Sistemas inteligentes Casos de uso de IA
|
|
- Esther Moreno Aguirre
- hace 5 años
- Vistas:
Transcripción
1 Sistemas inteligentes Casos de uso de IA
2 Áreas de investigación aplicada NLP Visión WSN Señal Audio Machine Learning (data/text/web mining) Robótica Inspección HCI... Semántica
3 Objetivo de la jornada Desmitificar la IA Presentar casos de uso (nuestra selección) En sector servicios En fabricación En entorno social En entorno rural Con datos de Sensores Máquina Visión Texto
4 Desmitificar la IA Algoritmos genéticos Redes neuronales SVM KNN SVD
5 Desmitificar la IA
6 Desmitificar la IA
7 Desmitificar la IA
8 Agricultura de precisión
9 Casos de uso (agric. de precisión) Conseguir productos menos contaminados y menor impacto ambiental. Reducción en la utilización de agentes químicos. Tratamiento localizado de las malas hierbas. Pulverización selectiva de los campos de cultivo.
10 Casos de uso (agric. de precisión) Malas hierbas a detectar : Cereales : Avena Sterilis L. ( avena loca de invierno ). Una de las malas hierbas más extendidas en cultivos de cereal en España y en zonas con clima mediterráneo. Causa pérdidas muy importantes en estos cultivos. Maíz : especies diversas
11 Casos de uso (agric. de precisión) Análisis del problema: Las malas hierbas nacen a la vez que los cultivos entremezclándose con éstos. Crecen simultáneamente con los cultivos. En el momento de su tratamiento (identificación) la visión humana puede distinguirlas mientras que la artificial tiene grandes dificultades. Propuesta de solución: Sistema automático que analice densidad y distribución espacial de malas hierbas en el cultivo.
12 Casos de uso (agric. de precisión) Captura Segmentación Extracción de celdas No pulverizar on-line Decisión off-line Pulverizar BB.DD (parámetros aprendidos)
13 Casos de uso (agric. de precisión) Etapas del proceso: Captura de imagen del campo de cultivo en perspectiva. Segmentación de la imagen y extracción de patrones de identificación (celdas). Extracción de propiedades de las celdas: propiedades cuantitativas y cualitativas. Proceso de aprendizaje (off-line). Decisión (on-line): métodos basados en algoritmos de aprendizaje.
14 Casos de uso (agric. de precisión) Clasificadores simples (atributos cuantitativos): Máquinas de Vectores Soporte (SVM). Clasificadores estadísticos: Bayes y Parzen. Agrupamiento borroso o Fuzzy Clustering (FkM). Clasificador Hebbiano. Clasificadores híbridos (atributos cuantitativos): Bayes + FkM. SVM + FkM. Bayes + SVM. Clasificador MCDM basado en Fuzzy logic. (atributos cuantitativos + atributos cualitativos)
15 Casos de uso (agric. de precisión) Conclusiones Se han desarrollado métodos novedosos para pulverización selectiva con las siguientes mejoras: Automatización de la segmentación y la decisión Flexibilidad y diversidad de métodos, particularmente respecto de la decisión. Universalidad: aplicable a otros cultivos con problemáticas similares al maíz o cereal. Eficacia: los resultados obtenidos son satisfactorios. Precisión: reducción del área a pulverizar evitando contaminación y ahorro económico en la producción.
16 Detección de rebaba en proceso de taladrado
17 Casos de uso (detección rebaba) Objetivo: Monitorización on-line del proceso de taladrado para la predicción de la aparición de rebaba Taladrado: operación importante en la aeronáutica puntos en un avión de tamaño pequeño-medio. Proceso: Taladrado. Inspección visual. Eliminación de la rebaba. Remachado. Necesidades: Reducción de costes. Incremento de la productividad.
18 Casos de uso (detección rebaba) Taladrado Taladrado INSPECCIÓN VISUAL + ELIMINACIÓN DE REBABA DETECCIÓN AUTOMÁTICA DE LA REBABA Remachado Remachado
19 Casos de uso (detección rebaba) Decisión: uso de la señal interna. Ventajas: Sistema de adquisición sencillo. Método no intrusivo. Fácil de integrar en el control de la máquina.
