ALGUNOS MODELOS DE UNA NEURONA
|
|
- Josefa María Antonia Bustos Carmona
- hace 5 años
- Vistas:
Transcripción
1 ALGUNOS MODELOS DE UNA NEURONA w 1 Μ w 2 w m
2 ADALINE ADAptve Lnear Element Wdrow y Hoff 1960 w 1 Μ w 2 w m
3 El Adalne x 0 x 1 x 2 Μ Μ x m con w 2 w = x = w 1 w m v b m v m = w j x j + b = j= 1 = 0 [ b w w Λ w ] [ 1 x x Λ x ] t m m t w x y = φ v = t w x y = v
4 El Adalne Podemos tener como en el caso del perceptrón varos ADALINEs juntos y en este caso se le denomna MADALINE. Vamos a centrarnos en una sola neurona. El Entrenamento La regla de actualzacón de pesos es la LMS least mean square algorthm que se basa en el método de descenso de gradente para mnmzar la dferenca entre la salda deseada y la actual entrenamento supervsado. El método de descenso de gradente forma parte del conjunto de métodos de optmzacón sn restrccones. En el caso del perceptrón se requera que el problema fuera lnealmente separable. Aqu buscamos un clasfcador lneal que sea óptmo en algún sentdo mnmzando una funcón de costos. La dea es producr una secuenca de pesos Wn tal que en cada teracón la funcón de costos dsmnuya, esto se logra con correcones al vector en dreccón opuesta al gradente que resulta ser la de mayor descenso
5 Descenso de Gradente y La pendente de la funcón es el gradente de la tangente a la curva en ese punto p Δy δy P= Δy/Δx Δx x S Δx es pequeño, Δy reflejará en la dervada un cambo smlar a δy en yx en 1-D: S nco en a, para γ sufcentemente pequeño, b=a+γy a es tal que yb>=ya Hay Hay que que yb = ya + γ y a = ya + hy a +Oh 2 = ya +γ y a 2 > ya camnar en en dreccón h opuesta!!
6 Notacón: D es el conjunto de datos {x,d,=1,,,,,,l}, con x un vector Queremos mnmzar el error cuadrátco medo E w = 1 2 x D d 2 y Esta funcón por defncón es concava, dferencable y tene un mínmo.
7 Descenso de Gradente
8 El Adalne El gradente se calcula como: E E E w =,, Λ, w0 w1 E w m En el algortmo del descenso del gradente tomamos un paso en dreccón de máxmo descenso que es menos el gradente Δw ϖ = η Ew En cada componente Δw E = η w
9 El Adalne = = = = = D x D x D x D x D x x y d wx d w y d y d w y d y d w y d w w E
10 El Adalne Por lo tanto la regla de actualzacón es Δw = η x D d y x El método del gradente garantza convergenca haca 0 cuando los pesos snáptcos aproxman la relacón de entrada y salda. La convergenca el asntótca, mentras que en el caso del perceptrón sabemos que converge en un número fnto de pasos. OJO!!!! Hay dos tpos de actualzacones dstntas que nducen a tpos de convergenca dferentes: Actualzacón en lote y actualzacón contínua
11 El Adalne Actualzacón por lotes Batch update Repetr hasta satsfacer la condcón de parada - Buscar el gradente del error - w w η E D w E D w Actualzacón contnua Contnuos update Repetr hasta satsfacer la condcón de parada - Para cada par x,d en D ** Calcule E d ** w w η Ed w w = d y x
12 El Adalne En actualzacón contnua, usamos como funcón de error el error cometdo en la n-ésma teracón, mentras que en el descenso de gradente usamos la suma de los errores. Algortmo 1 Incar los pesos en valores aleatoros pequeños 2 Poner E=0 3 Para cada w, ncalzar Δw =0 4 Para cada x,den D - δ = d yx - E= E + δ 2 - Δw = Δw +ηδx, para =1.m 5 Para cada w actualzar w =w +Δw 6 S no se verfca la condcón de parada, contnuar al paso 2
13 El Adalne Este algortmo actualza los pesos al fnal de cada época en vez de contnuamente con cada presentacón de los estmulos, la convergenca está garantzada por la convergenca de descenso de gradente. Sn embargo el LMS que se presenta en el Hayn es la actualzacón contnua 1 Incar los pesos en valores aleatoros pequeños 2 Para cada x,den D - δ = d yx - w = w +ηδx, para =1.m
