inteligencia artificial (ec5) · facultad de ciencias exactas y tecnología universidad nacional de...

36
Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial (EC5) Redes Neuronales Parte II

Upload: others

Post on 17-Oct-2019

5 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán

Mg. Ing. Gustavo E. Juárez

Ciclo Lectivo 2018Inteligencia Artificial (EC5)

Redes Neuronales

Parte II

Page 2: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Introducción. Definiciones. Topologías típicas. Redes Supervisadas. Modelo

Backpropagation – Redes No Supervisadas – Modelo de Kohonen –

ImplementaciónenMatlabmedianteToolkitsobreRedesNeuronales.ANFIS.

UNIDAD TEMÁTICA : REDES NEURONALES

Page 3: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

“Lasneuronasartificialesoprocesadorelementales

undispositivosimpledecalculoque,apartirdeun

vectordeentradaprocedentedelexteriorodeotras

neuronas,proporcionaunaúnicarespuestaosalida”.

NEURONAS

DEFINICIÓN

Page 4: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

“Lasredesneuronalesartificialessonredesinterconectadasmasivamenteen

paraleloyconorganizaciónjerárquica,lascualesintentaninteractuarconlos

objetosdelmundorealdelmismomodoquelohaceelsistemanervioso

biológico”.

(TeuvoKohonen)

“Modelosmatematicosdesarrolladosparaemularelcerebrohumano”

(Chen-1998)

REDES NEURONALES ARTIFICIALES

DEFINICIONES

Page 5: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL ARTIFICIALCARACTERISTICAS, USOS Y APLICACIONES

Page 6: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

CARACTERISTICAS

• Las características principales que reproducen las redes neuronales

artificiales se pueden reducir a los siguientes tres conceptos:

procesamientoparalelo,distribuidoyadaptativo.[DelBrioySanzMolina,

2002]

• Seajustan oseentrenan,demodoqueunaentradaparticularconducea

unasalidadedestinoespecífico.

• Las RNA no ejecutan instrucciones, responden en paralelo a las entradas que

se les presenta.

Page 7: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

CARACTERISTICAS

Laredneuronalartificialesajustada,enbaseaunacomparacióndelasalida

delamismaconeldeobjetivo,hastalasalidadelaredseaigualalobjetivo.

La Red neuronal

Incluyen conexiones (llamados pesos)

entre las neuronas

ComparaENTRADA

AJUSTE DE PESOS

OBJETIVO

SALIDA

Page 8: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

CARACTERISTICAS

Laredneuronalartificialesajustada,enbaseaunacomparacióndelasalida

delamismaconeldeobjetivo,hastalasalidadelaredseaigualalobjetivo.

Elentrenamientoporlotesdeunaredneuronalserealizahaciendocambios

enlospesosybasadosenelsesgodeunconjuntocompletodelosvectores

deentrada.

La entrenamiento incremental cambia los pesos y el sesgo (o ganancia) de

una red según seanecesario,despuésde lapresentaciónde cadavectorde

entrada.

Page 9: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

USOS

Lasredesneuronaleshansidoentrenadaspararealizarfuncionescomplejas

endiversoscampos,loscualesincluyen:

1. Procesamientodeimágenesydevoz

2. Reconocimientodepatrones

3. Planeamiento

4. InterfacesadaptivasparasistemasHombre/máquina

5. Predicción

6. Controlyoptimización

7. Filtradodeseñales

Page 10: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

APLICACIONESLasaplicacionesmasrelevantesson:

Aeroespacial

•Altorendimientodelpilotoautomático,simulaciónde latrayectoriadevuelo,control

delasistemasdeaeronaves,mejorasdepilotoautomático,,deteccióndeaviones

Automotor

•Automóvilsistemadeguiadoautomático,laactividaddegarantíadeanálisis

Bancario

•Comprobaryotradelecturadedocumentos,evaluacióndesolicituddecrédito

Comprobacióndelatarjetadecrédito

•Actividadinusualactividaddelatarjetadecréditodelpuntoqueposiblementepodría

estarasociadoconlapérdidadedeunatarjetadecrédito

Page 11: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES ARTIFICIALES

APLICACIONESLasaplicacionesmasrelevantesson:

Defensa

• Seguimiento de objetivos, la discriminación de objetos, reconocimiento facial,

procesamiento de sensores, sonar, de radar y la señal de imagen, extracción de

característicasysupresiónderuido.