20 Casos de uso (detección rebaba) Preparación y selección de los datos. Selección de variables Combinación de clasificadores Datos Técnicas de análisis de datos + (transformación de atributos necesaria) Evaluación
21 Casos de uso (detección rebaba) Se trata de seleccionar el modelo que nos dé el menor error estimado frente a nuevas instancias. Lo ideal sería que el algoritmo se aprendiera sobre un conjunto de datos (conjunto de entrenamiento) y se testeara sobre un conjunto de instancias más pequeño, disjunto al anterior (conjunto de testeo). Problema: cuando el conjunto de datos no es tan amplio se aplican otras técnicas como bootstrap y crossvalidation
22 Casos de uso (detección rebaba) Seleccionar y preparar el conjunto de datos para que sea limpio y fiable (detectará datos irrelevantes e innecesarios, valores que no se ajustan al comportamiento general de los datos (outliers), presencia de datos perdidos (missing values), inconsistencias, etc) Determinar qué variables son más influyentes Combinar clasificadores (es mejor consultar a varios expertos que no solo a uno), en dos fases, eliminar falsos negativos, refinamiento de los posibles positivos hasta el 96% de aciertos.
23 Guante sensorizado
24 Casos de uso (guante sensorizado) El objetivo del proyecto es crear una arquitectura para el reconocimiento de actividades, en este caso el reconocimiento de gestos, dando prioridad a características como: Facilmente reconfigurable (necesidad de pocos casos de entrenamiento) Reutilizable en otros contextos (reconocimiento del lenguaje de signos, manejo de robot, reconocimiento de tareas de montaje )
25 Casos de uso (guante sensorizado) Análisis del problema Alfabeto Dactilológico 30 letras Gestos Movimientos Guante sensorizado gestos Posición/gesto de la mano (14 valores) Acelerómetro movimientos Aceleración X/Y/Z Velocidad angular X/Y/Z Orientación X/Y/Z
26 Casos de uso (guante sensorizado)
27 Casos de uso (guante sensorizado) Etapas del proceso Segmentación Ruido de los sensores Método de entrenamiento Ejecución en tiempo real Reconocimiento Gestos Movimientos
28 Casos de uso (guante sensorizado) Reconocimiento de gestos
29 Casos de uso (guante sensorizado) Segmentación inicial de la señal Extraer lecturas relacionadas con los signos (sin transiciones) Análisis de cambios en valores mediante una ventana de tiempo Clasificación de lecturas previamente segmentadas Multiclasificador jerarquico basado en la distancia Clustering Clasificadores basados en la distancia (K-NN) Alta tasa de acierto del clasificador utilizando una sola lectura por clase Entrenamiento simple y sencillo Posibilidad de crear clasificadores personalizados
30 Casos de uso (guante sensorizado) Reconocimiento de movimientos
31 Casos de uso (guante sensorizado) Segmentación inicial de la señal Separar los diferentes movimientos Análisis de la energía de la señal mediante una ventana de tiempo Clasificación de las series temporales previamente segmentadas Extracción de características de las series temporales Energía Número de picos Clasificación sobre estas características Selección de atributos mediante Algoritmos Genéticos
32 Procesamiento de lenguaje natural
33 Casos de uso (NLP) Objetivo: Transformar la información no estructurada en formato entendible para los algoritmos de descubrimiento Técnicas de procesamiento del lenguaje natural Análisis morfológico Análisis sintáctico Análisis semántico Análisis pragmático
34 Casos de uso (NLP) Lematización y análisis morfológico: Tokenización: identificación de las unidades del texto (ej., las palabras) Lematización: segmentación de una palabra para separar la raíz (lexema) de los morfemas gramaticales y de los afijos (prefijos y sufijos). Análisis morfológico: Asignación automática de la categoría léxica.
