Un ejemplo de Procesamiento Conexionista: Una Simulación de recuperación de información
|
|
- Alba Monica Franco Vidal
- hace 5 años
- Vistas:
Transcripción
1 Un ejemplo de Procesamiento Conexionista: Una Simulación de recuperación de información Tomado (adaptado) de McClelland y Rumelhart. (1988) Parallel Distributed: A Handbook of Models, Pograms and Exercises. Cambridge, MA: MIT Press. DATOS Atlético-Madrid Nombre Equipo Edad Educación Estado Civil Ocupación Antón Atlético 40 Bachiller Soltero Camionero Raúl Madrid 30 Licenciado Divorciado Comercial Rafael Atlético 30 Bachiller Soltero Policía Luis Atlético 20 ESO Casado Albañil Sergio Madrid 20 ESO Soltero Peón Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 1
2 Antón Rafael Raúl Sergio Luis 40 Bachiller ESO Comercial Camionero Peón Policía Albañil Licenciado Atlético Soltero Casado Madrid Divorciado Componentes del Modelo a) La Unidades o nodos. Hay 26 unidades en el modelo: 5 unidades para cada persona. 5 unidades para cada nombre de la persona 16 unidades de las propiedades Las unidades se agrupan en siete clases; dentro de cada grupo las unidades son mutuamente exclusivas. Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 2
3 b) Activaciones: Cada unidad tiene asociado un valor de activación, activación u, Inicialmente a cada unidad se le da el "valor de reposo" de Cuando se ejecuta la simulación, las activaciones varían dinámicamente entre y +1.00, reflejando los efectos del input externo, la propagación de las activaciones desde las otras unidades del sistema y la decadencia sobre el tiempo. El input externo es la activación de ciertas unidades por el medio. Sólo las unidades de propiedades y de nombres pueden constituirse en inputs externos, son unidades visibles. Las unidades de personas no son accesibles desde fuera de la red, son unidades ocultas o invisibles. Su única fuente de cambio de activación, además de la degeneración, es la propagación de activación desde otras unidades con las que estén conectadas. c) Conexiones ponderadas: En este tipo de red, todas las conexiones son bidireccionales y tienen asignado un peso binario. Siempre hay una conexión de la unidad i a la unidad u con el peso ui, hay una conexión inversa de la unidad u a la unidad i con peso iu del mismo valor. (Convencionalmente, el orden de los subíndices es el inverso de la dirección de propagación de la activación). Específicamente, para cada unidad de persona hay una conexión excitadora (con peso 1) con el nombre y con cada una de sus propiedades. Así, una unidad de persona propaga la activación a todas sus unidades de propiedad, y una unidad de propiedad a todas las unidades de persona que la poseen. Se usan pesos de -1 para establecer conexiones inhibitorias entre las unidades dentro de su grupo. Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 3
4 Dinámica del Modelo Recuperación de la Información en la red Para simular una tarea de recuperación de la información se suministra un input a una o más de las unidades visibles. Por ejemplo, Para recuperar los datos de Antón, incrementamos en la unidad Antón (nombre). Las conexiones excitatorias en la red propagarán esta activación primero a la unidad Antón (persona), y desde allí a las unidades de las propiedades de Antón. Esta activación continuará reverberando a través de la red a lo largo de los numerosos ciclos de proceso, durante los cuales las unidades de las propiedades de Antón incrementarán la activación. Al mismo tiempo, cada unidad activa enviará inhibiciones a las otras unidades de su grupo. Cada cambio en la activación produce cambios adicionales en las otras unidades, y este proceso de cambio dinámico en los valores de la activación se puede repetir muchas veces. Después de un número de ciclos, el sistema se estabiliza de modo que el input a cada unidad será el que le permite mantener su activación actual (su atractor). En este momento sólo un subconjunto de las unidades tendrán altos valores de activación. En el ejemplo, las unidades que se estabilizan con alta activación incluyen a : Antón, Atlético, 40, Bachiller, Soltero y Camionero. Así al preguntar a la red por un nombre obtenemos las propiedades de la persona. Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 4
