Este documento describe las redes auto organizadas conocidas como mapas auto organizados (SOFM). Explica que los SOFM son redes neuronales no supervisadas inspiradas en la organización del cerebro. El documento detalla la estructura, funcionamiento y algoritmo de aprendizaje de los SOFM, incluyendo cómo las neuronas se autoorganizan para mapear datos de entrada de alta dimensionalidad a un espacio de salida de menor dimensión mientras se preserva la topología. Finalmente, el documento menciona algunas aplicaciones de los SOFM como la clasificación,
Este documento resume los principales tipos de aprendizaje en inteligencia artificial, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. Describe aprendizaje supervisado como necesitando un profesor para entrenar y medir el sistema, e incluye aprendizaje por corrección de error, refuerzo y estocástico. El aprendizaje no supervisado no requiere supervisión y permite autoorganización. El documento también explica conceptos clave como algoritmos de aprendizaje, leyes de aprendizaje
Este documento trata sobre los diferentes tipos de aprendizaje automático en sistemas inteligentes y redes neuronales. Explica que el objetivo principal de la inteligencia artificial ha sido construir sistemas que aprendan de forma automática. Describe tres tipos principales de aprendizaje: aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado. Para cada uno, explica brevemente sus características y algoritmos de entrenamiento. El documento provee una introducción general a estos temas fundamentales en el campo de la
Este documento describe las redes neuronales competitivas auto organizadas (SOFM). Explica que los SOFM son modelos neuronales inspirados en zonas del cerebro donde la información sensorial se representa de forma topológicamente ordenada. Detalla que los SOFM aprenden de forma no supervisada a través de competición entre neuronas y que organizan la información de entrada preservando las relaciones de vecindad. También resume las características, estructura, algoritmo de aprendizaje y aplicaciones de los SOFM, incluyendo reconocimiento de patrones, clasificación y
Este documento describe las redes neuronales autoorganizadas conocidas como mapas autoorganizados (SOFM). Los SOFM son una clase de redes neuronales no supervisadas que aprenden a agrupar y clasificar datos de entrada de forma no supervisada a través de un proceso competitivo de aprendizaje. El documento explica la estructura, funcionamiento y algoritmo de aprendizaje de los SOFM, así como sus aplicaciones en reconocimiento de patrones, clasificación y reducción de dimensionalidad.
El objetivo más investigado de la IA es construir un sistema que aprenda de forma autónoma. El aprendizaje automático implica que un sistema cambia de forma adaptativa a través de la experiencia para mejorar su desempeño en el futuro. Existen dos tipos principales de aprendizaje: supervisado y sin supervisar. El aprendizaje supervisado usa ejemplos etiquetados para entrenar al sistema y minimizar el error, mientras que el aprendizaje sin supervisar permite que el sistema se organice por sí mismo sin etiquetas. Dentro del apre
El objetivo más investigado de la IA es construir un sistema que aprenda de forma autónoma. El aprendizaje automático implica que un sistema cambia de forma adaptativa a través de la experiencia para mejorar su desempeño en el futuro. Existen dos tipos principales de aprendizaje: supervisado y no supervisado. El aprendizaje supervisado usa ejemplos etiquetados para entrenar al sistema y minimizar el error, mientras que el no supervisado permite que el sistema se organice por sí mismo sin etiquetas. El aprendizaje es crucial para la
El documento presenta una cita de Edward Benjamin Britten que dice "Aprender es como remar contra corriente: en cuanto se deja, se retrocede". El documento luego proporciona información sobre aprendizaje automático, incluyendo definiciones, tipos de algoritmos, minería de datos, modelos y más.
Este documento presenta un proyecto de reconocimiento de patrones realizado por 6 estudiantes de la Escuela de Ingeniería de Sistemas. Incluye una introducción sobre el reconocimiento de patrones y procesamiento digital de imágenes, así como una sección de marco teórico que describe enfoques como redes neuronales y algoritmos como backpropagation y Hopfield.
Este documento resume los principales tipos de aprendizaje en inteligencia artificial, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. Describe aprendizaje supervisado como necesitando un profesor para entrenar y medir el sistema, e incluye aprendizaje por corrección de error, refuerzo y estocástico. El aprendizaje no supervisado no requiere supervisión y permite autoorganización. El documento también explica conceptos clave como algoritmos de aprendizaje, leyes de aprendizaje
Este documento trata sobre los diferentes tipos de aprendizaje automático en sistemas inteligentes y redes neuronales. Explica que el objetivo principal de la inteligencia artificial ha sido construir sistemas que aprendan de forma automática. Describe tres tipos principales de aprendizaje: aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado. Para cada uno, explica brevemente sus características y algoritmos de entrenamiento. El documento provee una introducción general a estos temas fundamentales en el campo de la
Este documento describe las redes neuronales competitivas auto organizadas (SOFM). Explica que los SOFM son modelos neuronales inspirados en zonas del cerebro donde la información sensorial se representa de forma topológicamente ordenada. Detalla que los SOFM aprenden de forma no supervisada a través de competición entre neuronas y que organizan la información de entrada preservando las relaciones de vecindad. También resume las características, estructura, algoritmo de aprendizaje y aplicaciones de los SOFM, incluyendo reconocimiento de patrones, clasificación y
Este documento describe las redes neuronales autoorganizadas conocidas como mapas autoorganizados (SOFM). Los SOFM son una clase de redes neuronales no supervisadas que aprenden a agrupar y clasificar datos de entrada de forma no supervisada a través de un proceso competitivo de aprendizaje. El documento explica la estructura, funcionamiento y algoritmo de aprendizaje de los SOFM, así como sus aplicaciones en reconocimiento de patrones, clasificación y reducción de dimensionalidad.
