Aprendizaje Automatizado - PowerPoint PPT Presentation

1 / 31
About This Presentation
Title:

Aprendizaje Automatizado

Description:

Aprendizaje Automatizado Redes Neuronales Artificiales Introducci n Otra forma de emular caracter sticas propias de los humanos: memorizar y asociar hechos. – PowerPoint PPT presentation

Number of Views:63
Avg rating:3.0/5.0
Slides: 32
Provided by: AT1133
Category:

less

Transcript and Presenter's Notes

Title: Aprendizaje Automatizado


1
Aprendizaje Automatizado
  • Redes Neuronales Artificiales

2
Introducción
  • Otra forma de emular características propias de
    los humanos memorizar y asociar hechos.
  • Se aprende de la experiencia.
  • El cerebro humano es el ejemplo más perfecto de
    sistema capaz de adquirir conocimiento.
  • Se modela artificialmente ese sistema.

3
Definición
  • Una red neuronal es "un nuevo sistema para el
    tratamiento de la información, cuya unidad básica
    de procesamiento está inspirada en la célula
    fundamental del sistema nervioso humano la
    neurona".
  • Las neuronas son un componente relativamente
    simple pero conectadas de a miles forman un
    poderoso sistema.

4
Descripción
  • Unidades de procesamiento que intercambian datos
    o información.
  • Se utilizan para reconocer patrones, incluyendo
    imágenes, manuscritos, tendencias financieras,
    etc.
  • Tienen la capacidad de aprender y mejorar su
    funcionamiento.

5
Fundamentos - El modelo biológico
  • El cerebro humano contiene más de cien mil
    millones de neuronas.
  • La clave para el procesamiento de la información
    son las conecciones entre ellas llamadas
    sinápsis.

6
Estructura biológica
  • Las dendritas son la vía de entrada de las
    señales que se combinan en el cuerpo de la
    neurona.
  • El axón es el camino de salida de la señal
    generada por la neurona.
  • En las terminaciones de las sinápsis se
    encuentran unas vesículas que contienen unas
    sustancias químicas llamadas neurotransmisores,
    que propagan señales electroquímicas de una
    neurona a otra.
  • La neurona es estimulada por sus entradas y
    cuando alcanza cierto umbral, se dispara o activa
    pasando una señal hacia el axón.

7
Estructura artificial
  • La función de activación puede ser una simple
    función escalón

8
Elementos de una red neuronal
  • Se interconectan neuronas en tres tipos de capas
  • De entrada reciben estímulos externos.
  • Oculta elementos internos de procesamiento (se
    pueden estructurar en varias capas).
  • De salida reciben la información procesada y
    retornan la respuesta del sistema al exterior.

9
Elementos de una red neuronal
10
Elementos de una red neuronal
  • Las neuronas están conectadas por canales
    unidireccionales con peso.
  • El peso wij está asociado al canal que conecta la
    neurona j con la neurona i.
  • La entrada total de la neurona j es netj
    Swijyi.
  • La salida de la neurona j es yj f(netj).

11
Funciones de activación
  • ?i representa un desplazamiento o umbral de
    activación (sesgo o bias).
  • Se puede pensar ?i como el peso w0i que conecta
    una neurona imaginaria x0 con a0(t) 1.

12
Función de activación escalón
13
Funciones de activación identidad y lineal-mixta
14
Función de activación sigmoidal
15
Regla de aprendizaje
  • Biológicamente se acepta que la información
    memorizada en el cerebro se relaciona con los
    valores sinápticos de las conexiones.
  • En las RNA se considera que el conocimiento se
    encuentra representado en los pesos de las
    conexiones.
  • El proceso de aprendizaje se basa en cambios en
    estos pesos.

16
Formas de conexión entre neuronas
  • Las salidas de las neuronas se convierten en
    entradas de otras neuronas.
  • Cuando ninguna salida de las neuronas es entrada
    de neuronas del mismo nivel o de niveles
    precedentes, la red se describe como propagación
    hacia adelante (feedforward).
  • En caso contrario la red se describe como
    propagación hacia atrás (feedback).

17
Características de las RNA
  • Topología.
  • Número de capas.
  • Número de neuronas por capa.
  • Tipo de conexiones. Normalmente, todas las
    neuronas de una capa reciben señales de la capa
    anterior (más cercana a la entrada) y envían su
    salida a las neuronas de la capa posterior (más
    cercana a la salida de la red).
  • Tipo de aprendizaje.

