1) El documento describe los mapas autoorganizativos de Kohonen (SOM), una técnica de redes neuronales no supervisada donde las neuronas se autoorganizan para clasificar datos de entrada. 2) Los SOM aprenden patrones en los datos y agrupan datos similares, mapeando su espacio de entrada a una grilla multidimensional. 3) Se entrenan presentando datos de entrada uno a uno, ajustando los pesos de la neurona ganadora y sus vecinas para que se parezcan más al patrón de entrada.

1. Mapas con Características Autoorganizativas ( SOM )

2. Introducción

4. Nuestro Cerebro

6. “ El Homunculus” Es una representación distorsionada de la relación entre las partes del cuerpo y las regiones del cerebro que controlan a ellas

7. Professor of Computer Science, Computer Science Department, Biology Department, Department for Physics and Astronomy. Director, Laboratory of Computational and Biological Vision Director, Institut für Neuroinformatik , Ruhr-Universität Bochum, Germany Ph D. Christoph von der Malsburg (1970´s)

8. His research areas are the theory of self-organization, associative memories, neural networks, and pattern recognition, in which he has published over 300 research papers and four monography books. His fifth book is on digital computers. His more recent work is expounded in the tercera edicion extendida (2001) Teuvo Kohonen Dr. Eng., Emeritus Professor of the Academy of Finland; Academician of his book Self - Organizing Maps . (1980´s)

11. Arquitectura

15. Características

21. Vecindades

24. Ejemplo de funcionamiento:

25. Convergencia

26. Función sombrero mexicano (Mexican-Hat)

30. Algoritmo de Aprendizaje

34. Regla de Aprendizaje de los SOM Actualización de los vectores de pesos en una vecindad de la neurona ganadora. REGLA DE KOHONEN

35. Donde: N i* (d) es la vecindad que contiene el indice para todas las neuronas que radican dentro del radio d d es el radio alrededor de la neurona ganadora i* es la neurona ganadora

36. De esta forma: N i* (d) ={ j, d ij  d} Conforme p se este presentando, los pesos de la neurona ganadora y de su vecindad se acercarán cada vez más a p

42. Modificación de los parámetros La vecindad se modifica de igual forma Donde:  0 es el numero total de iteraciones  0 =1/2 # neuronas en la capa

44. Aplicaciones

49. La máquina de escribir neuronal fonética .

51. Ejercicios

53. Antes Después

54. Código en Matlab NNT

55. ARQUITECTURA SOM

56. Inicio Final Mapa Bidimensional

57. Simulación en Matlab / NNT

75. Inicio Final Mapa Lineal

76. Bibliografía

79. Dudas ???

80. Hasta la próxima !!!