1 Minería de Datos con Redes Neuronales ArtificialesLaboratorio de Dinámica no Lineal Departamento de Matemáticas Facultad de Ciencias UNAM

2 Contexto (problemática) Inteligencia computacional y minería de datos Contenido Contexto (problemática) Inteligencia computacional y minería de datos Redes Neuronales Artificiales Mapas Autoorganizados Aplicaciones

3 La cantidad de información es abrumadora y seguimos generando Contexto La cantidad de información es abrumadora y seguimos generando Se mantienen registros de prácticamente todas nuestras acciones y/o decisiones: hábitos financieros, lo que compramos supermercado, llamadas telefónicas, etc.

4 Omnipresencia de la computadoraDiscos duros económicos (no borramos archivos)

5 Ejemplos GenBank: 108,431,692 secuencias genéticas(aproximadamente 106,533,156,756 bases) 20 millones de citas de la literatura biomédica

6

7

8 The size of the World Wide Web: Estimated size of Google's indexThe Indexed Web contains at least billion pages (Wednesday, 02 March, 2011).

9 ¿y cuál es el problema? La creciente brecha entre generación de información y nuestra capacidad para entenderla. No se esta aprovechando la información potencialmente útil que se encuentra escondida en los datos.

10 Descubrimiento de Conocimiento en Bases de DatosNuevas Disciplinas Minería de Datos Descubrimiento de Conocimiento en Bases de Datos

11 Minería de Datos Técnicas que permitan extraer información útil que estaba implícita, y por tanto desconocida, en los datos. Basadas en: Estadística, Aprendizaje de Máquina, Teoría de la Información y Ciencias de la Computación.

12 Ejemplo Ejemplo didáctico. Encontrar reglas que permitan determinar si se juega o no algún deporte considerando las variables: outlook, temperature, humidity y windy. 14 ejemplos.

13

14 Extracción Automática de Patrones

15 Extraer automáticamente “modelos” a partir de datosMinería de Datos Extraer automáticamente “modelos” a partir de datos Árboles de decisión Reglas de asociación Ajuste de funciones Redes Neuronales Artificiales Redes Bayesianas, Etc.

16 Redes Neuronales Artificiales

17 Teoría de la Neurona Estructura básica y funcional del sistema nervioso. Santiago Ramón y Cajal.

18

19

20 Modelos FitzHugh-Nagumo Perceptrones Integración y DisparoHodgking-Huxley

21 Modelo de Hodgking-Huxley (1952)Nernst

22 Modelo FitzHugh-NagumoFalta figura que muestre bifurcaci’on de Hopf Electric Potential V(t)

23 Modelos diferencialesSecuencia de disparos Modelos diferenciales Modelos geométricos

24 McCulloch & Pitts, 1943, Perceptrones1. Neurona Binaria Simplificada. 2. Cada neurona implementa un función umbral. 3. Su estado es activo o no activo (0 o 1) 4. El estado se determina calculando la suma pesada de todos los estados de la neuronas aferentes.

25 Perceptrón – HeavisideAdaline – picewise-lineal Perceptrón Multicapa - Sigmoidal

26

27

28

29

30 Proceso de Entrenamiento (LabSOM)Proyección

31

32 Entrenamiento Competitivo(x1(t),...,xn(t))‏ Las neuronas compiten para ver cual de ellas representa de mejor manera al dato de entrada. Neurona Ganadora

33 ViBlioSOM: Visualización Bibliométrica con el SOMAnálisis Visual Selección de un conjunto de fichas. Bases de Datos de Referencias Bibliográficas Aplicación del algoritmo SOM Tratamiento de fichas Visualización de Información Aplicación de indicadores bibliométrico s. ViBlioSOM: Visualización Bibliométrica con el SOM

34 Tuberculosis vaccines Chapter 22Bioinformetric Studies on Tuberculosis Vaccines Research Maria Victoria Guzmán-Sánchez, Humberto Carrillo-Calvet, José L. Jiménez-Andrade, and Elio A. Villaseñor-García. Norazmi, MN., Acosta, A.; Sarmiento, M. (eds).. Oxford Press

35

36

37

38

39

40 Aplicación del SOM en el Análisis de Trayectorias EscolaresEstudio de Género Aplicar el sistema ViBlioSOM a un subconjunto de estudiantes para identificar si algunos factores socioeconómicos afectan de forma diferenciada a mujeres y hombres en su desempeño escolar y si estas diferencias pueden considerarse diferencias de género.

41 Datos Se consideraron >48,000 registros escolares (historiales académicos y los cuestionarios de ingreso) de alumnos de licenciatura en CU, de las cohortes de ingreso de 1992 a 1996. Se hizo el seguimiento de cada una de estas cinco cohortes por un lapso de 20 semestres. Tarea: Hacer un análisis automático

42 Presentación de Resultados

43 Presentación de Resultados

44 Presentación de Resultados

45 Visita: