Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
|
|
- Elisa Valenzuela Molina
- hace 5 años
- Vistas:
Transcripción
1 Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur
2 Regresión simbólica, búsqueda genética y algoritmos de estimación de distribuciones
3 Regresión lineal Regresión: encontrar la dependencia funcional de una variable respecto de otra u otras: y=f(x) En estadística se hace regresión lineal Hay que encontrar los parámetros Beta. Existe una fórmula para ello Y la regresión no lineal? 21/09/08
4 Regresión no lineal A partir de ciertos datos, encontrar la función f(x) que mejor los describa f(x 1, x 2,, x 5 )= + 3 * x 1 x 5 f(x) f()=3+x1*x5 21/09/08
5 Regresión, error y fitness Cómo medir el grado de parecido entre una función f() y los datos? Dato i = (entrada i, salida i ) = (x i1, x i2,, x i5, s i ) Errores e i = salida(dato i )-f(entrada(dato i )) Se suele utilizar el error cuadrático medio: es la media de los errores al cuadrado, entre la función y los datos 21/09/08
6 Dados: Regresión simbólica Un conjunto de funciones cualesquiera (ej: +, -, *, /, sin, log, ) Un conjunto de terminales (variables de entrada x 1,, x 5, constantes, ) Encontrar una función f(x 1, x 2, ) que describa bien los datos, minimizando por ejemplo el error cuadrático medio f()= + 3 * x 1 x 5
7 Idea de optimización por gradiente (valores continuos) Información para la búsqueda: el gradiente
8 Problemas de Optimización de estructuras cualesquiera Ejemplo: diseño de puentes, de alas de avión, regresión simbólica (funciones) Manera genérica de hacerlo: generar y probar (generate and test)
9 BÚSQUEDA GENÉTICA Simula la Teoría de la Evolución de Darwin en el ordenador El Origen de las Especies Darwin (1859) Idea: si la evolución natural ha sido capaz de producir animales adaptados a su entorno, la evolución simulada podría ser capaz de resolver problemas computacionales
10 TEORÍA DE LA EVOLUCIÓN Evolución: proceso de descendencia con cambios, y posiblemente diversificación Componentes: Población: de individuos Selección: Los individuos más adaptados sobreviven y se reproducen mejor (los que tienen mayor fitness) Variación: no todos los individuos son iguales, unos son más capaces y otros lo son menos Ocurre porque distintos individuos tienen distinto código genético (DNA) Se produce por mutaciones, recombinación sexual, errores de copia del DNA, etc Herencia: Transmisión de características de padres a hijos La evolución es incremental y acumulativa
11 El código genético Síntesis neodarwinista = teoría de la evolución + genética
12 Mutación de la tolerancia a la lactosa
13 Darwin contra Lamarck
14 Ejemplo: diseño de puentes s t w h1 h2 n s s h1 t h2 w n
15 Consideraciones Coste del puente (a mayor grosor, más caro) Coste=s*10+t*100+h1*w*10+h2*100 euros Resistencia del puente (pilones suficientemente gruesos para aguantarlo, número suficiente, etc.) Resistencia=50*n*w+100*s-30*(s/(n*w)) A optimizar f(puente) = 10*resistencia-coste s t w h1 h2 n
16 Ejemplo de puente s t w h1 h2 n Primera aproximación: generar y probar (calcular la f del puente)
17 Codificación binaria En muchas ocasiones, los valores se codifican en binario y no como valores reales Valores posibles para s,t,w,h1,h2= minimo (00), bajo (01), alto (10), máximo (11) Valores posibles para n=2 (00),3 (01),4 (10),5 (11) Cromosoma de un puente (ejemplo de algoritmos genéticos): s t w h1 h2 n
18 Generación de varios puentes al azar F(puente) Pregunta: Sabiendo esto, qué puente deberíamos generar a continuación?
19 Algoritmos de estimación de distribuciones (EDAs)
20 EDAs Poblaci ón Selección de los mejores Nueva población MODELO PROBABILÍSTICO APRENDIDO DE LOS MEJORES INDIVIDUOS
21 Usar vector de probabilidad (PBIL) Qué modelo utilizar?. El más simple es un vector de probabilidad, que indica la probabilidad de que cada bit esté a uno. Asume independencia entre los bits.