35 Casos de uso (NLP) Análisis sintáctico Generar la estructura correspondiente a las categorías sintácticas formadas por cada una de las unidades léxicas que aparecen en la oración
36 Casos de uso (NLP) Análisis semántico y pragmático: Asignar significado correspondiente a cada una de las palabras del texto e incluir información sobre las relaciones que se dan entre los hechos que forman el contexto y entre diferentes entidades Ejemplo simple: asignar sentidos (synsets) de WordNet* correspondiente estar: , curso: , , , , trabajar: , , , *WordNet es una enorme base de datos léxica que agrupa las palabras en conjuntos de sinónimos llamados 'synsets', proporcionando definiciones cortas y generales, y almacenando las relaciones semánticas entre estos conjuntos de sinónimos
37 Casos de uso (NLP) Procesamiento de información no estructurada (texto) Sistema IR Normalización de nombres Clasificación automática de la información Sistema de recomendación de usuarios Visualización de etiquetas
38 Casos de uso (NLP) Sistema de vigilancia tecnológica Buscador semántico de patentes Clasificador de patentes Clasificador de incidencias Normalizador de nombres MBE
39 Casos de uso (NLP)
40 Casos de uso (NLP/MBE)
41 Casos de uso (NLP/MBE)
42 Casos de uso (NLP/MBE)
43 Casos de uso (NLP/MBE)
44 Casos de uso (NLP/MBE)
45 Casos de uso (NLP/MBE)
46 Casos de uso (NLP/MBE)
47 Casos de uso (NLP/MBE)
48 Casos de uso (NLP/MBE)
49 Casos de uso (NLP/MBE)
50 Casos de uso (NLP/MBE)
51 Casos de uso (NLP/MBE)
52 Casos de uso (Visualizaciones)
53 Muchas gracias Para más información: Agricultura de precisión: Guante sensorizado: Detección de rebaba: Procesamiento de lenguaje:
Procesamiento del Lenguaje Natural Comparación de algoritmos de lematización
Procesamiento del Lenguaje Natural Comparación de algoritmos de lematización Jorge Mansilla Sierra Magíster Informática Médica Dr. Alejandro Mauro 20 / Diciembre / 2014 1 Agenda Procesamiento del Lenguaje
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detalles5ª Jornada de Difusión Tecnológica
5ª Jornada de Difusión Tecnológica La Minería de Textos y Opinión, oportunidad para la adquisición de información no estructurada. 23 noviembre 2010 D. Antonio Moreno Profesor Titular e Investigador del
Más detallesReconocimiento visual de ademanes usando MS Kinect - Introducción. Dr. Héctor Avilés Escuela de Invierno de Robótica 2015
Reconocimiento visual de ademanes usando MS Kinect - Introducción Dr. Héctor Avilés Escuela de Invierno de Robótica 2015 Contenido Motivación Dispositivos de captura Reconocimiento visual de ademanes Resumen
Más detallesRaúl
Raúl Garreta @raulgarreta Subárea de Inteligencia Artificial, Ciencias de la Computación. Estudia métodos que permitan a las máquinas interactuar con las personas mediante lenguaje natural. Poder extraer
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesÍndice general. Introducción... 23
Índice general Introducción... 23 Parte I. Inteligencia Artificial 1. Conocimiento y Razonamiento... 33 1.1. Introducción... 33 1.2. Representaciones proposicionales... 34 1.3. Representaciones estructuradas...