14 El Adalne propedades On-lne batch convergenca aproxmacones evaluacones Los pesos sguen una trayectora aleatora stochastc gradent descent. A medda que aumenta el número de teracones los pesos se comportan como un movmento Brownano. Aproxma la actualzacón por lotes batch cuando η es pequeño Converge al mínmo lentamente depende de η. S η es suf. pequeño los pesos sguen una trayectora suave. Mas efcente
15 Efecto del parámetro α η pequeña β η alta
16 El Adalne Se puede demostrar que LMS contínua converge s 0 < η < 2/λ max donde λ max es el mayor autovalor de la matrz de correlacón para las entradas. Un estmado esta dado por 0 < η < 2/trR x, donde trr x es la suma cuadrada de los estmulos. R x =E[x*x t ] A la actualzacón contínua se le puede mejorar su convergenca s se utlzan parámetros adaptatvos η=η 0 ηn=c/n aproxmacón estocástca ηn = η 0 /1+ n/τ
17 La curva de aprendzaje S hemos elegdo ben al parámetro de aprendzaje, en cada teracón vamos a acercarnos más haca un mínmo en nuestro caso global, por lo que el error en cada época debería ser menor que la anteror. MSE FAQ: Cómo Cómo es es la la curva curva de de aprendzaje del del perceptrón? Epoca Porqué no no es es monótona s s la la regla regla de de actualzacón es es la la msma?
18 Problemas que pueden resolver 1 Clasfcacón. Recordar que un ADALINE busca un hperplano. En esta aplcacón es el que separa. El error cometdo no será 0, por lo que típcamente la condcón de parada debe cambar. 1 Dferenca entre errores en épocas sucesvas sea pequeña 2 Número máxmo de épocas. 2 Regresón lneal. Se busca un modelo de la forma: Y = a + b 1 x 1 + b 2 x 2 + b 3 x b n x n 3 Modelos autorregresvos. Se busca un modelo de la forma: Y = a + b 1 xn + b 2 xn-1 + b 3 xn b xn-+1 4 Aproxmacón polnómca. Se busca un modelo de la forma: Y = a + b 1 x + b 2 x 2 + b 3 x b x
19 Fjando deas 1. Defncón de red neural, vnculacón con cerebro humano. 2. Paradgmas del aprendzaje. 3. Defnmos una red neural artfcal. 4. Modelos de una neurona: 1. Perceptrón 1. Neurona no lneal. 2. Clasfcacón, data lnealmente separables. 3. Usa LMS actualzacón contínua como regla de aprendzaje. 4. Convergenca garantzada para cualquer valor de la tasa de aprendzaje. 2. Adalne 1. Dspostvo lneal. 2. Usa LMS como regla de aprendzaje. 3. Convergenca garantzada según estlo de teracón, sensble a cambos en la tasa de aprendzaje. 5. Vmos ejemplos de declaracón de cada dspostvo en Matlab.
20
21 Haca donde vamos? Hay problemas dfícles de resolver con una sola neurona, o con una capa de neuronas y hace falta recurrr a arqutecturas más complejas para resolverlas. Vamos a ver redes artfcales con más de una capa de neuronas, y la forma de aprendzaje: retropropagacón Bacpropagaton
Optimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 21. Redes Neuronales. 2
Procesamento Dgtal de Imágenes Pablo Roncaglolo B. Nº Redes Neuronales prb@7 Redes Neuronales Báscas Células de McCulloch&Ptts El Perceptrón ADALINE El Perceptrón n Multcapa prb@7 Celulas de McCulloch-Ptts
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Examen Final
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Examen Fnal Pregunta ( punto) Responda brevemente a las sguentes preguntas: a) Cuál es el obetvo en el aprendzae del Perceptron
Más detallesProblemas de Optimización. Conceptos básicos de optimización. Indice. Un problema de optimización NLP. Equivalencias. Contornos / Curvas de nivel
Conceptos báscos de optmzacón Problemas de Optmzacón Prof. Cesar de Prada Dpt. Ingenería de Sstemas y Automátca UVA prada@autom.uva.es mn J() h() = g() Problema general NPL Para encontrar una solucón al
Más detallesMAGNITUD: propiedad o cualidad física susceptible de ser medida y cuantificada. Ejemplos: longitud, superficie, volumen, tiempo, velocidad, etc.