5 Las ecuaciones Sea u: la unidad para la que se calcula la activación. como índice, es el conjunto de todas las unidades a las que se aplica la ecuación. Sea i: la unidad (o unidades) que alimentan a u. Para propagar la activación, cada unidad i envía un output excitatorio o inhibitorio a cada unidad u con la que está conectada. Función de output: el output es igual a la activación si supera un umbral de cero y es cero en otro caso output i = activacion i si activacion i > 0 y output i = 0 en otro caso Cuando los valores resultantes de i se multiplican por el peso de su conexión con u, el valor resultante sirve como input de u: input ui = peso ui output i Para la red del ejemplo, en la que los pesos son o +1 o -1, el peso simplemente determina el signo del input, si es excitaorio o inhibitorio. input de red: la unidad u recibe un input de todas las unidades con las que está conectada. Usualmente, estos input sencillamente se añaden juntos, y el total multiplicado por su fuerza, es el valor resultante del input de red. Fuerza: la fuerza es un número que se selecciona para escalar al input por debajo de un grado deseado, el valor más bajo es el propio valor del input, y se incrementa según los cambios en los valores de activación. Como si u está en contacto con el medio puede recibir un input externo (es el caso de las unidades nombres), este parámetro permite ajustar la influencia relativa de un input externo frente a uno interno: redinput u = 0.1 peso ui. output i extinput u i Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 5
6 Sobre la base del input de red, la unidad incrementará o disminuirá su activación de acuerdo con la regla de activación que muestran las siguientes ecuaciones: a u = (max - a u ) (redinput u ) - (tasadecre) (a u - rest) si redinput > 0 a u = (a u - min) (redinput u ) - (tasadecre) (a u - rest) si redinput 0 Donde: a u es la activación actual a u representa el cambio a realizar en activacion u max es el valor máximo de activación que una unidad puede tomar (1 en el ejemplo) tasadecre es una tasa de decremento de la activación. La ecuación tiene dos términos: El primero calcula el cambio debido al input de red (un incremento para valores positivos y un decremento para valores negativos). (max - a u ) (redinput u ) expresa que si tenemos un input de red positivo, lo escalaremos por un multiplicador que depende de cuán lejos está la activación actual de la activación máxima. Así cuanto mayor sea el input de red y menos la activación actual, más se incrementa la activación El segundo es un termino de degradación que disminuye la activación. Con este diseño podemos realizar tareas de recuperación de las propiedades de un nombre, recuperación del nombre desde las propiedades, categorización, formación de prototipo y utilización de regularidades. Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 6
7 Interpretación Semántica de los sistemas conexionistas Al Diseñar una red conexionista que sirva como modelo de realizaciones humanas en algún dominio, hay que determinar cómo representaremos los conceptos relevantes en la red. Hay dos modos: a) Redes Locales: Cada concepto se asigna a una unidad (el ejemplo anterior es de este tipo). Este manera de representación tienen la ventaja de: La unidades pueden etiquetarse en el lenguaje natural y comprender mejor su funcionamiento. De todas formas esta interpretación es externa, la red no tiene noticia semántica alguna. Adecuadas para: Tareas de satisfacción de restricciones múltiples b) Redes Distribuidas: Cada concepto se representa por un patrón de activación a través de un conjunto de unidades. En este caso las unidades no tienen una interpretación semántica, sino que queda distribuida entre varias unidades. Adecuadas para: investigar los procesos de generalización Carlos Muñoz Gutiérrez. Departamento de Lógica y Filosofía de la Ciencia. 7
Aprendizaje no supervisado
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 4 1 Introducción Aprendizaje competitvo Otros algoritmos de agrupación 2 1 Introducción Características principales de las
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesMétodos de Aprendizaje en Redes Neuronales
11 de abril de 2011 Entrenamiento de redes feedforward (Backpropagation) Siendo {z m, t m } m=1...n un conjunto de n patrones de entrenamiento, con z m las entradas conocidas para el m ésimo patrón y
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesReferencias. Objetivos. El Reconocimiento Visual de Palabras. Tema 3. Psicología del Lenguaje
Referencias Reconocimiento i Visual de Palabras Tema 3. Psicología del Lenguaje Bibliografía Básica: Álvarez, C.J., Alameda, R. y Domínguez, A. (1999). El Reconocimiento de las Palabras: silábico. En M.
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesPERCEPCIÓN DEL LENGUAJE
PERCEPCIÓN DEL LENGUAJE Reconocimiento de palabras escritas Problemas teóricos: Procesamiento serial y/o paralelo Acceso Léxico Modelos A) PROCESOS SERIALES VS PARALELOS. Mecanimos implicados Naturaleza
Más detallesPERCEPCIÓN DEL HABLA Reconocimiento de Palabras Habladas
PERCEPCIÓN DEL HABLA Reconocimiento de Palabras Habladas En el reconocimiento de la palabra se acepta que, comúnmente, ocurren las siguientes fases de habla: Contacto inicial, Selección léxica, Reconocimiento
Más detallesEIE SISTEMAS DIGITALES Tema 10: Registros de desplazamiento. Nombre del curso: Sistemas Digitales Nombre del docente: Héctor Vargas
EIE 446 - SISTEMAS DIGITALES Tema 10: Registros de desplazamiento Nombre del curso: Sistemas Digitales Nombre del docente: Héctor Vargas OBJETIVOS DE LA UNIDAD Identificar las formas básicas de movimiento
Más detallesCAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS
CAPÍTULO 2 NÚMEROS PSEUDOALEATORIOS SOFTWARE PARA LA GESTIÓN DE PRODUCCIÓN Y OPERACIONES 10MO IPO LOS NÚMEROS PSEUDOALEATORIOS Para poder realizar una simulación que incluya variabilidad dentro de sus
Más detalles4. El perceptrón. 4.1 Introducción. 4.2 Consideraciones básicas
4. El perceptrón 4.1 Introducción El perceptrón es la forma más simple de una red neuronal usada para la clasificación de un tipo especial de patrones, los linealmente separables (es decir, patrones que
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detalles2.1.-Percepción del habla. Características.
TEMA 2. COMPRENSIÓN DEL LENGUAJE 2.1.- Percepción del habla Características del habla humana. Teorías de la percepción del habla. 2.2.- Percepción de la palabra escrita. 2.3.- Modelos de reconocimiento
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesDetección Multiusuario para DS-CDMA basado en SVM
9 Otra técnica basada en el aprendizaje y más conocida que la anterior es la basada en. Vamos a realizar una pequeña comparativa teórica de sobre ambas técnicas de clasificación. Estudiaremos los conceptos
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesCÓMO FUNCIONA UN PLC Control Combinacional Programación del PLC
CÓMO FUNCIONA UN PLC Control Combinacional Programación del PLC PROGRAMACIÓN DE PLC Procedimiento para programar y cargar: Determinar los requisitos del sistema al cual se aplica el PLC. Identificar los
Más detallesTema 2, 3 y 4 GRUPO 82 - INGENIERÍA INFORMÁTICA. Bernardo D Auria. 3 Diciembre Departamento de Estadística. Universidad Carlos III de Madrid
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 82 - INGENIERÍA INFORMÁTICA Diciembre 2008 Ejercicio T2-JN12 Comprueba que el problema lineal min x x 1 + x 2 2x x +
Más detallesRedes Neuronales Artificiales
Red de Hopfield Almacenar un conjunto de p patrones de forma tal que cuando se presente un nuevo patrón, la red responda produciendo alguno de los patrones previamente almacenados que más se parezca al
Más detalles5. ESTRUCTURAS DE REPETICIÓN
5. ESTRUCTURAS DE REPETICIÓN Las estructuras de repetición, permiten la ejecución de una lista o secuencia de instrucciones () en varias ocasiones. El número de veces que el bloque
Más detallesSIMULACION SCD NUMEROS PSEUDO ALEATORIOS. los números pseudo aleatorios