22 Population Based Incremental Learning PBIL [Baluja, 94] Probability model (0.1, 0.9, 0.5, 0.8) Population Update model with best individuals p i = p i.(1-lr) + LR.x i * 0.4
23 Population Based Incremental Learning [Baluja, 94] Aprende explícitamente un modelo probabilístico de las zonas interesantes del espacio de búsqueda Modelo probabilístico: Vector p=(p 1, p 2,..., p n ) p i indica la probabilidad de generar un 1 en la posición i del cromosoma x=(x 1, x 2,..., x n ) Inicialmente p=(0.5, 0.5,..., 0.5)
24 Population Based Incremental Learning [Baluja, 94] Se genera una población de x, se calcula su fitness y se actualiza p con los mejores M individuos Actualización: p i = p i.(1-lr) + LR.x i * Al final, p debería converger a una solución: p=(0.99, 0.001,..., 0.99)
25 Estimation of Distribution Algorithms (EDA s) 1. Generar población inicial 2. Seleccionar un número de los mejores individuos 3. Estimar la distribución 4. Generar una nueva población a partir de la distribución (en ocasiones, se mezcla la población original con la nueva) 5. Si no se termina, volver a 2
26 Probabilistic Incremental Program Evolution (PIPE) Aplicación de algoritmos EDAs para la evolución de programas PIPE [Salustowicz, Schmidhuber, 97] Evolución de árboles (parse trees) Búsqueda en el espacio de distribuciones de probabilidad de árboles Busca encontrar una distribución que genere buenos árboles
27 Probabilistic Incremental Program Evolution (PIPE) Los programas tienen: Funciones: F = {F 1,..., F k } Terminales: T = {T 1,..., T l } La Generic Random Constant (GRC): Cuando se la utiliza en la creación de programas, o bien toma un valor real aleatorio, o bien toma el valor fijo almacenado Hay que respetar el cierre (closure): Un ejemplo de división protegida es: %(a,b) = si (b<> 0) entonces (a/b) sino real-grande Un ejemplo de raíz cuadrada protegida es: Sqrt%(x) = si(x>=0) entonces (sqrt(x)) sino 0.0
28 Probabilistic Prototype Tree (PPT)
29 Inicialmente: Nodo inicial del PPT
30 Creación de la población inicial Se recorre el PPT de arriba abajo (comenzando en la raíz) y de izquierda a derecha) Se selecciona un símbolo del nodo según su probabilidad Si se selecciona R (la GRC), entonces: Si la prob(r) > threshold, entonces R Si no, generar aleatoriamente un valor para R
31 Tamaño del PPT Inicialmente, el PPT contiene sólo el nodo raíz Los nodos se van creando cuando son necesarios (cuando en un nodo hoja del PPT se selecciona una función, es necesario crear sus argumentos)
32 Crecimiento del PPT
33 Poda del PPT En caso de que en un nodo, uno de los símbolos tenga una probabilidad muy grande Variable x Sólo 1 argumento
34 Algoritmo PIPE 1. Población inicial 2. Evaluación de la población 3. Aprendizaje (adaptación del PPT): 1. Incrementar la prob. de que PPT genere el mejor programa 4. Poda del PPT (ramas con prob. muy baja)
35 Recordatorio PBIL
36 Adaptación del PPT Al igual que en PBIL, se trata de incrementar las probabilidades que aparecen en el mejor individuo
37 Detalles A partir de aquí vienen los detalles reales del algoritmo, pero no son importantes
