SalmorejoTech 2024 - Spring Boot <3 Testcontainers
Aprendizaje Supervisado | Redes Neuronales Perceptron | Jose Luis Bugarin
1. Redes Neuronales
Perceptrón y el aprendizaje
supervisado
Jose Luis Bugarin – Universidad
Peruana de Ciencias Aplicadas
pcsijbug@upc.edu.pe –
jbugarin@iluminatic.com
2. Aprendizaje supervisado
• Este tipo de aprendizaje trata
con valores independientes (x)
y valores dependientes (y) con
el objetivo de definir una
función que los relacione.
• Los datos de (y) son el
supervisor y los datos (x) son
independientes
• Analogía del maestro, enseñar
a alguien una determinada
tarea a realizar
3. Aplicaciones
Aprendizaje
Supervisado
Consideraciones:
Proporcionar conocimiento previo de los valores den
entrada (x) y los valores dependientes de salida (y)
La presencia de los valores de salida (y) son necesarios
para que el aprendizaje sea supervisado.
Ejemplos:
Clasificación de imágenes Reconocimiento de voz Pronostico / Predicción
Adecuado para tareas que tienen un patrón definido para ser
reproducido.
4. Clasificación | Aprendizaje Supervisado
• Ejemplo de clasificación:
• Dada una lista de
cursos, se desea
clasificar los datos en
base a un histórico
que contiene registros
y sus respectivos
cursos.
Un ejemplo es la predicción de la profesión basada en las calificaciones académicas
5. Regresión | Aprendizaje Supervisado
• La regresión consiste en encontrar alguna
función que asigne un conjunto de entradas
a un conjunto de salidas. La siguiente tabla
muestra cómo se sabe que un conjunto de
datos que contiene k registros de m entradas
independientes X están vinculados a n
salidas dependientes:
6. Ejemplo de Regresión
• A diferencia de la
clasificación, los valores de
salida son numéricos en
lugar de etiquetas o clases.
• También hay una base de
datos histórica que contiene
registros de algunos
comportamientos que nos
gustaría que aprendiera la
red neuronal.
Ejemplo de predicción de los precios de boletos de bus entre 2 ciudades
7. Datos Estructurados
• Una vez estructurado el
conjunto de datos, definimos
una red neuronal que contiene
el número exacto de
características (multiplicado por
dos, siempre que haya dos
ciudades) más las funciones de
ruta en la entrada, una salida y
un número arbitrario de
neuronas
• Esta red neuronal daría un
precio estimado para una ruta
entre dos ciudades.
9. Aplicaciones y Limitaciones
| Perceptrón
• Solo es aplicable a tareas simples
• Se dieron cuenta que los perceptrones fallaban cuando
analizaban datos complejos
• Analizar un perceptrón con el conector lógico AND
• El perceptrón busca resolver datos que son linealmente
separables
10. Ejemplos en
código fuente
java y weka • https://www.consultorjava.com/wp/machin
e-learning-inteligencia-artificial-ejemplo-de-
clasificacion/
• https://www.consultorjava.com/wp/ejempl
o-regresion-prediccion-machine-learning/