Más detallesAplicaciones de Técnicas de IA. Ana Lilia Laureano-Cruces UAM-A
Aplicaciones de Técnicas de IA Ana Lilia Laureano-Cruces UAM-A Casi todas las ciencias de ingeniería Comparten técnicas disponibles en el domino de IA. Mencionaremos algunas aplicaciones donde la IA juega
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
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 detallesMAESTRÍA EN ELECTRÓNICA Y AUTOMATIZACIÓN, MENCIÓN SISTEMAS DE CONTROL. Malla Curricular
MAESTRÍA EN ELECTRÓNICA Y AUTOMATIZACIÓN, MENCIÓN SISTEMAS DE CONTROL Remitir su hoja de vida y documentación de respaldo al correo: edgarpcordovac@uta.edu.ec Sistemas Eléctricos y Electrónicos Titulación
Más detallesIntroducción a Minería de Texto. Fabián Latorre
Introducción a Minería de Texto Fabián Latorre fabian.latorre@quantil.com.co Contenido Qué es la minería de texto? Por qué es relevante? Por qué la estudiamos? Aplicaciones La complejidad del texto no
Más detallesCAPITULO I... 1 INTRODUCCION ANTECEDENTES Y ORIGENES DE LA ROBOTICA LEYES PARA LA ROBOTICA... 4
C O N T E N I D O Prólogo... i CAPITULO I... 1 INTRODUCCION... 1 1.1. ANTECEDENTES Y ORIGENES DE LA ROBOTICA... 2 1.2. LEYES PARA LA ROBOTICA... 4 1.3. ARQUITECTURAS DE LOS ROBOTS... 5 1.3.1. POLIARTICULADOS...
Más detallesTecnologías de Inteligencia Artificial
Tecnologías de Inteligencia Artificial En la actualidad se han desarrollado importantes tecnologías de inteligencia artificial basadas en conjuntos borrosos y redes neuronales artificiales, cuyas potencialidades
Más detalles>> Tecnologías clave << Captura de de información. Infraestructura. Técnicas de de Prototipado rápido
es una de diseño e implementación de avanzadas de software de Inteligencia Artificial, desarrollada por ITAINNOVA. Permite resolver diferentes problemáticas de negocio con volúmenes de (BIG DATA). Con
Más detallesIntroducción a la lingüística computacional
Introducción a la lingüística computacional César Antonio Aguilar Facultad de Lenguas y Letras 03/10/2017 Cesar.Aguilar72@gmail.com Síntesis de la clase pasada (1) En la clase pasada vimos cómo puede realizarse
Más detallesDIPLOMADO EN DATA MINING
DIPLOMADO EN DATA MINING DIPLOMADO EN DATA MINING Los datos que tienen relevancia para las decisiones de gestión, se están acumulando a un ritmo increíble, debido a una serie de avances tecnológicos. La
Más detallesSOLUCIONES DE INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y EXPLOTACIÓN COGNITIVA
SOLUCIONES DE INTELIGENCIA ARTIFICIAL, MACHINE LEARNING Y EXPLOTACIÓN COGNITIVA Recientemente, tecnologías como la Inteligencia Artificial (IA) han avanzado significativamente, y han creado grandes oportunidades
Más detallesDATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE
VII Reunión sobre casos prácticos de inspección y vigilancia de mercados y entidades. Santiago de Chile DATA MINING CONCEPTOS Y EXPERIENCIA EN LA FISCALIZACIÓN DEL MERCADO DE VALORES DE CHILE Marcelo García
Más detallesDesambiguación del Sentido de las Palabras (Word Sense Disambiguation)
Desambiguación del Sentido de las Palabras (Word Sense Disambiguation) Introducción qué es ambigüedad? qué significa desambiguar? qué entendemos por sentido de las palabras? en qué consiste la tarea de
Más detallesDesayuno Tecnológico: Tendencias y Herramientas de Video Inteligente en Seguridad Física
Desayuno Tecnológico: Tendencias y Herramientas de Video Inteligente en Seguridad Física Áreas Tecnológicas Biometría: Identificación y autenticación de seres vivos a través de una o varias características
Más detallesde Señales e Imágenes Departamento Bioingeniería Facultad de Ingeniería Universidad Nacional de Entre Ríos
Captura y Procesamiento Señales y SistemasDigital de Señales e Imágenes Introducción al Procesamiento Digital de Imágenes Departamento Bioingeniería Facultad de Ingeniería Universidad Nacional de Entre
Más detallesGUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO. CURSO ACADÉMICO - SEMESTRE Primer semestre
GUÍA DE APRENDIZAJE ASIGNATURA SISTEMAS BASADOS EN APRENDIZAJE AUTOMATICO CURSO ACADÉMICO - SEMESTRE 2015-16 - Primer semestre FECHA DE PUBLICACIÓN Julio - 2015 Datos Descriptivos Nombre de la Asignatura
Más detallesAsignaturas Temas Asignaturas Temas
1 Datos de la Asignatura Nombre de la asignatura: Carrera: Clave de la asignatura: Reconocimiento de Patrones Ingeniería en Sistemas CIE-0701 Horas teoría / práctica / Créditos: 2 2 6 2 Historia del Programa
Más detallesTEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS
Procesado y Análisis de Datos Ambientales. Curso 2009-2010. José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS ÍNDICE Introducción. Selección de variables.