El objetivo más investigado de la IA es construir un sistema que aprenda de forma autónoma. El aprendizaje automático implica que un sistema cambia de forma adaptativa a través de la experiencia para mejorar su desempeño en el futuro. Existen dos tipos principales de aprendizaje: supervisado y sin supervisar. El aprendizaje supervisado usa ejemplos etiquetados para entrenar al sistema y minimizar el error, mientras que el aprendizaje sin supervisar permite que el sistema se organice por sí mismo sin etiquetas. Dentro del apre
El objetivo más investigado de la IA es construir un sistema que aprenda de forma autónoma. El aprendizaje automático implica que un sistema cambia de forma adaptativa a través de la experiencia para mejorar su desempeño en el futuro. Existen dos tipos principales de aprendizaje: supervisado y no supervisado. El aprendizaje supervisado usa ejemplos etiquetados para entrenar al sistema y minimizar el error, mientras que el no supervisado permite que el sistema se organice por sí mismo sin etiquetas. El aprendizaje es crucial para la
El documento presenta una cita de Edward Benjamin Britten que dice "Aprender es como remar contra corriente: en cuanto se deja, se retrocede". El documento luego proporciona información sobre aprendizaje automático, incluyendo definiciones, tipos de algoritmos, minería de datos, modelos y más.
Este documento presenta un proyecto de reconocimiento de patrones realizado por 6 estudiantes de la Escuela de Ingeniería de Sistemas. Incluye una introducción sobre el reconocimiento de patrones y procesamiento digital de imágenes, así como una sección de marco teórico que describe enfoques como redes neuronales y algoritmos como backpropagation y Hopfield.
Este documento presenta una introducción al aprendizaje automático. Define el aprendizaje automático como el desarrollo de técnicas que permiten a las computadoras aprender a partir de ejemplos, generalizando patrones para reconocer nuevas situaciones. Explica dos formas de adquirir experiencia, el aprendizaje supervisado y no supervisado, y clasifica el aprendizaje en inductivo, deductivo, analógico y genético. Finalmente, enumera diversas aplicaciones del aprendizaje automático en campos como el pro
Utp pd_iy_va_sap12 reconocimiento de patronesjcbp_peru
El documento presenta información sobre reconocimiento de patrones. Algunos puntos clave incluyen:
El reconocimiento de patrones tiene como objetivo principal la clasificación mediante la extracción de características de señales. Los patrones se obtienen a través de procesos de segmentación, extracción de características y descripción.
Un sistema de reconocimiento de patrones completo incluye un sensor, un mecanismo de extracción de características y una etapa de toma de decisiones. Entre las aplicaciones se encuentran el reconocimiento de
Este documento describe el aprendizaje automático, incluyendo su necesidad, objetivo y métodos. Explica que el aprendizaje automático desarrolla métodos computacionales para inducir conocimiento a partir de datos mediante el uso de conjuntos de ejemplos y mecanismos de control. Finalmente, resume algunas formas comunes de representar el aprendizaje automático como algoritmos de clasificación, árboles de decisión, redes bayesianas y redes neuronales.
Este documento describe diferentes tipos de aprendizaje, incluyendo aprendizaje animal, aprendizaje automático y apoyos al aprendizaje. Se enfoca en explicar el aprendizaje inductivo automático, el cual consiste en inducir nuevo conocimiento a partir de datos mediante inferencia inductiva. Existen dos tipos principales de aprendizaje inductivo: aprendizaje supervisado, donde se clasifican ejemplos con la guía de un tutor, y aprendizaje no supervisado, donde el sistema clasifica ejemplos por sí solo observando el dominio.
Este documento presenta el sílabo de la asignatura "Procesamiento de Imágenes y Visión Artificial". La asignatura introduce conceptos clave como el procesamiento digital de imágenes, transformaciones espaciales, segmentación, reconocimiento de objetos y visión estereoscópica. El curso combina clases teóricas con prácticas de laboratorio para aplicar diferentes técnicas de procesamiento de imágenes.
Conocer las diferencias entre los distintos algoritmos de aprendizaje automático.Utilizar una herramienta para minería de datos y comparar varios algoritmos de aprendizaje automático. Para ello vamos a trabajar con la herramienta RapidMiner.
El documento habla sobre inteligencia artificial. Explica que la inteligencia artificial combina ciencia de la computación, fisiología y filosofía con el objetivo de crear máquinas que puedan pensar. También describe algunas tareas como juegos y traducción que han sido estudiadas desde esta perspectiva. Además, explica brevemente diferentes metodologías de inteligencia artificial como redes neuronales.
Machine learning es una parte del estudio de la inteligencia artificial donde las máquinas pueden aprender a partir de ejemplos iniciales. Los sistemas de machine learning pueden aprender y resolver problemas de manera más efectiva que los sistemas expertos preprogramados. Existen diferentes tipos de algoritmos de machine learning como el aprendizaje supervisado, no supervisado y por refuerzo.
La inteligencia artificial trata de crear máquinas que puedan pensar simulando la inteligencia humana. Utiliza técnicas como redes neuronales y lógica difusa para resolver problemas mal estructurados con poca información. Las características clave incluyen el uso de símbolos no matemáticos y la habilidad de razonar con conocimiento del mundo real.
El documento presenta un balotario para una segunda práctica de inteligencia artificial que incluye tareas como graficar redes neuronales multicapa con diferentes números de neuronas y funciones de transferencia, describir y graficar el algoritmo de entrenamiento de perceptrones monocapa, entrenar redes SLP para expresiones lógicas usando métodos matemáticos y el algoritmo de entrenamiento, y entrenar redes MLP para funciones XOR y conjunción usando el algoritmo de retropropagación.
Utp ia_2014-2_s10_redes de funciones de base radialjcbp_peru
Este documento presenta una sesión sobre redes de funciones de base radial. Explica la arquitectura de tres capas de estas redes, con una capa oculta que usa funciones de activación radiales como Gaussianas y una capa de salida lineal. También cubre el entrenamiento híbrido de estas redes y aplicaciones como clasificación, reconocimiento y predicción.