SIMULACION SCD- 1022 1.- NUMEROS PSEUDO ALEATORIOS los números pseudo aleatorios para poder realizar una simulación que incluya variabilidad dentro de sus eventos, es preciso generar una serie de números
Más detallesALGORITMICA Y PROGRAMACION REPÚBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN UNIDAD EDUCATIVA COLEGIO MICAELIANO
[Seleccione la fecha] LENGUAJE DE REPÚBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN UNIDAD EDUCATIVA COLEGIO MICAELIANO MÉRIDA ESTADO MÉRIDA ALGORITMICA Y LENGUAJE DE INTEGRANTE:
Más detallesCICLO ESCOLAR JULIO DICIEMBRE
CICLO ESCOLAR JULIO DICIEMBRE 2012-1 CATEDRÁTICO Lic. Rafael Gamas Gutiérrez. MATERIA Base de datos HORARIO (Día(s) y Hora) Sábado 18:00-20:00 TEMA 1. INTRODUCCIÓN A LAS BASES DE DATOS 1.1 Sistemas tradicionales
Más detallesRedes Neuronales Artificiales. MTI. Eduardo Cruz Romero
Redes Neuronales Artificiales MTI. Eduardo Cruz Romero Qué es una neurona? La neurona es la célula responsable de transferir la información y los impulsos eléctricos alrededor del cuerpo. Estructura Neuronal
Más detallesInvestigación de Operaciones 1
Investigación de Operaciones 1 Clase 4 Pablo Andrés Maya Mayo, 2014 Pablo Andrés Maya () Investigación de Operaciones 1 Mayo, 2014 1 / 10 Problema de portafolio La Universidad dispone de un presupuesto
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Las redes: Las redes están presentes en diferentes lugares en la vida real: redes de transporte, flujo eléctrico y comunicaciones, por ejemplo. Las redes: También son ampliamente
Más detallesProfesor: Leonardo Franco Despacho Web:
Asignatura: MODELOS COMPUTACIONALES Ingeniería a técnica t en informática de gestión Horario Clases: Martes y Jueves 7:30-9:30 Aula: 3.05 Profesor: Leonardo Franco Despacho 3.2.29 Email: lfranco@lcc.uma.es
Más detallesPsL Trb 1 ERRORES DEL HABLA
PsL Trb 1 ERRORES DEL HABLA Metodología. Supone coleccionar un gran corpus de errores grabando tantos como sea posible. Usualmente el investigador interrumpe al hablante cuando detecte el error, y le pregunta
Más detallesOPTIMIZACIÓN CLÁSICA. En el problema de optimización
OPTIMIZACIÓN CLÁSICA Definición En el problema de optimización ( ) ópt f (x 1,..., x n ), (x 1,..., x n ) F D el conjunto F recibe el nombre de conjunto factible y la función f el de función objetivo.
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 detallesMarcas de agua (Watermarking) en imágenes, aplicadas en el dominio espacial basadas en Correlación
Marcas de agua (Watermarking) en imágenes, aplicadas en el dominio espacial basadas en Correlación Godoy Matías, Mignola César Captura y Procesamiento Digital de Señales e Imágenes Trabajo práctico final
Más detallesCircuitos electrónicos digitales
Circuitos electrónicos digitales Universidad de Sevilla Tema 6 Unidades aritméticas y lógicas Índice Introducción Aritmética binaria Circuitos sumadores básicos Sumador de n bits Sumador/Restador Unidad
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesEsquemas repetitivos en Fortran 90. Esquemas repetitivos en Fortran 90. Esquemas repetitivos en Fortran 90. Tipos de Esquema
Los esquemas repetitivos permiten implementar iteraciones del lenguaje algorítmico (mientras, repetir, para, hasta). Podemos dividir los esquemas según: - Se conozcan el número de iteraciones a priori,
Más detalles1. Escalabilidad de transacciones de un motor de búsqueda Web.