Más detallesBases estadísticas del reconocimiento de patrones
Bases estadísticas del reconocimiento de patrones César Martínez cmartinez _AT_ fich.unl.edu.ar Inteligencia Computacional FICH-UNL Percepción humana Tarea muuuuy simple: Cuántas llaves hay? Inteligencia
Más detallesLínea de Especialización Inteligencia Computacional y Robótica
Línea de Especialización Inteligencia Computacional y Robótica 1.- Propósito de la línea de especialización La Inteligencia Computacional agrupa la teoría, diseño y aplicación de métodos y técnicas biológica
Más detallesCurso. Lingüística Aplicada III (Procesamiento inteligente de textos)
Curso Lingüística Aplicada III (Procesamiento inteligente de textos) DURACIÓN: 80 horas AUTOR DEL PROGRAMA: Dr. Alexander Gelbukh, Dr. Grigori Sidorov OBJETIVO GENERAL Describir que tipos de sistemas de
Más detallesEstadística con R. Clasificadores
Estadística con R Clasificadores Análisis discriminante lineal (estadístico) Árbol de decisión (aprendizaje automático) Máquina soporte vector (aprendizaje automático) Análisis discriminante lineal (AD)
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesBuscando el valor del Big Data Rafael Berlanga Llavori Grupo Bases de Conocimiento Temporal Universitat Jaume I
Buscando el valor del Big Data Rafael Berlanga Llavori Grupo Bases de Conocimiento Temporal Universitat Jaume I berlanga@uji.es Jornada de Big Data 1 Qué es el Big Data?! Para la sociedad: BIG BROTHER
Más detallesVisión artificial y Robótica. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Definición y clasificación Reconocimiento basado en la apariencia Bag of words Deep learning Parte
Más detallesIngeniería Informática, Automática y Robótica: Claves para la Agricultura del Futuro
Ingeniería Informática, Automática y Robótica: Claves para la Agricultura del Futuro Angela Ribeiro 28 de junio de 2016 Madrid Situación La población mundial (2015): 7.300 millones de personas Cada segundo
Más detallesDigitalización Gestión de Documentos. Digital Record Expediente Digital
Digital Record Expediente Digital Digitalización Nuestras soluciones permiten transformar no solo los documentos antiguos, sino mejorar los procesos actuales, evitando documentos en papel innecesarios.