38 Algoritmo PIPE Utiliza dos formas de aprendizaje: Generation based learning (GBL): actualiza el PPT en dirección al mejor programa encontrado en esa generación Elitist learning (EL): actualiza el PPT en dirección al mejor programa encontrado hasta el momento
39 Algoritmo PIPE 1. Población inicial 2. Evaluación de la población 3. Aprendizaje (adaptación del PPT): con probabilidad P el 1. Incrementar la prob. de que PPT genere el mejor programa de la generación actual 2. Incrementar la prob. De que PPT genere el mejor programa encontrado hasta el momento 4. Mutación del PPT (exploración alrededor del mejor) 5. Poda del PPT (ramas con prob. muy baja)
40 Adaptación del PPT 1. Sea PROG b el programa hacia el que se quiere adaptar el PPT (el mejor) 2. Se calcula probabilidad de generar PROG b con el PPT actual
41 Adaptación del PPT 3. Se calcula la probabilidad objetivo (la prob. con la que el nuevo PPT debería generar PROG b lr es la learning rate (cuanto más alta, más cambia el PPT) El cociente controla la magnitud del cambio (recordar que se minimiza) Si épsilon, grande, el aprendizaje es independiente de la fitness (el cociente vale 1)
42 Adaptación del PPT 4. Se iteran los cambios en el PPT, hasta que P(PROG b )=P TARGET (las probabilidades se actualizan en paralelo). c lr (0.1) controla la precisión final (valor pequeño) y la rapidez (grande)
43 Adaptación del PPT 5. Renormalización del PPT (se disminuyen las probabilidades de las instrucciones que no están en PROG b, proporcionalmente a su valor actual)
44 Adaptación del PPT 6. Se copian las constantes R de PROG b al PPT
45 Mutación del PPT Para explorar los programas alrededor de PROG b Se mutan las probabilidades Pj(Ij(PROG b )) (las instrucciones presentes en PROG b ) P Mp = probabilidad de mutación z = número de posibles instrucciones Dividir por PROG b evita que se mute más los árboles más grandes (aunque la raíz cuadrada da mayor número de mutaciones a dichos árboles. Justificación empírica)
46 Mutación del PPT Mutación: Después hay que normalizar:
BIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallesALGORITMOS GENÉTICOS. En lugar de envidiar la naturaleza debemos emularla Holland
ALGORITMOS GENÉTICOS En lugar de envidiar la naturaleza debemos emularla Holland Algoritmos genéticos Algoritmos basados en los principios de la evolución natural Se utilizan en problemas donde no se pueden
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesTratamiento probabilístico de la Información. INGENIERÍA DE SISTEMAS Cursada 2017
TEORÍ DE L INFORMCIÓN Tratamiento probabilístico de la Información Compresión de datos INGENIERÍ DE SISTEMS Cursada 7 COMPRESIÓN DE DTOS Objetivo: Reducir la cantidad de datos para representar la información,
Más detallesTEMA 3: Áreas de la IA: Ejemplos de investigación actual.
Tema 3: Áreas de la IA: Ejemplos de investigación actual pp. 1 TEMA 3: Áreas de la IA: Ejemplos de investigación actual. Algoritmos Genéticos 1 Introducción 2.1 Operadores Bibliografía Bibliografía S.