Enfoque Token 1. Escalabilidad de transacciones de un motor de búsqueda Web. 2. Simulador de aplicaciones sobre utilización de dispositivos móviles como unidades de procesamiento. Tabla ruteo Red 3G/4G
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detalles3. Diseño de la solución
3. Diseño de la solución 3.1. Diseño del Algoritmo En el siguiente capítulo se desarrollará cada de las variables y requerimientos en el sistema de lógica difusa desarrollado. 3.2. Diagrama de bloques
Más detallesEstado civil: {casado/a, soltero/a, divorciado/a}
Universidad Rey Juan Carlos Curso 2011 2012 Inteligencia Artificial Ingeniería Informática Hoja de Problemas 9 1. Un banco quiere clasificar los clientes potenciales en fiables o no fiables. El banco tiene
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesEsquemas repetitivos en Fortran 90
Los esquemas repetitivos permiten implementar iteraciones del lenguaje algorítmico (mientras, repetir, para, hasta). Podemos dividir los esquemas según: - Se conozcan el número de iteraciones a priori,
Más detallesINTRODUCCIÓN AL USO DE PAQUETES COMPUTACIONALES
INTRODUCCIÓN AL USO DE PAQUETES COMPUTACIONALES TEMAS MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE DISPERSION MATRICES DEFINICIONES POBLACION: conjunto de elementos de referencia sobre el que se realizan las
Más detallesINSTRUCCIONES PARA CLASE
INSTRUCCIONES PARA CLASE Por equipo analice la información que se presenta a continuación sobre las funciones especiales y de manera individual en su libreta proceda a complementar la evidencia que debimos
Más detallesMÓDULO Nº7 REGISTROS Y CONTADORES
MÓDULO Nº7 REGISTROS Y CONTADORES UNIDAD: LÓGICA SECUENCIAL TEMAS: Registros. Contadores. OBJETIVOS: Explicar que es un registro, su clasificación y sus principales características. Explicar que es un
Más detallesRedes Neuronales Multicapa
Undécima sesión 16 de abril de 2010 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con
Más detallesCAPÍTULO 3: LA INDUCCIÓN CATEGÓRICA
1. INTRODUCCIÓN Categorización: proceso básico del funcionamiento cognitivo; refleja la forma en que los sujetos dividen el entorno en clases. Categorías: estructura a partir de la cual el sujeto clasifica,
Más detallesFigura 24. Comportamiento de la presión del fluido en matriz T = 1500 días. Caso 2. Z = 48, Z = 50, Z = 52, Z = 54.
Figura 24. Comportamiento de la presión del fluido en matriz T = 1500 días. Caso 2. Figura 25. Comportamiento de la presión del fluido en matriz T = 3000 días. Caso 2. 71 El comportamiento de la presión
Más detallesCAPITULO I. Simulación En Minería
CAPITULO I Simulación En Minería En un esfuerzo por rastrear la historia de la Simulación en minería desde la publicación del primer documento en 1961 hasta nuestros días, las contribuciones importantes
Más detallesEigenvalores y eigenvectores
Eigenvalores y eigenvectores Los dos problemas principales del álgebra lineal son: resolver sistemas lineales de la forma Ax = b y resolver el problema de eigenvalores. En general, una matriz actúa sobre
Más detallesECUACIONES DEL MOVIMIENTO: COORDENADAS RECTANGULARES
ECUACIONES DEL MOVIMIENTO: COORDENADAS RECTANGULARES Objetivos del día: Los estudiantes serán capaces de: 1. Aplicar la segunda ley de Newton para determinar las fuerzas y las aceleraciones para partículas
Más detallesUnidad 1. Análisis de Algoritmos. Ing. Leonardo R. L. Estructura de datos - Generalidades Unidad I Pág 1
Unidad 1 Análisis de Algoritmos Ing. Leonardo R. L. Estructura de datos - Generalidades Unidad I Pág 1 GENERALIDADES Qué se necesita para escribir un programa eficiente? Para diseñar programas eficientes
Más detallesModelado Estructural F E B R E R O,
Modelado Estructural F E B R E R O, 2 0 1 4 Modelado Estructural Sirve para describir los diferentes tipos y relaciones estáticas existentes entre los diferentes objetos de un sistema. A la hora de desarrollar
Más detallesMatemáticas Básicas para Computación
Matemáticas Básicas para Computación MATEMÁTICAS BÁSICAS PARA COMPUTACIÓN 1 Sesión No. 11 Nombre: Árboles Objetivo: Al término de la sesión el participante conocerá los tipos de grafos específicamente
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Las redes: Las redes están presentes en diferentes lugares en la vida real: redes de transporte, flujo eléctrico y comunicaciones, por ejemplo. Las redes: También son ampliamente
Más detallesUnidad I Análisis de Sistemas Realimentados
Prof. Gerardo Torres - gerardotorres@ula.ve - Cubículo 003 Departamento de Circuitos y Medidas de la Escuela de Ingeniería Eléctrica de la Universidad de Los Andes Unidad I Análisis de Sistemas Realimentados
Más detallesMODULO Nº9 TIRISTORES BIDIRECCIONALES. Explicar el funcionamiento del TRIAC. Comprender los sistemas para activar y desactivar un TRIAC.