Electrónica

• Código de predicción de secuencia, diseño integrado chip de circuito, control de

procesos,visiónartificial,síntesisdevoz,elmodeladonolineal

Entretenimiento

•Animación,efectosespeciales,previsionesdemercado

Industrial

•Predicciondeemisiondegasesenprocesosindustriales.

Page 12: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

ENTRADA ENTRADANEURONA SIN SESGO NEURONA CON SESGO

Unaneuronaconunasolaentradaescalar,sinyconsesgoserepresentan:NEURONALES ARTIFICIALES

La entrada escalar “p” es un vector que contiene tantos valores como neuronas, se

transmite a través de una conexión que multiplica su la fuerza por el peso “w”

escalar para formar el producto “wp”, de nuevo un escalar.

Aquí la entrada ponderada “wp” es el único argumento de la función de

transferencia F, que produce la salida de un escalar.

La neurona de la derecha, tiene un sesgo escalar “b”.

θ Funcion Umbral que la neurona

debe sobrepasar para

activarse

Page 13: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

La función de transferencia de la red de entrada “n”, da un nuevo escalar,

redultadodelasumadelaentradaponderada“wp”yelsesgo“b”.Estasumaes

el argumento de la función de transferencia “ f ”, la cual es escogida

dependiendodelasespecificacionesdelproblemaquelaneuronaresuelva.

Aquí“f”esunafuncióndetransferencia,típicamenteunafuncióndepasoque

tomaelargumentode“n”yproducelasalida“a”.

Se debe tener en cuenta que “w” y “b” son ambos parámetros escalares

ajustablesdelaneurona,demaneradepresentaruncomportamientodeseado.

NEURONALES ARTIFICIALES

Page 14: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL ARTIFICIALMODELO, TOPOLOGIA Y FASES

Page 15: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

MODELO GENERAL DE UNA

NEURONA ARTIFICIAL

ENTRADA NEURONA

Donde

R = número de elementos del Vector de entrada

Aquí el vector de entrada “p” está representado por la barra vertical a la izquierda. Las dimensiones de “p” se muestra en “Rx1”, dado que es un vector de elementos de entrada “R”. Al igual que antes, una constante “1” entra en la neurona como una entrada y se multiplica por un sesgo escalar “b”. La entrada de red para la función de transferencia “f” es “n”, la suma del sesgo o ganancia “b” y el producto “Wp”. Esta suma se pasa a la función de transferencia “f“ para obtener una salida de la neurona, que en este caso es un escalar.

Page 16: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

TOPOLOGIA DE UNA RED NEURONAL

Una vez definida el tipo de neurona que se utilizará en un modelo de redes

neuronales artificiales es necesario definir la topología de la misma.

La organización y disposición de las neuronas dentro de una red neuronal

se denomina topología, y viene dada por el número de capas, la cantidad

de neuronas por capa, el grado de conectividad, y el tipo de conexión entre

neuronas.

Page 17: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

TOPOLOGIA DE UNA RED NEURONAL - CAPAS

• Las neuronas suelen agruparse en unidades funcionales denominadas

capas. Se denomina capa de entrada a “aquella que esta compuesta por neuronas de entradas y por lo tanto recibe información procedente desde el exterior”.

• Análogamente, se denomina capa oculta y capa de salida a aquellas

capas que están compuestas por neuronas ocultas y de salida respectivamente.

• Una red neuronal artificial esta compuesta por una o más capas, las

cuales se encuentran interconectadas entre sí. Entre un par de

neuronas de la red neuronal artificial pueden existir conexiones. Estas

conexiones son las sinapsis, tienen asociadas un peso sináptico, y son

direccionales.

Page 18: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

TOPOLOGIA DE UNA RED NEURONAL - CONEXION

Definicion Feedforward (Hacia Adelante)

“Las redes neuronales con conexión hacia delante (redes feedforward)

cuando las conexiones entre las distintas neuronas de la red siguen un

único sentido, desde la entrada de la red hacia la salida de la misma”.

Definicion Feedback (Adelante-Atras)

“Cuando las conexiones pueden ser tanto hacia delante como

hacia atrás hablamos de redes recurrentes (redes feedback)”.