Más detallesSistema de reconocimiento de partituras musicales
Universidad Carlos III de Madrid Departamento de Telemática PROYECTO FIN DE CARRERA Sistema de reconocimiento de partituras musicales Autor: David Carretero de la Rocha Tutora: Dr. Raquel M. Crespo García
Más detallesIndustria 4.0. Rafael Marín Pérez
Industria 4.0 Rafael Marín Pérez rmarin@odins.es +34 868 12 33 95 www.odins.es Índice 1. Introducción, Conceptos y Actuaciones en Industria 4.0 2. Casos Prácticos y Aplicaciones Actuales 3. Experiencia
Más detallesUniversidad Fermín Toro. Cabudare Lara
Universidad Fermín Toro Cabudare Lara Lenguaje Natural y Lenguaje Artificial Autor: Jesús Colmenarez C.I.13.032.160 Sec. SAIA Introducción a la Computación Lenguaje Natural El lenguaje natural es el lenguaje
Más detallesCurso de Formación Continua Nº identificación Propuesta nueva/reedición
Curso de Formación Continua Nº identificación Propuesta nueva/reedición Aplicaciones Industriales con Minería de Datos y Sistemas Expertos FC1011195 Propuesta nueva Tipo de Créditos Créditos ECTS Campo
Más detallesLínea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
Más detallesTema 1.- Introducción a la Visión Artificial
Tema 1.- Introducción a la Visión Artificial Visión Artificial Avanzada Prof. Dr. Nicolás Luis Fernández García Departamento de Informática y Análisis Numérico Universidad de Córdoba Universidad de Córdoba
Más detallesASIGNATURA: INTELIGENCIA ARTIFICIAL
ASIGNATURA: INTELIGENCIA ARTIFICIAL Código: 33-505 Régimen: cuatrimestral Horas reloj semanales: 4 Horas teóricas: 26 Horas prácticas: 34 Carrera: Sistemas Año del programa: 2016 FUNDAMENTOS: La evolución
Más detallesCurso. Lingüística Aplicada II (Sistemas de aplicación lingüística)
Curso Lingüística Aplicada II (Sistemas de aplicación lingüística) DURACIÓN: 80 horas AUTOR DEL PROGRAMA: Dr. Alexander Gelbukh OBJETIVO GENERAL Describir que tipos de sistemas de aplicación lingüística
Más detallesPROPUESTA DE MINOR CIENCIA DE LOS DATOS. DATA SCIENCE Resultados de Aprendizaje del Minor
PROPUESTA DE MINOR Nombre del Minor CIENCIA DE LOS DATOS DATA SCIENCE del Minor Al finalizar el Minor el estudiante logrará: Analizar y representar grandes volúmenes de datos complejos tales como: imágenes,
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesCONTENIDOS DOCENTES DE AUTOMÁTICA EN LA UNIVERSIDAD MIGUEL HERNÁNDEZ
DE AUTOMÁTICA EN LA UNIVERSIDAD MIGUEL HERNÁNDEZ UNIVERSIDAD MIGUEL HERNÁNDEZ MATERIAS A TRATAR Regulación Automática Robótica Automatización Industrial TITULACIONES Ingeniero Industrial Ingeniero de Telecomunicación
Más detallesClasificación automática de textos y explotación BI
1 5641 - Clasificación automática de textos y explotación BI 26/06/2014 5641 - Clasificación automática de textos y explotación BI Javier Buill Vilches Estructura Motivación Problemática Metodología actual
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 Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
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 detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesPrograma Superior. en Inteligencia Artificial PROGRAMA
Programa Superior en Inteligencia Artificial PROGRAMA PROGRAMA SUPERIOR EN INTELIGENCIA ARTIFICIAL 1 Introducción a la Inteligencia Artificial Introducción sobre la evolución de las tecnologías clave de
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesTaller: Importancia del. industria de procesos
Taller: Importancia del control automático en la industria de procesos Ing. Marcos A. Golato Profesor Asociado Cátedra Sistemas de Control Departamento de Mecánica FACET - UNT Feria Exactas para Todos
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesCARACTERÍSTICAS GENERALES
CARACTERÍSTICAS GENERALES Nombre del programa Licenciatura de Ingeniería en Sistemas Inteligentes, 2007 Título que otorga Ingeniero/a en Sistemas Inteligentes Espacio donde se imparte Unidad Académica
Más detallesSistema Automático de Reconocimiento Fonético
PROYECTO FIN DE CARRERA para la obtención del título de Ingeniero Industrial Sistema Automático de Reconocimiento Fonético Alumno: Francisco José Cadaval Arrola Tutor: Dr. J. Ramiro Martínez de Dios Departamento
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento I. A. Clásica Nuevos enfoques de la I. A. Agentes Inteligentes Aprendizaje Introducción Aprendizaje inductivo decisión Planteamiento conectivista.