Utp sirn_s13_sistemas de control basados en logic difusajcbp_peru
Este documento describe los conceptos fundamentales de los sistemas de control basados en lógica difusa, incluyendo la estructura general de un sistema difuso, las reglas difusas, los métodos de fusificación, implicación, agregación y defusificación, y algunas aplicaciones comunes de los sistemas de control difusos.
Utp ia_2015-1_s11-12_logica difusa y conjuntos difusosjcbp_peru
Este documento trata sobre lógica difusa y conjuntos difusos. Primero introduce la clasificación de la lógica, incluyendo lógicas clásicas como la proposicional y de primer orden, y no clásicas como la lógica difusa. Luego explica la lógica difusa, sus aplicaciones y cómo surgió para manejar conceptos imprecisos. Finalmente, define conjuntos difusos y funciones de pertenencia, y cómo representan grados de pertenencia entre 0 y 1 para generalizar los conjuntos clásicos.
Este documento presenta las instrucciones para el Laboratorio No. 2 sobre Redes Neuronales Artificiales. El objetivo del laboratorio es entrenar diferentes tipos de redes neuronales (Perceptron, Adaline, Backpropagation, Base Radial y Kohonen) utilizando comandos de MATLAB y la herramienta nntool. Se explican los pasos para graficar el patrón de entrenamiento, crear y entrenar cada tipo de red tanto con comandos como con la herramienta. Adicionalmente, se presentan ejemplos de funciones lógicas y expresiones para
El documento presenta el sílabo de un curso de inteligencia artificial que introduce conceptos como redes neuronales, lógica difusa y algoritmos genéticos. El curso se desarrolla en 15 semanas donde se explican temas teóricos y prácticos relacionados con estas áreas, y los estudiantes son evaluados a través de prácticas calificadas, laboratorios y un examen final.
Este documento describe las funciones de activación y el cálculo de la salida en redes neuronales artificiales. Explica que la salida de una neurona depende de tres funciones: propagación, activación y transferencia. Detalla diferentes funciones de transferencia comúnmente usadas como escalón, lineal, no lineal y competitiva. Además, muestra cómo calcular la salida de una red neuronal artificial monocapa y tricapa usando diferentes funciones de transferencia y valores aleatorios como entrada. Finalmente, propone varios ejercicios y procedimientos para implementar y grafic
El documento presenta las instrucciones y objetivos para un laboratorio sobre sistemas de control basados en lógica difusa. Los estudiantes aprenderán a graficar interpretaciones de conjuntos difusos, funciones de pertenencia, operaciones binarias y reglas de inferencia difusa usando MatLab. También modelarán un sistema de control difuso y presentarán un informe con sus hallazgos.
Este documento presenta una introducción a la Inteligencia Artificial. Explica que la IA intenta crear programas que imiten la inteligencia humana mediante el desarrollo de agentes. También describe los diferentes tipos de agentes inteligentes, las escuelas de pensamiento de la IA, la historia y evolución del concepto de IA, y algunas aplicaciones como la lingüística computacional y la minería de datos.
Utp 2015-2_ia_s6_adaline y backpropagationjcbp_peru
Este documento trata sobre Adaline y Backpropagation. Brevemente describe:
1) Adaline, una red neuronal lineal entrenada con el algoritmo LMS para minimizar el error cuadrático medio.
2) La regla del perceptrón para entrenar redes con función de activación de escalón.
3) Backpropagation, un algoritmo para entrenar redes multicapas mediante retropropagación del error.
Este documento presenta una introducción a las Redes Neuronales Artificiales (RNA). Explica las características de las RNA, incluyendo su capacidad de aprendizaje, generalización y abstracción. También describe la neurona biológica, la red neuronal biológica, y las diferencias entre la computación tradicional y la computación neuronal. Brevemente resume la historia y aplicaciones de las RNA.
Este documento resume la red neuronal Perceptron. Explica que el Perceptron fue desarrollado por Frank Rosenblatt en 1957 y fue el primer modelo de red neuronal artificial. Describe la arquitectura del Perceptron, que consiste en una capa de entrada, una capa de salida y pesos sinápticos que se pueden ajustar mediante un algoritmo de aprendizaje. También explica cómo el Perceptron puede clasificar patrones de entrada de manera linealmente separable utilizando este algoritmo de aprendizaje.
Este documento presenta un primer examen práctico sobre inteligencia artificial y redes neuronales artificiales para estudiantes de ingeniería. Incluye preguntas sobre la introducción a IA y RNA, redes neuronales multicapa, patrones de aprendizaje y su separabilidad lineal, diseño de redes neuronales simples y entrenamiento del perceptrón, y entrenamiento de funciones lógicas en una MLP.
Este documento presenta una introducción al aprendizaje automático. Define el aprendizaje automático como el desarrollo de técnicas que permiten a las computadoras aprender a partir de ejemplos, generalizando patrones para reconocer nuevas situaciones. Explica dos formas de adquirir experiencia, el aprendizaje supervisado y no supervisado, y clasifica el aprendizaje en inductivo, deductivo, analógico y genético. Finalmente, enumera diversas aplicaciones del aprendizaje automático en campos como el pro
Utp pd_iy_va_sap12 reconocimiento de patronesjcbp_peru
El documento presenta información sobre reconocimiento de patrones. Algunos puntos clave incluyen:
El reconocimiento de patrones tiene como objetivo principal la clasificación mediante la extracción de características de señales. Los patrones se obtienen a través de procesos de segmentación, extracción de características y descripción.