Page 19: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL - FASES

Durante la operatoria de una red neuronal podemos distinguir claramente

dos fases o modos de operación: la fase de aprendizaje o entrenamiento,

y la fase de operación o ejecución.

Fase de Aprendizaje o Entrenamiento: la red es entrenada para realizar

un determinado tipo de procesamiento.

Fase de Operacion: Una vez alcanzado un nivel de entrenamiento

adecuado, se pasa a la fase de operación, donde la red es utilizada para

llevar a cabo la tarea para la cual fue entrenada.

Page 20: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL - FASES

FASE DE APRENDIZAJE O ENTRENAMIENTO

Una vez seleccionada el tipo de neurona artificial y determinada su

topología es necesario entrenarla para que la red pueda ser utilizada.

El proceso de aprendizaje se puede dividir en tres grandes grupos de

acuerdo a sus características [Isasi Viñuela y Galván León, 2004]:

• Aprendizaje supervisado

• Aprendizaje no supervisado

• Aprendizaje por refuerzo

Page 21: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Aprendizaje supervisado. Aprendizaje no supervisado.

Aprendizaje por refuerzo.

1. Se presenta a la red un conjunto de patrones de entrada junto con la

salida esperada.

2. Los pesos se van modificando de manera proporcional al error que se

produce entre la salida real de la red y la salida esperada.

RED NEURONAL - FASES

FASE DE APRENDIZAJE O ENTRENAMIENTO

Page 22: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Aprendizaje supervisado.

Aprendizaje no supervisado. Aprendizaje por refuerzo.

1. Se presenta a la red un conjunto de patrones de entrada.

2. No hay información disponible sobre la salida esperada.

3. El proceso de entrenamiento en este caso deberá ajustar sus pesos en

base a la correlación existente entre los datos de entrada-salida exacta

que debe proporcionar la red.

RED NEURONAL - FASES

FASE DE APRENDIZAJE O ENTRENAMIENTO

Page 23: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Aprendizaje supervisado.

Aprendizaje no supervisado.

Aprendizaje por refuerzo.

• Este tipo de aprendizaje se ubica entre medio de los dos anteriores.

• Se le presenta a la red un conjunto de patrones de entrada y se le indica

a la red si la salida obtenida es o no correcta.

• No se le proporciona el valor de la salida esperada.

• Este tipo de aprendizaje es muy útil en aquellos casos en que se

desconoce cual es la salida exacta que debe proporcionar la red.

RED NEURONAL - FASES

FASE DE APRENDIZAJE O ENTRENAMIENTO

Page 24: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL – FASES

FASE DE OPERACIÓN

Una vez finalizada la fase de aprendizaje, la red puede ser utilizada para

realizar la tarea para la que fue entrenada.

Una de las principales ventajas que posee este modelo es que la red

aprende la relación existente entre los datos, adquiriendo la capacidad de

generalizar conceptos.

De esta manera, una red neuronal puede tratar con información que no le

fue presentada durante de la fase de entrenamiento.

Page 25: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

RED NEURONAL ARTIFICIALPERCEPTRON. MULTICAPA

Page 26: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

REDES NEURONALES CON CONEXIÓN HACIA DELANTE

Este tipo de redes neuronales artificiales con conexión hacia delante , que

se caracteriza por su organización en capas y conexiones estrictamente

hacia delante, utilizan algoritmos de entrenamiento del tipo supervisado.

Es el más utilizado en aplicaciones prácticas que utilizan redes neuronales,

obteniéndose muy buenos resultados fundamentalmente como

clasificadores de patrones y estimadores de funciones.

Se tipifican en:

• PERCEPTRON

• ADALINE/MADALINE

• PERCEPTRON MULTICAPA

Page 27: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

• Modelo de gran importancia histórica ya que posee un mecanismo de entrenamiento que

permite determinar automáticamente los pesos sinápticos que clasifican correctamente a

un conjunto de patrones a partir de un conjunto de datos dados.

• Esta compuesta por dos capas de neuronas, una de entrada y una de salida. La capa de

entrada es la que recibe la información proveniente del exterior y la transmite a las

neuronas sin realizar ningún tipo de operación sobre la señal de entrada.