MODULO Nº9 TIRISTORES BIDIRECCIONALES UNIDAD: CONVERTIDORES CA - CA TEMAS: DIAC. TRIAC. Parámetros del TRIAC. Circuitos de Encendido y Apagado del TRIAC. OBJETIVOS: Explicar el funcionamiento del TRIAC.
Más detallesTECNICAS DE ANÁLISIS DE CIRCUITOS ANÁLISIS NODAL Y ANÁLISIS DE MALLA
TECNICAS DE ANÁLISIS DE CIRCUITOS ANÁLISIS NODAL Y ANÁLISIS DE MALLA TÉCNICAS DE ANÁLISIS DE CIRCUITOS ANÁLISIS NODAL OBJETIVO: HALLAR EL VOLTAJE DE CADA UNO DE LOS NODOS DEL CIRCUITO ANÁLISIS NODAL Identificar
Más detallesCasos especiales de la P. L.
Casos especiales de la P. L. Problemas de flujo mínimo Planteamiento del problema Son problemas de programación lineal con ciertas estructuras especiales Permiten ser trabajados con algoritmos especiales
Más detallesControl de Congestión. Definición de Congestión
Control de Congestión Redes y Servicios de Comunicaciones I Definición de Congestión Fenómeno producido cuando a la red (o parte de ella) se le ofrece más tráfico del que puede cursar. Causa: Las memorias
Más detallesNeurona. Células y Fibras nerviosas Célula Nerviosa. Sensoriales, motoras y de asociación Nucleo Actividades metabólicas Conexiones sinápticas
Redes Neuronales Neurona Células y Fibras nerviosas Célula Nerviosa Neuronas Bipolares Neuronas Multipolares Sensoriales, motoras y de asociación 50000 Nucleo Actividades metabólicas Conexiones sinápticas
Más detalles4.13. GESTIÓN DINÁMICA DE UN PROYECTO
4.13. GESTIÓN DINÁMICA DE UN PROYECTO Existen muchas actividades, desde escribir un libro a construir un buque, que presentan unas características muy similares. Existe en primer lugar un objetivo y unas
Más detallesUNIDAD 3 MODELO ENTIDAD- RELACION
UNIDAD 3 MODELO ENTIDAD- RELACION Introducción El modelo entidad relación (MER) se emplea para interpretar, especificar y documentar los requerimientos para sistemas de procesamiento de Base de Datos.
Más detallesEL MODELO DE DATOS RELACIONAL
EL MODELO DE DATOS RELACIONAL El modelo de datos relacional se ha establecido actualmente como el principal modelo de datos para las aplicaciones de procesamiento de datos, esto debido a su simplicidad,
Más detallesBOLETÍN DE PROBLEMAS TEMA 2
BOLETÍN DE PROBLEMAS TEMA 2 Cuestión 1 Describa brevemente el concepto de modulación. Cómo se denominan las señales implicadas en este proceso? Modulación: modificación de alguna de las características
Más detallesDiseño, Simulación y Análisis de un Vehículo Ferroviario en ADAMS/Rail Softaware
Diseño, Simulación y Análisis de un Vehículo Ferroviario en ADAMS/Rail Softaware BEATRIZ TENA VILLAR Supervisor: Dr. Tadeusz Uhl Cotutora: Ana Muñoz Sanchez ÍNDICE ÍNDICE... 2 1. INTRODUCCIÓN Y OBJETIVOS...