Un sistema de reconocimiento de patrones completo incluye un sensor, un mecanismo de extracción de características y una etapa de toma de decisiones. Entre las aplicaciones se encuentran el reconocimiento de
Este documento describe el aprendizaje automático, incluyendo su necesidad, objetivo y métodos. Explica que el aprendizaje automático desarrolla métodos computacionales para inducir conocimiento a partir de datos mediante el uso de conjuntos de ejemplos y mecanismos de control. Finalmente, resume algunas formas comunes de representar el aprendizaje automático como algoritmos de clasificación, árboles de decisión, redes bayesianas y redes neuronales.
Este documento describe diferentes tipos de aprendizaje, incluyendo aprendizaje animal, aprendizaje automático y apoyos al aprendizaje. Se enfoca en explicar el aprendizaje inductivo automático, el cual consiste en inducir nuevo conocimiento a partir de datos mediante inferencia inductiva. Existen dos tipos principales de aprendizaje inductivo: aprendizaje supervisado, donde se clasifican ejemplos con la guía de un tutor, y aprendizaje no supervisado, donde el sistema clasifica ejemplos por sí solo observando el dominio.
Este documento presenta el sílabo de la asignatura "Procesamiento de Imágenes y Visión Artificial". La asignatura introduce conceptos clave como el procesamiento digital de imágenes, transformaciones espaciales, segmentación, reconocimiento de objetos y visión estereoscópica. El curso combina clases teóricas con prácticas de laboratorio para aplicar diferentes técnicas de procesamiento de imágenes.
Conocer las diferencias entre los distintos algoritmos de aprendizaje automático.Utilizar una herramienta para minería de datos y comparar varios algoritmos de aprendizaje automático. Para ello vamos a trabajar con la herramienta RapidMiner.
El documento habla sobre inteligencia artificial. Explica que la inteligencia artificial combina ciencia de la computación, fisiología y filosofía con el objetivo de crear máquinas que puedan pensar. También describe algunas tareas como juegos y traducción que han sido estudiadas desde esta perspectiva. Además, explica brevemente diferentes metodologías de inteligencia artificial como redes neuronales.
Machine learning es una parte del estudio de la inteligencia artificial donde las máquinas pueden aprender a partir de ejemplos iniciales. Los sistemas de machine learning pueden aprender y resolver problemas de manera más efectiva que los sistemas expertos preprogramados. Existen diferentes tipos de algoritmos de machine learning como el aprendizaje supervisado, no supervisado y por refuerzo.
La inteligencia artificial trata de crear máquinas que puedan pensar simulando la inteligencia humana. Utiliza técnicas como redes neuronales y lógica difusa para resolver problemas mal estructurados con poca información. Las características clave incluyen el uso de símbolos no matemáticos y la habilidad de razonar con conocimiento del mundo real.
El documento presenta un balotario para una segunda práctica de inteligencia artificial que incluye tareas como graficar redes neuronales multicapa con diferentes números de neuronas y funciones de transferencia, describir y graficar el algoritmo de entrenamiento de perceptrones monocapa, entrenar redes SLP para expresiones lógicas usando métodos matemáticos y el algoritmo de entrenamiento, y entrenar redes MLP para funciones XOR y conjunción usando el algoritmo de retropropagación.
Utp ia_2014-2_s10_redes de funciones de base radialjcbp_peru
Este documento presenta una sesión sobre redes de funciones de base radial. Explica la arquitectura de tres capas de estas redes, con una capa oculta que usa funciones de activación radiales como Gaussianas y una capa de salida lineal. También cubre el entrenamiento híbrido de estas redes y aplicaciones como clasificación, reconocimiento y predicción.
Utp sirn_s13_sistemas de control basados en logic difusajcbp_peru
Este documento describe los conceptos fundamentales de los sistemas de control basados en lógica difusa, incluyendo la estructura general de un sistema difuso, las reglas difusas, los métodos de fusificación, implicación, agregación y defusificación, y algunas aplicaciones comunes de los sistemas de control difusos.
Utp ia_2015-1_s11-12_logica difusa y conjuntos difusosjcbp_peru
Este documento trata sobre lógica difusa y conjuntos difusos. Primero introduce la clasificación de la lógica, incluyendo lógicas clásicas como la proposicional y de primer orden, y no clásicas como la lógica difusa. Luego explica la lógica difusa, sus aplicaciones y cómo surgió para manejar conceptos imprecisos. Finalmente, define conjuntos difusos y funciones de pertenencia, y cómo representan grados de pertenencia entre 0 y 1 para generalizar los conjuntos clásicos.
Este documento presenta las instrucciones para el Laboratorio No. 2 sobre Redes Neuronales Artificiales. El objetivo del laboratorio es entrenar diferentes tipos de redes neuronales (Perceptron, Adaline, Backpropagation, Base Radial y Kohonen) utilizando comandos de MATLAB y la herramienta nntool. Se explican los pasos para graficar el patrón de entrenamiento, crear y entrenar cada tipo de red tanto con comandos como con la herramienta. Adicionalmente, se presentan ejemplos de funciones lógicas y expresiones para
El documento presenta el sílabo de un curso de inteligencia artificial que introduce conceptos como redes neuronales, lógica difusa y algoritmos genéticos. El curso se desarrolla en 15 semanas donde se explican temas teóricos y prácticos relacionados con estas áreas, y los estudiantes son evaluados a través de prácticas calificadas, laboratorios y un examen final.
Este documento describe las funciones de activación y el cálculo de la salida en redes neuronales artificiales. Explica que la salida de una neurona depende de tres funciones: propagación, activación y transferencia. Detalla diferentes funciones de transferencia comúnmente usadas como escalón, lineal, no lineal y competitiva. Además, muestra cómo calcular la salida de una red neuronal artificial monocapa y tricapa usando diferentes funciones de transferencia y valores aleatorios como entrada. Finalmente, propone varios ejercicios y procedimientos para implementar y grafic
El documento presenta las instrucciones y objetivos para un laboratorio sobre sistemas de control basados en lógica difusa. Los estudiantes aprenderán a graficar interpretaciones de conjuntos difusos, funciones de pertenencia, operaciones binarias y reglas de inferencia difusa usando MatLab. También modelarán un sistema de control difuso y presentarán un informe con sus hallazgos.