TEMA. INSTRUMENTOS FÍSICO-MATEMÁTICOS.. SISTEMAS DE MAGNITUDES Y UNIDADES. CONVERSIÓN DE UNIDADES. MAGNITUD: propedad o cualdad físca susceptble de ser medda y cuantfcada. Ejemplos: longtud, superfce,
Más detallesRedes Neuronales Support Vector Regression
Redes Neuronales Support Vector Regresson Seres Temporales Máster en Computacón Unverstat Poltècnca de Catalunya Dra. Alca Troncoso Lora Contendo Introduccón Redes Neuronales: Aplcacón Support Vector Regresson:
Más detallesSimulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.
Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón
Más detallesMuchos organismos biológicos poseen sistemas muy sofisticados de reconocimiento de patrones (RP).
Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesIntroducción al Método de los Elementos Finitos
S 4 v v 5 Introduccón al Método de los Elementos Fntos Parte 4 Estmacón de error en problemas elíptcos Alberto Cardona, Víctor Facnott Cmec-Intec (UNL/Concet), Santa Fe, Argentna Estmacón de error en problemas
Más detallesOptimización no lineal
Optmzacón no lneal Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu CONENIDO PROBLEMAS DE PROGRAMACIÓN NO LINEAL IPOS DE PROBLEMAS NLP CLASIFICACIÓN DE MÉODOS
Más detallesCátedra Investigación Operativa
Cátedra Investgacón Operatva Prof. Ttular Prof. Adunto JTP JTP Dr. Ing. Jorge E. Núñez Mc Leod Ing. Horaco Day Ing. Roberto Martín (lcenca) Ing. Romna Calvo Olvares Clases: Aula: Vernes 9:-: hs. Teórco-práctcos
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detallesExtracción de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Extraccón de Atrbutos Dr. Jesús Arel Carrasco Ochoa arel@naoep.mx Ofcna 8311 Contendo Introduccón PCA LDA Escalamento multdmensonal Programacón genétca Autoencoders Extraccón de atrbutos Objetvo Preprocesamento
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesMáquinas de Vectores Soporte (SVM)
Máqunas e Vectores Soporte SVM Estructura: re estátca asaa en kernels que realza clasfcacón lneal sore vectores transformaos a un espaco e mensón superor es ecr separa meante un perplano en el espaco transformao
Más detalles5 Métodos iterativos para la resolución de ecuaciones algebraicas lineales Método de Gauss-Jacobi Método de Gauss-Seidel...
CONTENIDO 5 Métodos teratvos para la resolucón de ecuacones algebracas lneales 95 5.1 Método de Gauss-Jacob................................ 95 5.2 Método de Gauss-Sedel................................
Más detallesMétodos Matemá5cos en la Ingeniería Tema 1. Ecuaciones no lineales
Métodos Matemá5cos en la Ingenería Tema. Ecuacones no lneales Jesús Fernández Fernández Carmen María Sordo García DEPARTAMENTO DE MATEMÁTICA APLICADA Y CIENCIAS DE LA COMPUTACIÓN UNIVERSIDAD DE CANTABRIA
Más detallesCyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.
CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón
Más detallesIntroducción. Reproducción
Introduccón Muchos organsmos bológcos poseen sstemas muy sofstcados de reconocmento de patrones (RP). La sofstcacón de estos sstemas se debe a que ofrecen ventajas de tpo evolutvo. Supervvenca Reconocmento
Más detallesEn general puede representarse por : Clase 6 3
Encontrar raíces de uncones es uno de los problemas más comunes en ngenería Los métodos numércos para encontrar raíces de uncones son utlzados cuando las técncas analítcas no pueden ser aplcadas. Esto
Más detallesSoftmax Fernando Berzal,
Softma Fernando Berzal, berzal@acm.org Softma El uso del error cuadrátco como medda de error tene algunos nconvenentes: S la salda deseada es la salda actual es 0.00000 el gradente es práctcamente 0, por
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesVectores en el espacio
ectores en el espaco Los puntos y los vectores en el espaco se pueden representar como ternas de números reales (a,b,c) c b a Por el Teorema de Ptagoras, la norma del vector = (a,b,c) es = a 2 +b 2 +c
Más detallesDESPACHO ECONOMICO UTILIZANDO PROGRAMACIÓN LINEAL, CON PASOS CONTROLADOS
7 energétca Vol. XXIV, No. 2/2003 APLICACIONES INDUSTRIALES DESPACHO ECONOMICO UTILIZANDO PROGRAMACIÓN LINEAL, CON PASOS CONTROLADOS Dr. Ing. Manuel Barroso Baeza. Dra. Ing. Mram López Pérez. Resumen /
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Redes de Neuronas: Preparacón de datos para el aprendzaje y meddas de evaluacón 1. Preparacón de datos Característcas de los datos
Más detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detallesDra. Ma. del Pilar Gómez Gil Ciencias Computacionales, INAOE
Intelgenca Computaconal II Redes Recurrentes Versón: 8-Juno-5 Dra. Ma. del Plar Gómez Gl Cencas Computaconales, INAOE pgomez@naoep.mx Redes Neuronales Recurrentes Presentan retro-almentacón, esto es, la
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones Algebracas No Lneales
Más detallesMETODOS NUMERICOS CATEDRA 0 6. Ingeniería Civil ING.CRISTIANCASTROP. Facultad de Ingeniería de Minas, Geología y Civil
ING.CRISTIANCASTROP. CATEDRA 0 6 Facultad de Ingenería de Mnas, Geología Cvl Departamento académco de ngenería de mnas cvl METODOS NUMERICOS Ingenería Cvl ING.CRISTIANCASTROP. Captulo VI Sstema de Ecuacones
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesFugacidad. Mezcla de gases ideales
Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar
Más detallesCapítulo 2.2: Redes Neuronales Artificiales
Capítulo 2.2: Redes euronales Artfcales captulo22 4-3-05 Págna de 3 . eurona natural Hemos vsto que una neurona en el hombre funcona por mpulsos eléctrcos que se generan cuando se cumplen unas determnadas
Más detallesReconocimiento de Patrones. Autores: José Luis Alba - Universidad de Vigo Jesús Cid - Universidad Carlos III de Madrid
Reconocmento de Patrones Autores: José Lus Alba - Unversdad de Vgo Jesús Cd - Unversdad Carlos III de Madrd Ultma revsón: mayo de 2006 Índce Introduccón Esquema general del análss de mágenes Elementos
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesETSETB- DEPARTAMENT D ENGINYERIA ELECTRONICA
UPC UIVERSITAT POLITECICA E CATALUYA ETSETB- EPARTAMET EGIYERIA ELECTROICA Curso de Redes euronales Artfcales (000-00 Aprendzaje Estadístco $XWRU 6HUJL %HUPHMR 5HVSRQVEOH GHO FXUVR -RQ &EHVWQ\ Aprendzaje.
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesICI3140 Métodos Numéricos. Profesor : Dr. Héctor Allende-Cid
ICI3140 Métodos Numércos Proesor : Dr. Héctor Allende-Cd e-mal : hector.allende@ucv.cl Proyecto Tópcos: Numercal Optmzaton Mínmos Cuadrados Numercal Lnear Algebra: SVD QR NMF Dmensonalty Reducton PCA ICA
Más detallesGeometría diferencial de superficies en el espacio
Geometría dferencal de superfces en el espaco Marano Suárez-Álvarez 31 de agosto, 2015 1 Superfces en el espaco 1 1.1 Cartas y superfces..................... 1 1.2 Funcones dferencables..................