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesTutorías: 10:00 a 14:00 de lunes a viernes en el L (Solicitud mediante )
1 José María Font Fernández jm.font@upm.es Tutorías: 10:00 a 14:00 de lunes a viernes en el L-3101. (Solicitud mediante email) http://dl.dropbox.com/u/1074349/computacionevolutiva.pdf 2 o La Computación
Más detallesComputación Evolutiva Algoritmos Genéticos
Computación Evolutiva Algoritmos Genéticos Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Hace 200 años... Inteligencia Computacional - FICH - UNL La idea de que las especies
Más detallesCAPITULO 2: MARCO TEÓRICO. En el desarrollo de este capítulo se presentan descripciones generales,
CAPITULO 2: MARCO TEÓRICO En el desarrollo de este capítulo se presentan descripciones generales, definiciones y métodos, que nos pueden ayudar a entender con claridad el método que desarrolló en esta
Más detallesII Unidad EL ALGORITMO GENETICO BINARIO. Rafael Vazquez Perez
II Unidad EL ALGORITMO GENETICO BINARIO Rafael Vazquez Perez Contenido 2.1.- Algoritmos Genéticos: La Selección Natural en una Computadora 2.2.- Componentes de un Algoritmo Genético 2.2.1.- Selección de
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur EVALUACIÓN Evaluación: entrenamiento y test Una vez obtenido el conocimiento es necesario validarlo para
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detallesTema 3. Algoritmos de Estimación de Distribuciones
Tema 3 Algoritmos de Estimación de Distribuciones Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal
Más detalles3. Algoritmo genético
3. Algoritmo genético 3.1 Antecedentes El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Se presentarán aquí los conceptos básicos más importantes para entender
Más detallesBases de Datos Multimedia
Bases de Datos Multimedia Capítulo 3 Algoritmos de búsqueda por similitud Este material se basa en el curso de Base de Datos Multimedia del DCC de la Universidad de Chile (Prof. Benjamín Bustos). 3.1 Conceptos
Más detallesAprendizaje inductivo no basado en el error Métodos competitivos supervisados.
Aprendizaje inductivo no basado en el error Métodos competitivos supervisados. Aprendizaje basado en instancias Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido
Más detallesAlgoritmos Culturales en Manejo de Restricciones
en Algoritmos Evolutivos Algoritmos Culturales en Manejo de Restricciones por Ricardo Landa abril de 2003 1 Algoritmos Culturales Los algoritmos culturales fueron desarrollados por Robert G. Reynolds,
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN 5. MODELOS: GENERACIONAL vs ESTACIONARIO
Más detallesJesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL
Jesús García Herrero TÉCNICAS DE REGRESIÓN NO LINEAL En esta clase se presenta un método de inducción de modelos numéricos de regresión a partir de datos. En el tema de técnicas clásicas se presentó la
Más detallesEstructuras de Datos II
Estructuras de Datos II Segundo Parcial Los árboles B+ son estructuras de datos jerárquicas que se utilizan para almacenar y manipular datos ordenados de forma muy eficiente, ya que por su estructura y
Más detallesMATRIZ DE ARBOLES DE DECISION
MATRIZ DE ARBOLES DE DECISION Los árboles son un subconjunto importante de los grafos, y son una herramienta útil para describir estructuras que presentan algún tipo de jerarquía. Las dificultades de las
Más detallesConceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales. Clase 12 CIA Clase 5 SIA Algoritmos genéticos Búsqueda adversaria
Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 12 CIA Clase 5 SIA Algoritmos genéticos Búsqueda adversaria Dr. Luciano H. Tamargo http://cs.uns.edu.ar/~lt Departamento
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesUnidad 5: Entropía y Fuente del Teorema de Codificación de Shannon
Unidad 5: Entropía y Fuente del Teorema de Codificación de Shannon En ésta unidad empezamos a ver la teoría de la información, al cual nos permitirá aprender mas sobre las propiedades fundamentales de
Más detallesUnidad VI Algoritmos Genéticos
Unidad VI Algoritmos Genéticos Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Viernes 18-21 Rafael Vázquez Pérez Agenda Cuando las leyes de la matemática se refieren a la realidad,
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, juanjo} @ aic.uniovi.es La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesClasificación Supervisada. Métodos jerárquicos. CART
Clasificación Supervisada. Métodos jerárquicos. CART Ricardo Fraiman 2 de abril de 2010 Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y n ) E {1,..., m}. Típicamente E = R d.