Este documento presenta una introducción a la Inteligencia Artificial. Explica que la IA intenta crear programas que imiten la inteligencia humana mediante el desarrollo de agentes. También describe los diferentes tipos de agentes inteligentes, las escuelas de pensamiento de la IA, la historia y evolución del concepto de IA, y algunas aplicaciones como la lingüística computacional y la minería de datos.
Utp 2015-2_ia_s6_adaline y backpropagationjcbp_peru
Este documento trata sobre Adaline y Backpropagation. Brevemente describe:
1) Adaline, una red neuronal lineal entrenada con el algoritmo LMS para minimizar el error cuadrático medio.
2) La regla del perceptrón para entrenar redes con función de activación de escalón.
3) Backpropagation, un algoritmo para entrenar redes multicapas mediante retropropagación del error.
Este documento presenta una introducción a las Redes Neuronales Artificiales (RNA). Explica las características de las RNA, incluyendo su capacidad de aprendizaje, generalización y abstracción. También describe la neurona biológica, la red neuronal biológica, y las diferencias entre la computación tradicional y la computación neuronal. Brevemente resume la historia y aplicaciones de las RNA.
Este documento resume la red neuronal Perceptron. Explica que el Perceptron fue desarrollado por Frank Rosenblatt en 1957 y fue el primer modelo de red neuronal artificial. Describe la arquitectura del Perceptron, que consiste en una capa de entrada, una capa de salida y pesos sinápticos que se pueden ajustar mediante un algoritmo de aprendizaje. También explica cómo el Perceptron puede clasificar patrones de entrada de manera linealmente separable utilizando este algoritmo de aprendizaje.
Este documento presenta un primer examen práctico sobre inteligencia artificial y redes neuronales artificiales para estudiantes de ingeniería. Incluye preguntas sobre la introducción a IA y RNA, redes neuronales multicapa, patrones de aprendizaje y su separabilidad lineal, diseño de redes neuronales simples y entrenamiento del perceptrón, y entrenamiento de funciones lógicas en una MLP.
Este documento describe los mapas auto organizados, incluyendo sus características, reglas de aprendizaje y algoritmos de entrenamiento. También explica las redes competitivas y la red de aprendizaje vectorial cuantizado, mostrando ejemplos de su funcionamiento para clasificación.
Este documento describe los mapas autoorganizados o mapas de Kohonen, que son una herramienta para la visualización y análisis de datos multidimensionales. Explica la inspiración biológica detrás de los mapas autoorganizados, su arquitectura y algoritmo de aprendizaje no supervisado. El objetivo es agrupar datos similares y reducir la dimensionalidad para facilitar la visualización e interpretación de grandes conjuntos de datos.
Este documento describe los conceptos fundamentales de las redes neuronales competitivas y los mapas autoorganizados de Kohonen. Explica cómo estas redes se inspiran en procesos biológicos como la autoorganización neuronal y cómo aprenden mediante competición entre neuronas para clasificar datos de entrada de forma no supervisada. Finalmente, detalla los pasos para crear un modelo de mapa autoorganizado, incluyendo la inicialización de pesos y la determinación de la topología y el tamaño de la red.
Redes Neurais Artificiais - Modelos e suas implementaçõesgpolo
O documento discute redes neurais artificiais, incluindo: (1) Neurônios artificiais e como são implementados, (2) Redes de Hopfield que são usadas para reconstrução de padrões e segmentação de imagens, (3) Mapas auto-organizáveis de Kohonen que realizam classificação não supervisionada.
Este documento resume las características de la red neuronal competitiva de Hamming, incluyendo su arquitectura de tres capas, su algoritmo de aprendizaje competitivo y algunos de sus problemas comunes como neuronas muertas. También proporciona ejemplos de código en Matlab/NNToolbox para implementar y entrenar este tipo de red neuronal.
Un SOFM (Self-Organizing Feature Map) es una red neuronal no supervisada que mapea datos de alta dimensionalidad a baja dimensionalidad, preservando la topología de los datos. Los SOFM tienen las siguientes características: aprendizaje no supervisado, competición entre neuronas, y autoorganización basada en similitud. El objetivo de un SOFM es reducir la dimensionalidad de los datos y agrupar datos similares. Un SOFM opera mediante la selección de una neurona ganadora, actualización de pesos de neuronas vecinas basada en similit
Este documento describe los Mapas Auto Organizados (SOFM) o Redes Competitivas. Los SOFM son redes neuronales no supervisadas que organizan la información de entrada de manera que las neuronas próximas en la red aprenden patrones similares. El documento explica que los SOFM se inspiran en la organización topológica del cerebro y aprenden mediante un proceso competitivo no supervisado. Además, describe la estructura, el algoritmo de aprendizaje y aplicaciones de los SOFM como la clasificación y agrupamiento de datos.
REDES NEURONALES Mapas con Características Autoorganizativas SomESCOM
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.
El documento describe la red neuronal Kohonen, que tiene la capacidad de formar mapas topológicos de las características de entrada similar a como el cerebro representa información. La red Kohonen aprende de forma no supervisada para clasificar patrones de entrada en grupos basados en su similitud, asignando cada grupo a una neurona de salida. El aprendizaje modifica los pesos de las conexiones para que los patrones similares activen neuronas cercanas en la capa de salida.
Tema 8 Aprendizaje De Sistemas Difusos Con Redes NeuronalesESCOM
1. - Introducción a las Redes Neuronales.
1.1.- Redes Neuronales Artificiales (Artificial
Neural Networks).
