Академический Документы
Профессиональный Документы
Культура Документы
Abril - 2010
Tabla de Contenido
Introduction Patter Recongnition. PR in Brief. Knowledge Discovery in Databases KDD. Data Mining. Different Perspectives of Data Mining. Significance of Soft Computing in KDD.
Introduccin
El reconocimiento de patrones (PR) es una actividad que nosotros los humanos lo hacemos todo el tiempo y sin esfuerzo consciente.
Recibimos informacin a travs de nuestros rganos y diversos sentidos la informacin se procesa de forma instantnea por nuestro cerebro.
Introduccin
An ms impresionante es la precisin con la que podemos realizar el reconocimiento de tareas incluso bajo condiciones de no ideales.
Reconocimiento de Patrones
El reconocimiento de patrones es la clasificacin de seales en clases. Se quiere clasificar un seal dependiendo de sus caractersticas. Las seales, caractersticas y clases pueden ser de cualquiera forma.
Clasificar ruidos de cantos de los pjaros en clases de rdenes aviares dependiente de las frecuencias.
Reconocimiento de Patrones
Objetivos del RP: Desarrollo de tcnicas para que las computadoras aprendan. Crea programas que generalizan comportamientos a partir de informacin no estructurada entregada como ejemplos.
Aplicaciones. Motores de bsqueda Diagnstico mdico. Deteccin de fraude Mercado de valores Clasificacin de ADN Reconocimiento de voz Robtica
Reconocimiento de Patrones
Adquisicin de los datos Seleccin y extraccin de caractersticas. Clasificacin / fase de agrupamiento. Este proceso se realiza en dos etapas: Aprendizaje Reconocimiento
Reconocimiento de Patrones
Etapas de un Sistemas de Reconocimiento de Patrones.
Reconocimiento de Patrones
Representacin de los Datos.
Aprendizaje y Reconocimiento
Modelos de Aprendizaje
Aprendizaje supervizado:
Dispone de un conjunto de patrones (CE) conjunto de entrada. El clasificador es entrenado con este CE. Realiza la identificacin de la clase correspondiente para nuevos patrones con el menor error posible.
Aprendizaje no supervizado
Tambin conocidos como autoasociativos. No requieren un etiquetado previo de cada uno de los patrones de entrada. Al final los grupos contienen patrones con caractersticas lo ms parecidas entre ellos y lo ms distintas posible con los patrones contenidos en otros grupos.
Modelos de Aprendizaje
Aprendizaje semi-supervizado:
Combina las bases de las dos vertientes clsicas. Parte de un conjunto pequeo de patrones de entrenamiento que, progresivamente puede ir amplindose mediante el uso de un conjunto de nuevos patrones sin etiquetar. Uno de los objetivos de este nuevo modelo de aprendizaje es aumentar el conocimiento durante la fase de clasificacin, permitiendo de este modo, simplificar el costoso proceso para obtener patrones etiquetados.
Data Mining
Minera de Datos: La minera de datos consiste en el ajuste de modelos para la determinacin de patrones o datos que nos sirven para reflejar un conocimiento til a partir de grandes cantidades de datos.
Data Mining
Tarea de la Minera de Datos: Clustering / Agrupamiento. Clasificacin . Anlisis de secuencia. Regresin. Sumarizacin.
Intenta agrupar una serie de objetos en grupos. Cada objeto es representado por un vector de atributos ndimensional. Los objetos que forman cada grupo deben ser disimilares. La similaridad es medida del grado de proximidad. Luego cada grupo es etiquetado.
Fuzzy C-means
(agrupamiento con traslape)
Reglas de Asociacin.
Redes Neuronales.
Clasificador Bayesiano.
Otras Aplicaciones
Financial Stock Market Prediction Credit Worthiness Credit Rating Bankruptcy Prediction Property Appraisal Fraud Detection Price Forecasts Economic Indicator Forecasts Medical Medical Diagnosis Detection and Evaluation of Medical Phenomena Patient's Length of Stay Forecasts Treatment Cost Estimation Industrial Process Control Quality Control Temperature and Force Prediction Science Chemical Compound Identification Physical System Modeling Polymer Identification Recognizing Genes Botanical Classification Signal Processing: Neural Filtering Biological Systems Analysis Ground Level Ozone Prognosis Odor Analysis and Identification Educational Teaching Neural Networks Neural Network Research College Application Screening Predict Student Performance Data Mining Energy Electrical Load Forecasting Energy Demand Forecasting Short and Long-Term Load Estimation Predicting Gas/Coal Index Prices Power Control Systems Hydro Dam Monitoring Prediction Classification Change and Deviation Detection Knowledge Discovery Response Modeling Time Series Analysis Sales and Marketing Sales Forecasting Targeted Marketing Service Usage Forecasting Retail Margins Forecasting Operational Analysis Retail Inventories Optimization Scheduling Optimization Managerial Decision Making Cash Flow Forecasting HR Management Employee Selection and Hiring Employee Retention Staff Scheduling Personnel Profiling
http://www.alyuda.com/products/neurofusion/neural-network-applications.htm
Referencias
Pattern Recognition Algorithms for Data Mining, Sankar K. Pal & Pabitra Mitra. Chapman & Hall/CRC, 2000. Antologia de Redes Neuronales Artificiales, UAEM V. de Chalco.2009.
Gracias !
Thanks !
Xie xie ni
Domo arigatou Merci Grazie