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
Más detallesCiencias y Tecnología del Medio ambiente
Ciencias y Tecnología del Medio ambiente 2 Práctica Ingeniería agrónoma grado en hortofruticultura y jardinería Jorge Cerezo Martínez 2.1. Crecimiento exponencial y logístico. Ejercicio aula. Realizar
Más detalles2. Teoría de la producción y de los costes.
2. Teoría de la producción y de los costes. 2.1. Rendimientos a escala. 2.2. Funciones de coste a largo plazo. 2.3. Maximización de la producción y minimización del coste. CAPITULO 18 VARIAN ALGUNOS CONCEPTOS
Más detallesCCNA 3 TEMA 3. Su puntuacion es. 100%. respuestas correctas al primer intento 20/20 You have completed the exercise.
CCNA 3 TEMA 3 Su puntuacion es. 100%. respuestas correctas al primer intento 20/20 You have completed the exercise. 1. 1 Cuáles son las dos afirmaciones que describen los beneficios de las VLAN? (Elija
Más detallesPlan de Estudios. Maestría en Ciencias de la Computación
Plan de Estudios CONTENIDOS 1) Presentación 5) Objetivos 2) Requisitos 6) Cursos Obligatorios 3) Plan de Estudios / Duración 7) Cursos Sugeridos 4) Tabla de Créditos 1) Presentación El programa de Maestría
Más detallesRMI. Aplicaciones Distribuidas
RMI Aplicaciones Distribuidas Contenido Objetos Distribuidos y RMI. Interface Remota. Clase Implementación. Referencias Remotas. Registro RMI. Paso de parámetros. Descarga dinámica de código. Desarrollo
Más detallesProfesor: José Miguel Rubio L.
Profesor: José Miguel Rubio L. Magíster en Ingeniería Informática Ingeniero Civil en Informática Licenciado en Ciencias de la Ingeniería Técnico en Programación Oficina: 3-20 e-mail 1: jose.rubio.l@ucv.cl
Más detallesEjercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1]
Ejercicio 1: [20 puntos: respuesta acertada = +1, respuesta incorrecta = 1] Complete las frases que se muestran a continuación con las alternativas especificadas. En la siguiente tabla, indique "V" o "F"
Más detalles3. Mapeado del vacío. Investigamos dos clases de ondas electromagnéticas, como ejemplos de problemas electrodinámicos dependientes del tiempo. Se investiga la estructura del vacío asociada. 3.1 Onda plana
Más detallesx se puede clasificar de acuerdo con la
CRITERIO DE LA PRIMERA DERIVADA PARA CALCULAR VALORES EXTREMOS DE UNA FUNCIÓN Conceptos clave: 7. Criterio de la primera derivada para determinar valores extremos de una función: Hipótesis. Si f(x) es
Más detallesEJERCICIOS RESUELTOS SOBRE APLICACIONES DE LA FUNCIÓN LINEAL EN LA ADMINISTRACIÓN Y ECONOMÍA
EJERCICIOS RESUELTOS SOBRE APLICACIONES DE LA FUNCIÓN LINEAL EN LA ADMINISTRACIÓN Y ECONOMÍA www.cedicaped.com FUNCIONES LINEALES APLICADAS A LA ADMINISTRACIÓN Y ECONOMÍA 1. Una máquina se compra en 60000
Más detallesCapítulo 2. disponibles las habilidades de los expertos a los no expertos. Estos programas tratan de
Capítulo 2 Sistemas Expertos y Lógica Difusa 2.1 Sistemas Expertos Los sistemas expertos son programas computacionales diseñados para tener disponibles las habilidades de los expertos a los no expertos.