1.2.- Neuronas biológicas.
1.3.- ¿Qué es una red neuronal?
1.4.- Tipos de redes neuronales.
1.5.- Aplicaciones.
2. - Aplicación al diseño de controladores
difusos.
2.1.- Arquitectura ANFIS.
2.2.- Controlador neurodifuso adaptativo.
2.3.- Otros ejemplos de aplicación.
Los mapas autoorganizativos (SOFM) son redes neuronales que aprenden a clasificar vectores de entrada en grupos similares. La red determina la neurona ganadora más cercana al vector de entrada y actualiza los pesos de esa neurona y sus vecinas para que se asemejen más al vector de entrada. Esto causa que las neuronas vecinas aprendan vectores similares y la red se autoorganice para clasificar uniformemente el espacio de entrada. Varias técnicas como reducir gradualmente el tamaño del vecindario y el índice de aprend
Este documento describe el uso de funciones de activación logsig y tansig en redes neuronales artificiales. Explica las características de las redes neuronales, incluyendo arquitecturas, aprendizaje y entrenamiento. Luego detalla las funciones logsig y tansig, que mapean valores de entrada continua a valores de salida entre 0 y 1 o -1 y 1 respectivamente. Finalmente, presenta un ejemplo de clasificación de cáncer de mama usando estas funciones en una red neuronal.
El documento describe las redes neuronales, que surgieron de intentos por simular el cerebro mediante modelos matemáticos de neuronas y sus conexiones. Funcionan mediante unidades llamadas neuronas que se conectan y envían señales, simulando el aprendizaje neuronal. Se usan para reconocimiento de patrones, minería de datos y sistemas de control adaptativo. Algunos tipos son el perceptrón, Adaline y backpropagation.
Este documento presenta información sobre modelos y simulación de sistemas. Explica que un modelo es una representación abstracta de la realidad que ayuda a entender su funcionamiento. Describe diferentes tipos de modelos como deterministas, estocásticos, discretos y dinámicos. También cubre conceptos como simulación, tipos de simulación y cuando es apropiado utilizar simulación para estudiar un sistema.
El documento divide el razonamiento basado en casos en 4 procesos: recuperar casos similares, reutilizar la información de casos pasados, revisar la solución propuesta, y retener la experiencia para futuros problemas. Explica que al enfrentar un nuevo problema, lo primero es recordar casos relevantes previos y dar una solución basada en ellos.
Redes neuronales Luis Lozano CI 22.840.519lozanolc
Las redes neuronales artificiales RNA buscan imitar el comportamiento de las redes neuronales de las personas, y aplicarlas en las computadoras, esta presentación es una introducción a esta rama de la Inteligencia Artificial que cada dia toma mas importancia en el desarrollo de computadores de 6ta generación
Este documento introduce las redes neuronales artificiales, que se inspiran en el funcionamiento del cerebro humano y están compuestas de neuronas interconectadas. Explica que las redes neuronales aprenden de la experiencia y pueden generalizar y clasificar patrones de manera similar al cerebro. También describe las características, estructura, tipos de aprendizaje y aplicaciones principales de las redes neuronales artificiales.
Este documento describe las redes neuronales artificiales y sus aplicaciones en el ámbito financiero. Brevemente explica cómo funcionan las redes neuronales, incluyendo su estructura, aprendizaje y tipos de funciones de activación. También resume algunos ejemplos de cómo se han utilizado las redes neuronales para la predicción de mercados financieros, la valoración de opciones y la optimización de carteras de inversión.
¿CÓMO APRENDEMOS LOS SERES HUMANOS?
¿CÓMO PUEDE APRENDER EL COMPUTADOR?
¿CÓMO SE PUEDE AUTOMATIZAR EL PROCESO DE CLASIFICACIÓN?
¿CUÁL ES LA ESTRUCTURA DE UNA BASE DE CONOCIMIENTO?
Este documento describe cómo se pueden aplicar técnicas de inteligencia artificial como redes neuronales y máquinas de vectores de soporte para predecir el rendimiento de estudiantes usando datos recopilados de un sistema gamificado para aprender Prolog. El sistema recopila datos sobre el uso y progreso de los estudiantes y los usa para entrenar modelos que predicen la probabilidad de que los estudiantes obtengan notas altas, intermedias o bajas. Estas predicciones se muestran a estudiantes y profesores para ayudar a ident
Este documento describe las redes neuronales artificiales, incluyendo su historia, componentes y aplicaciones. Explica que las redes neuronales se inspiran en el funcionamiento del cerebro biológico y están compuestas de neuronas interconectadas. También describe las funciones clave de las redes neuronales como el aprendizaje adaptativo, la tolerancia a fallos y la capacidad de operar en tiempo real para resolver problemas complejos.
El documento describe las redes neuronales artificiales, que son sistemas inspirados en el cerebro humano y capaces de aprender. Explica que las redes neuronales consisten en unidades interconectadas que pueden reconocer patrones y mejorar con el aprendizaje. También describe algunas aplicaciones comerciales de las redes neuronales, como la predicción financiera y el reconocimiento de imágenes.
El documento describe las redes neuronales artificiales, que son sistemas inspirados en el cerebro humano y capaces de aprender. Explica que las redes neuronales consisten en unidades interconectadas que pueden reconocer patrones y mejorar con el aprendizaje. También describe algunas aplicaciones comerciales de las redes neuronales, como la predicción financiera y el reconocimiento de imágenes.
Este documento presenta una introducción al tema de las redes neuronales artificiales. Explica que las redes neuronales se inspiran en el funcionamiento del cerebro humano y sus neuronas, y que buscan crear modelos artificiales capaces de adquirir conocimiento a través de la experiencia, como lo hace el cerebro. Describe los componentes básicos de una neurona artificial y de una red neuronal, así como los diferentes tipos de aprendizaje que pueden llevar a cabo las redes neuronales.