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesCOLEGIO PROVINCIAL DE EDUCACION SECUNDARIA N 22 GREGORIO ALVAREZ. Actividades de Biología
COLEGIO PROVINCIAL DE EDUCACION SECUNDARIA N 22 GREGORIO ALVAREZ Actividades de Biología Prof. Vargas Erika Curso: 2er año A y B Fecha de entrega: 06/12/17 Año: 2017 Tema: Teorías de la Evolución Biológica
Más detallesProgramacion Genetica
Programacion Genetica PG a Vuelo de Pajaro Desarrollado: EEUU en los 90s Pioneros: J. Koza pero Generalmente aplicado a: prediccion, clasificacion Propiedades generales: compite con NN y similares necesita
Más detalles12/08/2017 AVL. Especificación sobre árboles AVL. AVL: rotaciones
VL Se dice que un árbol binario está balanceado si y sólo si en cada nodo las alturas de sus 2 subárboles difieren como máximo en 1. Todos los árboles perfectamente balanceados son árboles VL. Especificación
Más detallesAlgoritmo de la gradiente descendente
Universidad TELESUP Ingeniería de Sistemas Ciclo 2017-I Algoritmo de la gradiente descendente Gradiente descendente es un algoritmo que nos permite resolver el problema de minimización de una función genérica
Más detallesALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL
ALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL Palabras claves: optimización, algoritmos genéticos, robustez. Resumen Amador, Niño Jairo* Este documento presenta una introducción a los algoritmos genéticos
Más detalles3. Métodos de resolución
1 3. Métodos de resolución Ecuaciones algebraicas lineales Ecuaciones algebraicas no lineales Métodos para una variable Métodos para multivariable 2 Ecuaciones Algebraicas Lineales No lineales Interval
Más detallesCALCULO NUMERICO (MB535) PRIMERA PRACTICA CALIFICADA (PARTE A)
UNIVERSIDAD NACIONAL DE INGENIERIA Ciclo :005- FACULTAD DE INGENIERIA MECANICA AREA ACADEMICA DE CIENCIAS BASICAS INDICACIONES CALCULO NUMERICO (MB535) PRIMERA PRACTICA CALIFICADA (PARTE A) 1. Resolver
Más detallesEstado 0 (valor = 3) Estado 2 (valor = 7) Estado 1.3 (valor = 9)
Búsqueda local Fernando Berzal, berzal@acm.org Búsqueda local Ascensión de colinas Enfriamiento simulado Algoritmos genéticos 1 Ascensión de colinas Ascensión de colinas simple E: Estado activo while (E
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesPROPUESTA DE MINOR. SCT MA3403 o
PROPUESTA DE MINOR La siguiente ficha de proposición de minor será evaluada por el Consejo de Escuela para su aprobación. Un minor es un paquete autocontenido de cursos electivos coherentemente integrados
Más detallesEstructuras de datos: Árboles binarios de
Estructuras de datos: Árboles binarios de búsqueda, Facultad de Informática Universidad de A Coruña Table of Contents Árboles binarios de búsqueda 1 Árboles binarios de búsqueda 2 Table of Contents Árboles
Más detallesAnálisis de algoritmos
Practica 04: Codificación voraz de Huffman Entrega vía Web: 05 de Julio de 2015 M. en C. Edgardo Adrián Franco Martínez http://computacion.cs.cinvestav.mx/~efranco @efranco_escom edfrancom@ipn.mx 1 Contenido
Más detallesOPTIMIZACIÓN DE MODELOS
OPTIMIZACIÓN DE MODELOS SISTEMA DECIMAL Sistema numérico que utiliza al 10 como base y requiere 10 números. 156.7 1x10 2 + 5x10 1 + 6x10 0 + 7x10-1 = 100 + 50 + 6 +0.7 = 156.7 SISTEMA BINARIO Sistema que
Más detallesMétodo de los Mínimos Cuadrados Recursivos
Método de los Mínimos Cuadrados Recursivos Teodoro Alamo a Ingeniería de Control Tercer Curso GITI Escuela Superior de Ingenieros Sevilla Formulación del problema Supongamos que los escalares y i, i =
Más detallesAlgoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas.
Algoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas. Dr. Pedro Flores Pérez EMNO 2013 Orígen del problema Entradas Salidas
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesUnidad Didáctica 4. Distribuciones de Probabilidad II. Departamento de Estadística e Investigación Operativa Aplicadas y Calidad
Unidad Didáctica 4 Distribuciones de Probabilidad II Departamento de Estadística e Investigación Operativa Aplicadas y Calidad UD 4 Distribuciones de Probabilidad Esta presentación corresponde a la Parte
Más detallesCompresión. UCR ECCI CI-2414 Recuperación de Información Prof. M.Sc. Kryscia Daviana Ramírez Benavides
UCR ECCI CI-2414 Recuperación de Información Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Grandes cantidades de información textual en la Internet. Se desea representar esta información con
Más detallesAritmética del Computador
Facultad de Ingeniería Mecánica Universidad Nacional de Ingeniería Métodos Numéricos Contenido 1 Introducción 2 Teoria de Errores 3 Aritmetica del computador Introducción al estudio de métodos computacionales
Más detallesSistemas basados en la Teoría de Números
Criptografía de clave pública Sistemas basados en la Teoría de Números Departamento de Sistemas Informáticos y Computación DSIC - UPV http://www.dsic.upv.es p.1/20 Criptografía de clave pública Sistemas
Más detallesMinería de Datos Web. Cursada 2018
Minería de Datos Web Cursada 2018 Proceso de Minería de Texto Clustering de Documentos Clasificación de Documentos Es un método supervisado para dividir documentos en base a categorías predefinidas Los
Más detallesARBOLES B. Lo que si es cierto es que la letra B no significa "binario", ya que:
ARBOLES B El problema original comienza con la necesidad de mantener índices en almacenamiento externo para acceso a bases de datos, es decir, con el grave problema de la lentitud de estos dispositivos
Más detallesÍNDICE. Introducción... Capítulo 1. Técnicas de minería de datos y herramientas... 1
ÍNDICE Introducción... XI Capítulo 1. Técnicas de minería de datos y herramientas... 1 Clasificación de las técnicas de minería de datos y herramientas más comunes... 1 Modelado originado por la teoría
Más detallesTeoría del valor extremo como criterio de parada en la optimización heurística de bóvedas de hormigón estructural
VII Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados MAEB 2010 Valencia, 8-10 Septiembre 2010 Teoría del valor extremo como criterio de parada en la optimización heurística
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesINDICE. Procedimiento 4. Mutación Paramétrica. 8
INDICE Introducción. 3 Objetivo 4 Procedimiento 4 Algoritmo Principal. 6 Inicialización de la Población 6 Función de Aptitud.. 7 Selección de la Nueva Población. 7 Mutación Estructural 8 Mutación Paramétrica.
Más detallesPruebas estadís,cas para evaluar relaciones
Pruebas estadís,cas para evaluar relaciones Asociación entre dos variables categóricas Hipótesis: frecuencias de ocurrencias en las categorías de una variable son independientes de los frecuencias en la
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T9: Árboles de Decisión www.aic.uniovi.es/ssii Sistemas Inteligentes T9: Árboles de decisión Índice Árboles de decisión para clasificación Mecanismo de inducción: divide y vencerás
Más detallesClasificación de estados cerebralesusando neuroimágenes funcionales
Clasificación de estados cerebralesusando neuroimágenes funcionales Clase 2: Reconocimiento de patrones en datos de neuroimagenes Enzo Tagliazucchi (tagliazucchi.enzo@googlemail.com) Primera clase: introducción
Más detallesUniversidad Tecnológica Nacional Facultad Regional Buenos Aires Introducción a la Inteligencia Artificial. Algoritmos Geneticos
Página 1 de 9 Índice 1 Introducción... 1 1.1 Estructura básica de un Programa Evolutivo... 3 2 Algoritmos Genéticos. Qué son?... 3 2.1 Optimización de una función simple... 4 2.2 Población Inicial... 4
Más detallesCI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesGUÍA DOCENTE DE LA ASIGNATURA
