Maestro PFG

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA
Proyecto de Fin de Grado en <poner la titulación>
PATRONES DE DISEÑO PARA

DESARROLLOS FLEXIBLES DE GUIs
<NOMBRE DEL ESTUDIANTE>
Dirigido por: JOSÉ MANUEL CUADRA TRONCOSO
Curso: 2015-2016: <1ª o 2ª> Convocatoria

PATRONES DE DISEÑO PARA
DESARROLLOS FLEXIBLES DE GUIs
Proyecto de Fin de Grado de modalidad oferta general
Realizado por: <nombre del estudiante>
Dirigido por: José Manuel Cuadra Troncoso
Tribunal calificador
Presidente: D/Dª.
Secretario: D/Dª.
Vocal: D/Dª.
Fecha de lectura y defensa:
Calificación:
Agradecimientos
<Quisiera dedicar ...>

Resumen
<Este proyecto ...>
Abstract
<This project ...>

Índice general
1. Introducción general y objetivos 1

1.1. Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Motivación y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Casos de uso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.4. Planificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.4.1. Scrum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2. Análisis de alternativas 1
2.1. Lenguaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1.1. R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1.2. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1.3. PHP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2. Métodos de predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2.1. Tipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2.2. Implementación propia VS librerías externas . . . . . . . . . . . . . . . . . 1
2.3. Shiny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.4. Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.4.1. Plataforma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.4.2. Software elegido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
3. Modelos lineales para regresión 1

3.1. Regresión lineal múltiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.2. Funciones base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.3. Estimación de los coeficientes por mínimos cuadrados . . . . . . . . . . . . 2
3.1.4. Interpretación geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.5. Pruebas de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.6. Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.7. Predicción de nuevas observaciones . . . . . . . . . . . . . . . . . . . . . . 2
3.1.8. Multicolinealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
iii
iv Índice general
3.2. Adecuación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

3.2.1. Residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.3. Variables indicadoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.4. Selección de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.5. Modelos lineales generalizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.5.2. Regresión de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
4. SVM 1
4.1. Kernels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.1.1. Representación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.1.2. Redes de funciones radiales base . . . . . . . . . . . . . . . . . . . . . . . 1
4.1.3. Procesos Gaussianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.1.3.1. Procesos Gaussianos para regresión . . . . . . . . . . . . . . . . . 1
4.1.3.2. Aprendizaje de hiperparámetros . . . . . . . . . . . . . . . . . . . 1
4.2. Sparse Kernels Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.2.1. SVM multiclase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
4.2.2. SVR - Suppor Vector Machines para regresión . . . . . . . . . . . . . . . . 1
5. Modelos Gráficos Probabilistas 1

5.1. Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.1.1. Definición de Red Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.1.2. Grafos de dependencias e independencias probabilistas . . . . . . . . . . . . 1
5.2. Inferencia en Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.2.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.2.2. Métodos exactos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.3. Diagramas de Influencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.3.2. Evaluación de los Diagramas de Influencia . . . . . . . . . . . . . . . . . . 1
6. Shiny 1
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.2. Estructura de una aplicación en Shiny . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.3. Reactive Programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.4. Plugins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.4.1. ShinyDashboard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.4.2. Leaflets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
6.4.3. DataTables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Índice general v
7. Generación de datos 1
7.1. Construcción del Diagrama de Influencia . . . . . . . . . . . . . . . . . . . . . . . 1
7.2. Tablas de probabilidad y de utilidad esperada . . . . . . . . . . . . . . . . . . . . . 1
7.3. Implementación en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
8. Dashboard 1
8.1. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
8.1.1. Ui.R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
8.1.2. Server.R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
9. Generación de nuevos modelos predictivos 1

9.1. Requisitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
9.2. Tipos de modelos soportados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
9.3. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
10.Mapa para las Vending Machines 1

10.1. Requisitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
10.2. Principales usos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
10.3. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
11.Conclusiones y trabajos futuros 3

11.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
11.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
A. <Título Anexo A> 7

A.1. <Primera sección anexo> . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
A.1.1. <Primera subsección anexo> . . . . . . . . . . . . . . . . . . . . . . . . . 7
vi Índice general
Índice de figuras
vii
viii Índice de figuras
Índice de tablas
ix
x Índice de tablas
Capítulo 1
Introducción general y objetivos
<Intro ... >
1.1. Contexto
1.2. Motivación y objetivos
1.3. Casos de uso
1.4. Planificación
1.4.1. Scrum
1
2 1.4. Planificación
Capítulo 2
Análisis de alternativas
<Intro ... >
2.1. Lenguaje
2.1.1. R
2.1.2. Python
2.1.3. PHP
2.2. Métodos de predicción
2.2.1. Tipos
2.2.2. Implementación propia VS librerías externas
2.3. Shiny
2.4. Conclusión
2.4.1. Plataforma
2.4.2. Software elegido
1
2 2.4. Conclusión
Capítulo 3
Modelos lineales para regresión
<Intro ... >
1
2 3.5. Regresión lineal múltiple
3.1. Regresión lineal múltiple
3.1.1. Introducción
3.1.2. Funciones base
3.1.3. Estimación de los coeficientes por mínimos cuadrados
3.1.4. Interpretación geométrica
3.1.5. Pruebas de hipótesis
3.1.6. Intervalos de confianza
3.1.7. Predicción de nuevas observaciones
3.1.8. Multicolinealidad
3.2. Adecuación del modelo
3.2.1. Residuos
3.3. Variables indicadoras
3.4. Selección de variables
3.5. Modelos lineales generalizados
3.5.1. Introducción
3.5.2. Regresión de Poisson