Similar a Utp ia_2015-2_s89_redes autorganizadas (20)
Este documento presenta una lista de preguntas para una sesión de aprendizaje sobre la Red Digital de Servicios Integrados (RDSI). La primera sección contiene preguntas sobre la introducción, evolución y acceso a RDSI, incluyendo cómo la norma la Unión Internacional de Telecomunicaciones, ventajas sobre la Red Telefónica Conmutada, y diagramas de redes de telecomunicaciones de los años 60 y 70. La segunda sección contiene preguntas sobre la arquitectura de RDSI, incluyendo la configuración de
El documento presenta una práctica calificatoria domiciliaria sobre redes digitales de servicios integrados. Contiene preguntas sobre clasificación de estándares de comunicaciones móviles, redes GSM y UMTS, OFDMA, y LTE. Los estudiantes deben completar tablas y responder preguntas sobre estas tecnologías móviles de manera manuscrita.
Este documento es una práctica calificada sobre comunicaciones inalámbricas que incluye preguntas sobre las arquitecturas GSM, UMTS y LTE. Los estudiantes deben completar tablas con acrónimos y sus significados, diagramas de red identificando elementos clave, y describir características de las diferentes agrupaciones funcionales y puntos de referencia de las redes mencionadas.
Este documento presenta una lista de 18 preguntas para una práctica calificada sobre comunicaciones inalámbricas. Las preguntas cubren temas como WiMax fijo y móvil, incluyendo sus características y arquitecturas. También incluye preguntas sobre clasificación de sistemas de comunicaciones móviles, parámetros de interfaz radio, calidad de servicio y arquitecturas de redes como GSM, GPRS y UMTS, entre otros.
Este documento presenta una lista de 19 preguntas para una segunda práctica calificada sobre comunicaciones inalámbricas. Las preguntas cubren temas como Bluetooth, Zigbee, WLAN y protocolos 802.11x, e incluyen definir características, describir especificaciones, graficar arquitecturas, comparar tecnologías y listar elementos de redes inalámbricas. Se instruye a los estudiantes a responder las preguntas en un tiempo límite de 1 hora y 30 minutos sin usar apuntes ni copiar, y con letra clara
Este documento es el examen parcial de la asignatura Redes Digitales de Servicios Integrados de la Facultad de Ingeniería Eléctrica y Electrónica de la Universidad Nacional de Ingeniería. El examen consta de 5 secciones que evalúan la configuración de referencia de RDSI, los principales elementos de RDSI, la red SS7, el proceso de establecimiento de llamadas RDSI y los servicios de RDSI. Los estudiantes deben identificar y nombrar los elementos de diferentes diagramas y tablas relacion
El documento es un examen parcial sobre Redes Digitales de Servicios Integrados que consta de 5 preguntas. La primera pregunta pide identificar elementos en diagramas de configuración de referencia de RDSI. La segunda pregunta trata sobre tipos de canales y accesos RDSI. La tercera pregunta cubre la estructura básica, pila de protocolos y procesos de SS7. La cuarta pregunta trata sobre servicios RDSI. Y la quinta pregunta pide graficar interfaces T e indicar sus características.
Este documento presenta una práctica calificada sobre redes digitales de servicios integrados. La práctica contiene preguntas sobre agrupaciones funcionales y puntos de referencia en RDSI, la estructura y protocolos de señalización SS7, y los servicios provistos por RDSI. Los estudiantes deben completar tablas y responder preguntas para demostrar su comprensión de estos conceptos fundamentales de las redes digitales.
Este informe analiza la importancia de la figura paterna en la educación de los hijos y los efectos de su ausencia o devaluación. Señala que la presencia de un padre implicado trae múltiples beneficios para el desarrollo personal e intelectual de los hijos. Sin embargo, en la actualidad se observa una crisis de la paternidad debido a la ausencia física o psíquica del padre, o a modelos paternos inadecuados. Esto tiene perversos efectos como un aumento de la violencia y la delinc
Este documento presenta una primera práctica calificada para el curso de Comunicaciones Inalámbricas. Consiste en 18 preguntas teóricas y prácticas sobre conceptos básicos como el espectro radioeléctrico, los servicios de telecomunicaciones, las bandas de frecuencia y los métodos para calcular pérdidas por difracción en enlaces de microondas. También incluye tablas para completar sobre las tecnologías inalámbricas existentes.
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionjcbp_peru
Este documento presenta los conceptos fundamentales de los modelos determinísticos de propagación para comunicaciones inalámbricas móviles. Introduce los problemas de las comunicaciones móviles y las soluciones propuestas. Explica los conceptos de difracción, elipsoides de Fresnel y su aplicación para predecir la propagación de señales alrededor de obstáculos. Finalmente, discute el uso de estos modelos para la planificación de redes de comunicaciones móviles.
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosjcbp_peru
El documento describe los servicios inalámbricos actuales y futuros. Cubre las principales tecnologías de acceso inalámbrico como radio móvil, satélite, sistemas punto a multipunto y WLAN. También discute la división del espectro, direcciones de comunicación y estándares como WiMAX, Wi-Fi y Bluetooth. El objetivo es proporcionar una visión general de la situación actual y futura de las comunicaciones inalámbricas.
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricojcbp_peru
Este documento presenta una sesión de aprendizaje sobre el espectro radioeléctrico. La sesión cubre el espectro electromagnético, el espectro radioeléctrico, el espectro 4G en Latinoamérica, el espectro 5G y el Plan Nacional de Asignación de Frecuencias de Colombia. El objetivo es explicar los conceptos fundamentales del espectro radioeléctrico y las bandas utilizadas para las comunicaciones inalámbricas.