Más detallesClasicación Automática de Documentos
Clasicación Automática de Documentos Carlos G. Figuerola, José Luis Alonso Berrocal, Angel F. Zazo Universidad de Salamanca Grupo REINA http://reina.usal.es Carlos G. Figuerola (Grupo REINA) Clasicación
Más detallesTema 2. Tercera parte. Clases abiertas: Clases cerradas:
Análisis categorial Tema 2. Tercera parte. Análisis categorial Ingeniería del Lenguaje Natural Departamento de Lenguajes y Sistemas Informáticos Universidad de Alicante http://www.dlsi.ua.es/asignaturas/iln
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 detallesAplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú
Aplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú Vladimir Cáceres Salazar Innovaciones Tecnológicas S.A.C. 1 Agenda 1. Introducción 2. Marco teórico 3. Metodología
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesDeep Learning. Aplicaciones en Patología. Marcial García Rojo. Patólogo. Cádiz. Gloria Bueno. VISILAB Group. Universidad de Castilla-La Mancha
Deep Learning. Aplicaciones en Patología Marcial García Rojo. Patólogo. Cádiz. Gloria Bueno. VISILAB Group. Universidad de Castilla-La Mancha Para qué necesitamos análisis de imagen en Patología? Reducir
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes basados en conocimiento Contenido Sistemas basados en conocimiento
Más detalles10 EXÁMENES
10 EXÁMENES 2014-2018 Convocatoria Extraordinaria de Septiembre 1 de Septiembre de 2014 1. (1 pto.) a) Aunque por abuso del lenguaje hemos hablado de minería de datos y de KDD como sinónimos, indica las
Más detallesTécnicas de Preprocesado
Técnicas de Preprocesado Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Por qué preprocesar p los datos? Técnicas de filtro Depuración
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
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 detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesSeguridad Alimentaria e Higiene
Jornada Técnica Seguridad Alimentaria e Higiene Innovaciones en la limpieza y desinfección www.betelgeux.es 17 de Noviembre, Zaragoza Contenido Filosofía de empresa Objetivos de Ia innovación Innovació
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesPROCESAMIENTO DE IMÁGENES DIGITALES
PROCESAMIENTO DE IMÁGENES DIGITALES 1 4 º C U R S O D E G R A D O I N G E N I E R Í A I N F O R M Á T I C A - T E C N O L O G Í A S I N F O R M Á T I C A S O P T A T I V A ( C U A T R I M E S T R E 1 )
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detalles2021: Odisea del Ciberespacio
2021: Odisea del Ciberespacio M.C. Romeo A. Sánchez López CISM CEH CISSP CCNA CCSI SCSA SCJP SCMAD ITIL MCP TOGAF Ingeniero en Seguridad Computacional Maestro en Educación Maestro en Ciencias en Sistemas
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesUniversidad Técnica Federico Santa María
Universidad Técnica Federico Santa María Departamento de Informática Preguntas Relevantes del Análisis de Datos Capítulo 1: Introducción: Análisis Inteligente de Datos II Semestre 2005 Profesor: Héctor
Más detallesRed Española de Series Temporales
Red Española de Series Temporales Creada a partir del Proyecto TIN2010-09967-E subvencionado por la Dirección General de Investigación y Gestión del Plan Nacional de I+D+i Presentación 2 La Red española
Más detallesModelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de Software (MONEPS)
Molo Neuronal Estimación para el Esfuerzo Desarrollo en Proyectos Software (MONEPS) Mario G. Almache C. Jenny A. Ruiz R. Geovanny Raura Rodrigo E. Fonseca C. Julio 4 y 5 2015 AGENDA 1. Antecentes 2. Trabajos
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 detallesIntroducción a los sistemas Multiclasificadores. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Introducción a los sistemas Multiclasificadores Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Combinación de modelos 2. Descomposición bias-varianza 3. Bagging
Más detallesCurso de procesamiento del lenguaje natural
Curso de procesamiento del lenguaje natural César Antonio Aguilar Facultad de Lenguas y Letras 02/05/2012 Cesar.Aguilar72@gmail.com Qué es una palabra dentro de un corpus? (1) Un hecho que se da muchas
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detallesVisión de Alto Nivel. Dr. Luis Enrique Sucar INAOE. ccc.inaoep.mx/~esucar Sesión 5 Representación y Reconocimiento
Visión de Alto Nivel Dr. Luis Enrique Sucar INAOE esucar@inaoep.mx ccc.inaoep.mx/~esucar Sesión 5 Representación y Reconocimiento 1 Visión de Alto Nivel orillas Representación del mundo textura color Descripción
Más detallesEL RESUMEN DOCUMENTAL. PARADIGMAS, MODELOS Y MÉTODOS.