18
Redes feedforward.
  • Las más conocidas son
  • Perceptrón
  • Adaline
  • Madaline
  • Backpropagation
  • Son útiles en aplicaciones de reconocimiento o
    clasificación de patrones.

19
Mecanismo de Aprendizaje
  • Los cambios en el proceso de aprendizaje se
    reducen a destrucción, modificación y creación de
    conexiones entre las neuronas.
  • La creación de una conexión implica que el peso
    de la misma pasa a tener un valor distinto de
    cero.
  • Una conexión se destruye cuando su valor pasa a
    ser cero.

20
Redes con aprendizaje supervisado
  • El tipo de aprendizaje puede ser supervisado o no
    supervisado.
  • El proceso de aprendizaje supervisado se realiza
    mediante el control de un agente externo
    (supervisor) que determina la respuesta que
    debería generar la red a partir de una entrada
    determinada.
  • En el caso de no coincidir se modifican los pesos
    con el fin de aproximarse al valor deseado.

21
Aprendizaje por corrección del error. Algoritmo
  • Paso 1 Asignar valores aleatorios a los pesos de
    la red.
  • Paso 2 Mientras no se alcance un nivel deseado
    de predicción
  • Tomar un dato de entrenamiento x y obtener una
    salida y.
  • Si y no es el valor deseado para x entonces
    actualizar los pesos.

22
Regla de aprendizaje delta o MEC
  • Los algoritmos actualizan los pesos mediante
  • La variación entre los distintos métodos está en
    la forma de calcular ?w.
  • Se define una medida de error para cada patrón de
    entrenamiento p

23
Regla de aprendizaje delta o MEC
  • Se deben encontrar los wi que minimicen el error
    cuadrático
  • Para esta regla de aprendizaje,
  • La idea es definir un vector gradiente

24
Regla de aprendizaje delta o MEC
  • Se debe encontrar la dirección en la que este
    vector hace menor al error E.
  • Algunas fórmulas útiles (función lineal)
  • Las redes Adaline y Madaline utilizan esta regla
    de aprendizaje.

25
Regla delta generalizada
  • La regla delta se puede aplicar a una capa de
    neuronas.
  • Se puede generalizar a más capas.
  • La idea central es que los errores de las
    unidades ocultas se propagan hacia atrás.
  • Se aplica en la red Backpropagation.

26
Neural Network Toolbox
  • gtgt load house_dataset
  • La red backpropagation más comunmente utilizada
    posee una capa oculta con 20 neuronas.
  • gtgt newff(houseInputs, houseTargets, 20)
  • La cantidad de neuronas de entrada tanto como la
    de salida quedan determinadas por las
    características del dataset.
  • gtgt net train(net, houseInput, houseTargets)

27
Neural Network Toolbox
28
Neural Network Toolbox
  • El dataset es dividido aleatoriamente en tres
    conjuntos
  • 60 de los datos se utilizan para entrenamiento.
  • 20 de los datos se utilizan para validación.
  • 20 de los datos se utilizan para test.
  • El entrenamiento continúa mientras se reduce el
    error de validación.
  • Esta es una técnica muy utilizada para evitar el
    sobreentrenamiento.

29
Neural Network Toolbox
  • Una vez entrenada la red, se la puede utilizar
  • gtgt y sim(net, p)
  • Para un conjunto de nuevos datos se espera un
    error similar al calculado para el conjunto de
    test.
  • Se puede mejorar la precisión de una red.

30
Neural Network Toolbox
  • Se puede inicializar nuevamente la red para
    volver a entrenar
  • gtgt net.IW1, 1(12, 12)
  • -0.5815 0.2696
  • -0.2799 -0.4926
  • gtgt net init(net)
  • gtgt net.IW1, 1(12, 12)
  • -0.0047 0.2063
  • 0.4592 -0.4419

31
Neural Network Toolbox
  • Una segunda estrategia es cambiar el número de
    capas y neuronas internas.
  • Se puede agregar como cuarto argumento un arreglo
    con los nombres de las funciones transferencia a
    usar en cada capa.
  • Por último, usar datos adicionales generalmente
    mejora el aprendizaje.
Write a Comment
User Comments (0)
About PowerShow.com