Capítulo 4
SVM
<Intro ... >
4.1. Kernels
4.1.1. Representación
4.1.2. Redes de funciones radiales base
4.1.3. Procesos Gaussianos

4.1.3.1. Procesos Gaussianos para regresión
4.1.3.2. Aprendizaje de hiperparámetros
4.2. Sparse Kernels Machines
4.2.1. SVM multiclase
4.2.2. SVR - Suppor Vector Machines para regresión
1
2 4.2. Sparse Kernels Machines
Capítulo 5
Modelos Gráficos Probabilistas
<Intro ... >
5.1. Redes Bayesianas
5.1.1. Definición de Red Bayesiana
5.1.2. Grafos de dependencias e independencias probabilistas
5.2. Inferencia en Redes Bayesianas
5.2.1. Planteamiento del problema
5.2.2. Métodos exactos
5.3. Diagramas de Influencia
5.3.1. Definición
5.3.2. Evaluación de los Diagramas de Influencia
1
2 5.3. Diagramas de Influencia
Capítulo 6
Shiny
<Intro ... >
6.1. Introducción
6.2. Estructura de una aplicación en Shiny
6.3. Reactive Programming
6.4. Plugins
6.4.1. ShinyDashboard
6.4.2. Leaflets
6.4.3. DataTables
1
2 6.4. Plugins
Capítulo 7
Generación de datos
<Intro ... >
7.1. Construcción del Diagrama de Influencia
7.2. Tablas de probabilidad y de utilidad esperada
7.3. Implementación en R
1
2 7.3. Implementación en R
Capítulo 8
Dashboard
<Intro ... >
8.1. Implementación
8.1.1. Ui.R
8.1.2. Server.R
1
2 8.1. Implementación
Capítulo 9
Generación de nuevos modelos predictivos
<Intro ... >
9.1. Requisitos
9.2. Tipos de modelos soportados
1
Capítulo 10
Mapa para las Vending Machines
<Intro ... >
10.1. Requisitos
10.2. Principales usos
1
Capítulo 11
Conclusiones y trabajos futuros
11.1. Conclusiones
<....>
11.2. Trabajos futuros

<....>
3
4 11.2. Trabajos futuros
Bibliografía
5
6 Bibliografía
Anexo A
<Título Anexo A>
<...>
A.1. <Primera sección anexo>
A.1.1. <Primera subsección anexo>

Maestro PFG

Cargado por

Copyright:

Formatos disponibles

Maestro PFG

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Maestro PFG

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA

ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA

Proyecto de Fin de Grado en <poner la titulación>

PATRONES DE DISEÑO PARA

<NOMBRE DEL ESTUDIANTE>

Dirigido por: JOSÉ MANUEL CUADRA TRONCOSO

Curso: 2015-2016: <1ª o 2ª> Convocatoria

Proyecto de Fin de Grado de modalidad oferta general

Realizado por: <nombre del estudiante>

Dirigido por: José Manuel Cuadra Troncoso

Fecha de lectura y defensa:

<Quisiera dedicar ...>

<This project ...>

1. Introducción general y objetivos 1

3. Modelos lineales para regresión 1

3.2. Adecuación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

5. Modelos Gráficos Probabilistas 1

9. Generación de nuevos modelos predictivos 1

10.Mapa para las Vending Machines 1

11.Conclusiones y trabajos futuros 3

A. <Título Anexo A> 7

Introducción general y objetivos

<Intro ... >

1.2. Motivación y objetivos

1.3. Casos de uso

<Intro ... >

2.2. Métodos de predicción

2.2.2. Implementación propia VS librerías externas

2.4.2. Software elegido

Modelos lineales para regresión

<Intro ... >

3.1. Regresión lineal múltiple

3.1.2. Funciones base

3.1.3. Estimación de los coeficientes por mínimos cuadrados

3.1.4. Interpretación geométrica

3.1.5. Pruebas de hipótesis

3.1.6. Intervalos de confianza

3.1.7. Predicción de nuevas observaciones

3.2. Adecuación del modelo

3.3. Variables indicadoras

3.4. Selección de variables

3.5. Modelos lineales generalizados

3.5.2. Regresión de Poisson

<Intro ... >

4.1.2. Redes de funciones radiales base

4.1.3. Procesos Gaussianos

4.1.3.2. Aprendizaje de hiperparámetros

4.2. Sparse Kernels Machines

4.2.1. SVM multiclase

4.2.2. SVR - Suppor Vector Machines para regresión

Modelos Gráficos Probabilistas

<Intro ... >

5.1. Redes Bayesianas

5.1.1. Definición de Red Bayesiana

5.1.2. Grafos de dependencias e independencias probabilistas

5.2. Inferencia en Redes Bayesianas

5.2.1. Planteamiento del problema

5.2.2. Métodos exactos

5.3. Diagramas de Influencia