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesSistemas de Reconocimiento de Patrones
Capítulo 3 Sstemas de Reconocmento de Patrones 3.1. Introduccón La señal del habla tal y como ha sdo analzada en el capítulo anteror posee característcas comunes para las dstntas muestras de las msma undades
Más detallesUNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE. Dpto. de Métodos Cuantitativos e Informáticos. Universidad Politécnica de Cartagena.
UNA FORMA GRÁFICA DE ENSEÑANZA: APLICACIÓN AL DUOPOLIO DE COURNOT. Autores: García Córdoba, José Antono; josea.garca@upct.es Ruz Marín, Manuel; manuel.ruz@upct.es Sánchez García, Juan Francsco; jf.sanchez@upct.es
Más detallesFUNCION DE BASE RADIAL Radial Basis Function (RBF)
FUNCION DE BASE RADIAL Radal Bass Functon () Característcas generales y dferencas resaltantes con los modelos neuronales multcapas (Bakpropagaton): Broomhead y Lowe, 988, ntroducen un método alternatvo
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detalles4. La Factorización No Negativa de Matrices
4. La Factorzacón No Negatva de Matrces 4.1 Introduccón Un problema bastante extenddo en dferentes técncas de análss de datos consste en encontrar una representacón adecuada de los datos. Un tpo de representacón
Más detallesMDE.Representación superficie
MDE.Representacón superfce Representacón superfce a partr de datos (observacones). Problema : Cómo crear superfces dscretas y contnuas para representar la varacones de altura en el espaco?. Construccón
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesAgenda del 17/5/2017
Agenda del 17/5/2017 Regresón lneal Idea y orgen La geometría de los mínmos cuadrados Los problemas numércos que conducen a malos resultados. Ejemplo real. Mínmos cuadrados no lneales Demostracón de software
Más detallesUdelaR Facultad de Ciencias Curso de Física I p/lic. Física y Matemática Curso 2011 CINEMÁTICA
UdelaR Facultad de Cencas Curso de Físca I p/lc. Físca y Matemátca Curso 011 1.- CINEMÁTICA UNIDIMENSIONAL CINEMÁTICA Partícula- Modelo de punto materal, de dmensones desprecables. Ley horara x (t) Funcón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesProblemas de Condiciones de Contorno para Ecuaciones Diferenciales Ordinarias
Problemas de Condcones de Contorno para Ecuacones Dferencales Ordnaras Segundo curso Grado en Físca Índce Introduccón Métodos de dsparo Método de dsparo para resolver problemas de ODE con condcones de
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesPRÁCTICA 4. INDUCCIÓN ELECTROMAGNÉTICA. A. Observación de la fuerza electromotriz inducida por la variación de flujo magnético
A. Observacón de la fuerza electromotrz nducda por la varacón de flujo magnétco Objetvo: Observacón de la presenca de fuerza electromotrz en un crcuto que sufre varacones del flujo magnétco y su relacón
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesCAMPOS DE VELOCIDADES DE LOS DISCOS
CAMPOS DE VELOCIDADES DE LOS DISCOS Los dscos galáctcos se modelan como anllos crculares concéntrcos. S Ω es la velocdad angular del anllo y r el vector que va hasta el centro, sendo n el vector untaro
Más detallesProblemas de Optimización usando el modelo de Hopfield
CLASE 5 de Marzo de 008 Undad Problema de Optmzacón uando el modelo de Hopfeld Modelo de Hopfeld contnuo Problema de optmzacón: Convertdor A/D, Problema del vaante, etc. Rede autoaocatva Red de Hopfeld
Más detallesAplicación de curvas residuo y de permeato a sistemas batch y en continuo
Aplcacón de curvas resduo de permeato a sstemas batch en contnuo Alan Dder érez Ávla En el presente trabajo se presentara de manera breve como obtener las ecuacones que generan las curvas de resduo, de