EL RESUMEN DOCUMENTAL. PARADIGMAS, MODELOS Y MÉTODOS. Esta nueva edición ampliada y actualizada de El resumen documental recoge las innovaciones experimentadas por la documentación en la última década
Más detallesPoeta ayer, hoy triste y pobre filósofo trasnochado tengo en monedas de cobre el oro de ayer cambiado.
Poeta ayer, hoy triste y pobre filósofo trasnochado tengo en monedas de cobre el oro de ayer cambiado. Análisis de base Análisis sintáctico El análisis semántico se realiza a partir del análisis sintáctico.
Más detallesSistemas de Percepción
PROGRAMA DE LA ASIGNATURA: Sistemas de Percepción Código: 3042105040 Curso 2006/2007 CENTRO: ESCUELA TÉCNICA SUPERIOR DE INGENIEROS INDUSTRIALES TITULACIÓN: INGENIERO EN AUTOMÁTICA Y ELECTRÓNICA INDUSTRIAL
Más detalles1 o GII. Universidad de Murcia Facultad de Informática. Calendario de Exámenes 2018 Convocatoria de junio
1 o GII 1885 Estadística 22-5-2018 M 1886 Fundamentos lógicos de la informática 24-5-2018 T 1891 Algebra y matemática discreta 28-5-2018 M 1893 Estructura y tecnología de computadores 30-5-2018 T 1894
Más detallesClasificación. Agrupación de las partes de una imagen de forma homogénea
Clasificación Agrupación de las partes de una imagen de forma homogénea Clasificación o clustering Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
Más detallesSERVICIOS AGRONÓMICOS PARA FORRAJERAS
SERVICIOS AGRONÓMICOS PARA FORRAJERAS ÍNDICE DE CONTENIDOS INTRODUCCIÓN HEMAV 1 QUIÉNES SOMOS? POR QUÉ SOMOS DIFERENTES AL RESTO? SERVICIOS AGRONÓMICOS 2 DEFINICIÓN DE LOS DISTINTOS SERVICIOS DE TELEDETECCIÓN
Más detallesSISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS.
SISTEMA INTEGRAL PARA LA PROYECCIÓN Y DETECCIÓN DE LA PREVENCIÓN DEL DELITO, MEDIANTE MINERÍA DE DATOS. MTIE. Erik Guerrero Bravo. Universidad Tecnológica Tula - Tepeji. Introducción Sistemas Transaccionales
Más detalles240AR022 - Reconocimiento de Formas y Aprendizaje Automático
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 707 - ESAII - Departamento de Ingeniería de
Más detallesConcepto de compilador Intérprete Fases de un Compilador Herramientas de construcción de Compiladores
18:55 1 2 Temas Concepto de compilador Intérprete Fases de un Compilador Herramientas de construcción de Compiladores Objetivo Que el estudiante logre conocer, comprender y manejar conceptos y técnicas
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesAnálisis de Rasgos Prosódicos en el Español Rioplatense y su Aplicación en el Reconocimiento del Habla
Análisis de Rasgos Prosódicos en el Español Rioplatense y su Aplicación en el Reconocimiento del Habla Tesista: Diego Evin Director: Ing. Jorge Gurlekian Codirector: Dr. Diego Milone Organización de la
Más detalles