABSTRACT By these days when we have to improve everything from our lives to the tools we use in order to mae easier the activities, where we locate our selves to analyze the importance
Más detallesCircuitería Básica, Leyes de Kirchhoff y Equivalente Thévenin
Circuitos de Corriente Continua Circuitería Básica, Leyes de Kirchhoff y Equivalente Thévenin 1. OBJETIVOS - Estudiar las asociaciones básicas de elementos resistivos en corriente continua: conexiones
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 detallesDISEÑO CURRICULAR ELECTRÓNICA DIGITAL
DISEÑO CURRICULAR ELECTRÓNICA DIGITAL FACULTAD (ES) CARRERA (S) Ingeniería Computación y Sistemas. CÓDIGO HORAS TEÓRICAS HORAS PRÁCTICAS UNIDADES DE CRÉDITO SEMESTRE 116243 02 02 03 VI PRE-REQUISITO ELABORADO
Más detallesFUERZAS MILITARES DE COLOMBIA EJÉRCITO NACIONAL
FUERZAS MILITARES DE COLOMBIA EJÉRCITO NACIONAL PROCESO MACROPROCESO: GESTIÓN APOYO Y SOPORTE ADMINISTRATIVO PAG 1 de 10 GESTIÓN TECNOLÓGICA 1. OBJETIVO PROCEDIMIENTO INSTRUCTIVO ADMINISTRACIÓN RECURSOS
Más detalles