Más detallesINTEGRACIÓN MÚLTIPLE. Introducción. El volumen bajo una superficie. V V Ci
INTEGRCIÓN MÚLTIPLE Introduccón La ntegral defnda undmensonal aporta las herramentas necesaras para calcular áreas y volúmenes. hora ben, por lo que se refere al cálculo de volúmenes, no da respuesta al
Más detallesINTRODUCCION A LAS REDES NEURONALES ARTIFICIALES
UNIVERSIDAD TECNOLOGICA NACIONAL FACULTAD REGIONAL BUENOS AIRES Grupo de Intelgenca Artfcal (GIA) INTRODUCCION A LAS REDES NEURONALES ARTIFICIALES Fernando Tanco 1 1. Introduccón Redes Neuronales Artfcales
Más detallesFuentes de información
TEORÍA DE LA INFORMACIÓN Tratamento probablístco de la Informacón Fuentes de nformacón INGENIERÍA DE SISTEMAS Cursada 6 TRANSMISIÓN DE INFORMACIÓN decodfcacón automátca PRINCIPALES TEMÁTICAS DE LA TEORÍA
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales consttuyen una poderosa herramenta para modelar sstemas, especalmente no lneales, sean dnámcos o estátcos. El cerebro humano es una sstema muy complejo formado por
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesProcesado y Análisis de Datos Ambientales. Curso José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 2: MODELOS CLASIFICADORES
Procesado y Análss de Datos Ambentales. Curso 2009-200. osé D. Martín, Emlo Sora, Antono. Serrano TEMA 2: MODELOS CLASIFICADORES ÍNDICE Introduccón. Clasfcadores lneales. Árboles de decsón. Clasfcador
Más detallesREDES NEURALES. Modelo computacional para una neurona artificial: unidad de umbral binario.
REDES NEURALES REFERENCIAS 1943. McCULLOCH Y PITTS. ( A Logcal Calculus of Ideas Immanent n Neurous Actvty ). 1960. ROSENBLATT. El Perceptron. 1982. HOPFIELD. Enfoque energétco. Algortmo de aprendzae de
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesDeterminación de H-matrices. R. Bru, C. Corral, I. Gimenez, J. Mas
XX Congreso de Ecuacones Dferencales y Aplcacones X Congreso de Matemátca Aplcada Sevlla, 24-28 septembre 2007 (pp. 1 8) Determnacón de H-matrces R. Bru, C. Corral, I. Gmenez, J. Mas Insttut de Matemàtca
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesTERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA
Ing. Federco G. Salazar Termodnámca del Equlbro TERMODINÁMICA DEL EQUILIBRIO CAPÍTULO V. EQUILIBRIO DE REACCIÓN QUÍMICA Contendo 1. Conversón y Coordenada de Reaccón. 2. Ecuacones Independentes y Regla
Más detallesOptimización multicriterio. Andrés Ramos Universidad Pontificia Comillas
Optmzacón multcrtero Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu Contendo 1. Conceptos báscos 2. Métodos contnuos 3. Métodos dscretos Escuela Técnca
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detalles+ y 1 ; U 2 (x 2,y 2 ) = ax 2 (x 2) 2 2
13. Consdere un mercado en el que hay dos consumdores con las sguentes funcones de utldad: U 1 (x 1,y 1 = 4x 1 (x 1 + y 1 ; U (x,y = ax (x + y con 4 > a >0 donde x, =1,, es la cantdad del ben x consumda
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesClase 19: Estado Estacionario y Flujo de Potencia. EL Conversión de la Energía y Sistemas Eléctricos Eduardo Zamora D.
Clase 9: Estado Estaconaro y Flujo de Potenca EL400 - Conversón de la Energía y Sstemas Eléctrcos Eduardo Zamora D. Temas - Líneas de Transmsón - El Sstema Eléctrco - Matrz de Admtanca - Flujo de Potenca
Más detalles6.9 El trazador cúbico
4.9 El trazador cúbco El polnomo de nterpolacón es útl s se usan pocos datos y que además tengan un comportamento polnomal, así su representacón es un polnomo de grado bajo y adecuado. S no se cumplen
Más detalles