Grado en Ingeniería Química GUÍA DOCENTE DE LA ASIGNATURA Estadística Curso Académico 2011-2012 1 1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo / materia Código y denominación Créditos
Más detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesFactorización de Árboles de Probabilidad
Factorización de Árboles de Probabilidad Irene Martínez, Serafín Moral 2, Carmelo Rodríguez 3 y Antonio Salmerón 4 2 3,4 Dept. Lenguajes y Computación. Universidad de Almería Dept. Ciencia de la Computación
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detalles4ta. Práctica. Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta. Inteligencia Artificial Prácticas 2004/2005
4ta. Práctica Búsqueda en árbol con contrincante: MiniMax con poda Alfa-Beta Inteligencia Artificial Prácticas 2004/2005 Decisiones Perfectas en Juegos de DOS Participantes Definición de Juego Estado Inicial:
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesCódigos IRA. Máster en Multimedia y Comunicaciones Comunicaciones Digitales. Luca Martino
Códigos IRA Máster en Multimedia y Comunicaciones Comunicaciones Digitales Luca Martino Codificación de Canal! Supongamos tener un canal binario discreto, simétrico sin memoria:! Objetivo: encontrar una
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesPrerrequisitos de la asignatura Álgebra Lineal Numérica
Prerrequisitos de la asignatura Álgebra Lineal Numérica El propósito de Álgebra Lineal Numérica es analizar algoritmos típicos de álgebra lineal, optimizando la rapidez y la precisión. Para analizar la
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesTema 1: Conceptos generales del Análisis
Tema 1: Conceptos generales del Análisis Numérico Cálculo Numérico I Anna Doubova y Blanca Climent Ezquerra Dpto. EDAN, Universidad de Sevilla 11 de febrero de 2018 A.Doubova y B. Climent Conceptos generales
Más detallesPráctica 4. Contenido: Estructuras de control iterativas (while, do-while, for). Sentencias break y continue.
CI-2125 Computación I Práctica 4 Contenido: Estructuras de control iterativas (while, do-while, for). Sentencias break y continue. 1. Suponga que un estudiante cambia 5 barajitas en un día. Cada día siguiente
Más detallesFunciones de dos variables:extremos locales de funciones de dos variables. Condición necesaria. Teorema de los valores extremos.
Funciones de dos variables:extremos locales de funciones de dos variables. Condición necesaria.. 1 1 Departamento de Matemáticas. Universidad de Alcalá de Henares. Contenidos 1 Introducción 2 3 4 Índice
Más detallesTema 5: Búsqueda local y algoritmos genéticos
Tema 5: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial
Más detallesExamen Parcial. Attr1: A, B Attr2: A, B, C Attr3 1, 2, 3 Attr4; a, b Attr5: 1, 2, 3, 4
Aprenentatge 0-03 Q Examen Parcial Nombre: (Examen ) Instrucciones. (0 puntos) Este examen dura horas. Responded todas las preguntas en estas hojas. Para las preguntas test poned un circulo alrededor de
Más detallesMetaheurísticas
UNIVERSIDAD DE GRANADA E.T.S.I. INFORMÁTICA Y TELECOMUNICACIÓN Departamento de Ciencias de la Computación e Inteligencia Artificial Metaheurísticas http://sci2s.ugr.es/graduatecourses/metaheuristicas https://decsai.ugr.es
Más detallesEstadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)
Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1) Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 24 de octubre de 2016 M.Bourel
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 detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesInteligencia Computacional (IA95 021) Algoritmos Simples de Optimización Ciega
Algoritmos Simples de Optimización Ciega c M. Valenzuela 1996 2002 (17 de enero de 2006) 1. Optimización ciega 1.1. Introducción Algoritmos genéticos y recocido simulado son métodos de optimización ciega.
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Entrada: Objetos caracterizables mediante propiedades. Salida: En árboles de decisión: una decisión (sí o no). En árboles de clasificación:
Más detalles