• La función de activación de las neuronas de un perceptrón es del tipo escalón, dando de

esta manera sólo salidas binarias. Cada neurona de salida del perceptrón representa a una clase. Una neurona de salida

responde con “1” si el vector de entrada pertenece a la clase a la que representa y

responde con 0 en caso contrario.

• La operación de un perceptrón con “n” neuronas de entrada y “m” neuronas de salidas

puede ser resumida de la siguiente manera:

REDES NEURONALES

PERCEPTRON

Page 28: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

La operación de un perceptrón con “n” neuronas de entrada y “m” neuronas de

salidas puede ser resumida de la siguiente manera:

REDES NEURONALES

PERCEPTRON

El algoritmo de entrenamiento perceptrón es un algoritmos por corrección de

errores, los cuales ajustan los pesos de manera proporcional a la diferencia entre

la salida actual proporcionada por la red y la salida objetivo, con el fin de

minimizar el error producido por la red.

Este método de entrenamiento converge siempre en un tiempo finito y con

independencia de los pesos de partida, siempre que la función a representar sea

linealmente separable. El principal problema de este método de entrenamiento es

que cuando la función a representar no es linealmente separable el proceso de

entrenamiento oscilará y nunca alcanzará la solución.

Page 29: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

La topología de la red ADALINE es similar a la del perceptrón sólo que en

este caso la función de salida de las neuronas es lineal. Dado que las señales de entrada pueden ser continuas, la red ADALINE es

un dispositivo de entrada/salida analógica (continua) a diferencia del

perceptrón que es un dispositivo entrada/salida digital (binaria).

La operación de una red ADALINE con “n” neuronas de entrada y m

neuronas de salidas puede ser resumida de la siguiente manera:

REDES NEURONALES

ADALINE / MADALINE

Page 30: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

La diferencia entre la red ADALINE y el perceptrón consiste en la regla de

aprendizaje que utilizan. La red ADALINE implementa como método de

aprendizaje la regla de Widrow-Hoff, también conocida como regla LMS (Least Mean Squares, mínimos cuadrados), que realiza una

actualización continua de los pesos sinápticos de acuerdo a la contribución

de cada neurona sobre el error total de la red.

REDES NEURONALES

ADALINE / MADALINE

Page 31: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

El perceptrón multicapa es una extensión del perceptrón simple. La topología de

un perceptrón multicapa esta definida por un conjunto de capas ocultas, una capa

de entrada y una de salida. No existen restricciones sobre la función de activación

aunque en general se suelen utilizar funciones sigmoideas.

La operación de un perceptrón multicapa con una única capa oculta puede ser

resumida de la siguiente manera:

REDES NEURONALES

PERCEPTRON MULTICAPA

Este modelo es el más utilizado en la actualidad. Podemos mencionar algunas

áreas de aplicación:

• Codificación de información

• Traducción de texto en lenguaje hablado

• Reconocimiento óptico de caracteres (OCR)

Page 32: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

ENTRENAMIENTO DE REDES NEURONALES

Partiendo de un conjunto de pesos sinápticos aleatorio, el proceso de

aprendizaje busca un conjunto de pesos que permitan a la red desarrollar

correctamente una determinada tarea.

El proceso de aprendizaje es un proceso iterativo, en el cual se va

refinando la solución hasta alcanzar un nivel de operación suficientemente

bueno.

Page 33: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

ENTRENAMIENTO DE REDES NEURONALES

OBJETIVOSEl objetivo del método de entrenamiento es encontrar el conjunto de pesos

sinápticos que minimizan (o maximizan) la función.

El método de optimización proporciona una regla de actualización de los

pesos que en función de los patrones de entrada modifica iterativamente

los pesos hasta alcanzar el punto óptimo de la red neuronal.

Page 34: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Libros Redes Neuronales y Sistemas Difusos / Bonifacio Martin del Brío y Alfredo Sanz Molina.

Alfa Omega – Rama. Colombia/c.2005

Sitios Webs http://www.youtube.com/watch?v=Krabo0GPc5A http://www.youtube.com/watch?v=uMbZGSEuI74

http://www.youtube.com/watch?v=1WGPk2eONZ0

REFERENCIAS

Page 35: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

Referencias

Page 36: Inteligencia Artificial (EC5) · Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez Ciclo Lectivo 2018 Inteligencia Artificial

http://www1.herrera.unt.edu.ar/intar