Más detallesModelos Gráficos Probabilistas L. Enrique Sucar INAOE. Sesión 10: Redes Bayesianas Inferencia. 1era parte. [Neapolitan 90]
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 10: Redes Bayesianas Inferencia 1era parte [Neapolitan 90] Inferencia en Redes Bayesianas Introducción Clases de algoritmos 1era Parte Propagación
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallesEXAMEN EXTRAORDINARIO Informática y Computación IV
Nombre del alumno: EXAMEN EXTRAORDINARIO Informática y Computación IV Lee cada una de las preguntas y contesta con una V para verdedero o una F en caso de que sea falso lo que se propone. Una base de datos
Más detallesMódulos de búsqueda y seguimiento para receptor GPS sobre FPGA
Módulos de búsqueda y seguimiento para receptor GPS sobre FPGA Maestría en Sistemas Embebidos Universidad de Buenos Aires Autor Esp. Ing. Facundo S. Larosa Director Dr. Ing. Héctor A. Lacomi Codirector
Más detallesSIMULACIÓN DE FSK CON SCICOS
SIMULACIÓN DE FSK CON SCICOS Alejandro Ríos Peña, alerios@unicauca.edu.co Diego Andrés Asenjo González, dasenjo@unicauca.edu.co Contenido Resumen... Palabras Clave.... Introducción... 2. Scicos... 3. FSK...2
Más detallesUnidad II. 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función.
Unidad II Funciones 2.1 Concepto de variable, función, dominio, condominio y recorrido de una función. Función En matemática, una función (f) es una relación entre un conjunto dado X (llamado dominio)
Más detallesBOLETIN 7: Subsistemas secuenciales
BOLETIN 7: Subsistemas secuenciales Problemas básicos P. Realice el diagrama de estados de un C.S.S. que funcione como un contador módulo 4 ascendente/descendente en función de una entrada de control.
Más detallesGuía N 1 Introducción a las Matemáticas
Glosario: Guía N 1 Introducción a las Matemáticas - Aritmética: Es la rama de las matemáticas que se dedica al estudio de los números y sus propiedades bajo las operaciones de suma, resta, multiplicación
Más detallesCAPÍTULO V. Resultados
CAPÍTULO V 5.1 Respuestas Teóricas Las respuestas simuladas por medio de Matlab son las formas que esperamos obtener, mostrando la magnitud de la respuesta en frecuencia para cada uno de los filtros, teniendo
Más detallesINTRODUCCIÓN. Capítulo OBJETIVO
Capítulo 1 INTRODUCCIÓN La cuantización es un proceso que ha tomado gran importancia en las comunicaciones en general desde el momento en que las comunicaciones analógicas comenzaron a ser desplazadas
Más detallesCapítulo 1 Probabilidades y Estadística
Capítulo 1 Probabilidades y Estadística 1 S E B A S T I Á N M A L D O N A D O A S I G N A T U R A : I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 0 Conceptos Preliminares Estadística 2 Estadística: ciencia
Más detallesCentro Internacional de Mejoramiento de Maíz y Trigo
Registro de Usuarios Técnico Página 1 de 31 Contenido Centro Internacional de 1. Introducción... 3 2. Ver Correo Electrónico de Bienvenida... 4 3. Modificar Datos Adicionales y Activación de Cuenta...
Más detallesMODELOS DIFUSOS PARA EL ESTUDIO DEL CAMBIO CLIMÁTICO Dr. Carlos Gay García* M. en C. Oscar Sánchez *PINCC UNAM CCA - UNAM Ciudad Universitaria, D.F.
MODELOS DIFUSOS PARA EL ESTUDIO DEL CAMBIO CLIMÁTICO Dr. Carlos Gay García* M. en C. Oscar Sánchez *PINCC UNAM CCA - UNAM Ciudad Universitaria, D.F. 15-19 Octubre 2012 Objetivos: -Presentar un breve antecedente
Más detallesEL LOGRO DE SU FORMACIÓN DEPENDE TAMBIÉN DE USTED INSTRUCTOR: ING. JULIO CÉSAR BEDOYA PINO. GRUPO: Tecnología Electromecánica
EL LOGRO DE SU FORMACIÓN DEPENDE TAMBIÉN DE USTED INSTRUCTOR: ING. JULIO CÉSAR BEDOYA PINO. GRUPO: Tecnología Electromecánica CONTENIDO DISPLAY DE SIETE SEGMENTOS FIN DISPLAY DE SIETE SEGMENTOS DISPLAY
Más detallesAnálisis Exploratorio de Datos
Análisis Exploratorio de Datos 10 Qué son los Datos? Una variable es una propiedad o característica de un Individuo Ejemplos: color de ojos de un persona, temperatura, estado civil Una colección de variables
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 detalles