Uni wc 2016 1 sesion 14 redes moviles 4 gjcbp_peru
El documento describe las redes móviles de cuarta generación (4G). Explica que la tecnología LTE cumple con muchos pero no todos los requisitos de 4G. LTE-Advanced sí cumple con todos los requisitos y es considerado el estándar 4G. También describe las características y arquitectura de LTE, incluyendo sus interfaces, opciones de espectro y capacidades avanzadas como MIMO y OFDMA.
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gjcbp_peru
Este documento presenta información sobre redes móviles 2G y 3G. Explica los organismos de estandarización como ETSI y 3GPP. Describe las generaciones de redes móviles, incluyendo las características y evolución de GSM, GPRS y UMTS. También detalla la arquitectura y componentes clave de estas redes como BTS, BSC, MSC, HLR y VLR para GSM, y RNC, Node B, SGSN y GGSN para UMTS.
Este documento proporciona una introducción a la tecnología LTE, describiendo su evolución a partir de generaciones anteriores de redes móviles y las especificaciones necesarias para ser considerada una red 4G. Explica los elementos clave de su arquitectura, incluyendo interfaces y equipos, y destaca los mecanismos de transmisión de voz en LTE, con el objetivo de ofrecer una visión general de esta tecnología en Latinoamérica.
Este documento trata sobre redes móviles. Explica los principios básicos de diferentes generaciones de redes móviles como GSM, UMTS y LTE. Describe las características técnicas de estas tecnologías y cómo funcionan. Además, cubre temas como redes ad-hoc, sistemas de distribución multipunto y otros aspectos relacionados con la transmisión inalámbrica de datos. El objetivo es familiarizar al lector con los fundamentos de las redes móviles y cómo han evolucionado a lo largo del tiempo
Este documento trata sobre el acceso múltiple por división de código (CDMA). Explica conceptos como el ensanchamiento de espectro, las secuencias de códigos como las secuencias de Walsh y OVSF, y cómo funciona el CDMA en un entorno celular. También analiza los componentes de interferencia en CDMA multicelular y el problema de cerca-lejos, y cómo se calcula la capacidad en sistemas CDMA. Por último, incluye una tarea que pide describir detalladamente códigos no ortogonales como Gold, S(
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesjcbp_peru
El documento presenta una sesión de aprendizaje sobre comunicaciones móviles. Introduce el concepto de servicio móvil y clasifica los sistemas de comunicaciones móviles de acuerdo a su modalidad de funcionamiento, sector de aplicación, banda de frecuencias utilizada, técnica de multiacceso, modulación y ancho de banda del canal, y modo de explotación. Explica los conceptos de interfaz radio, enlaces, técnicas de duplexado, distribución de frecuencias y parámetros de calidad. Resume la
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionjcbp_peru
Este documento presenta los conceptos básicos de la propagación de ondas en comunicaciones inalámbricas móviles. Explica los problemas de las comunicaciones móviles relacionados con las antenas, el entorno y la banda disponible, así como posibles soluciones. Luego introduce modelos de propagación determinísticos basados en la difracción para predecir la señal recibida en entornos irregulares, incluida la difracción por objetos delgados y redondos. Finalmente, discute cómo aplicar estos modelos en la plan
2. 2
Sesión 9. Redes Auto organizadas
Mapas auto organizados(MAO) (SOFM-Self
Organization Feature Maps)
Ubicación de los SOFM en la clasificación de las RNA.
Concepto de los SOFM.
Objetivo y diferencia de los SOFM.
Características de los SOFM.
Arquitectura del SOFM.
Algoritmo de aprendizaje de los SOFM.
Conclusiones.
Aplicaciones.
3. 3
Mapas auto organizados (SOFM)
• Desarrollado en su forma actual por el finlandés Teuvo Kohonen
en el año 1982.
• La vida nos proporciona abundantes ejemplos de lo que
conocemos con el nombre de auto organización:
– Cuando los alumnos asisten a un curso, el primer día se
sientan en las sillas de forma aleatoria. Conforme pasan los
días se recolocan en el aula, de forma que paulatinamente se
sientan juntos según sus afinidades:
• Hay grupos exclusivamente formados por chicas o chicos,
• El típico grupo que se sientan en las últimas filas,
• Los de los primeros bancos,
• Las "parejitas",
• etc.
4. 4
Mapas auto organizados (SOFM)
En determinadas zonas del cerebro se
ha encontrado experimentalmente
que las neuronas detectoras de
sensaciones se encuentran
topológicamente ordenadas.
¿Qué tiene que ver con el cerebro?
5. 5
Mapas auto organizados (SOFM)
• Ante un estímulo proveniente de
sensores de la piel próximos entre sí, se
estimulan neuronas del cerebro
pertenecientes a una misma zona.
• Hay un modelo neuronal que se inspira
en estas zonas del cerebro donde la
información proveniente de los sentidos
se representa topológicamente
ordenada: son los mapas auto
organizados (MAO – SOFM).
¿Qué tiene que ver con el cerebro?
El MAO (SOFM) es un modelo neuronal indudablemente más
inspirado en el cerebro que el anterior perceptron multicapa.
6. 6
Mapas auto organizados (SOFM)
¿Para qué sirve?
• Algunos problemas reales en los que ha demostrado su
eficacia incluyen:
– tareas de clasificación,
– reducción de dimensiones y
– extracción de rasgos.
• Su utilidad más importante se relaciona con la clasificación
de información o el agrupamiento de patrones por tipos o
clases.
7. 7
Mapas auto organizados (SOFM)
Aprendizaje no supervisado
• El MAO, además de estar inspirado en determinadas zonas
del cerebro, utiliza una estrategia de aprendizaje que los
humanos utilizamos frecuentemente, el llamado
aprendizaje no supervisado.
• El aprendizaje supervisado se asemeja al profesor que
enseña y corrige al alumno, el aprendizaje no supervisado
o auto organizado es semejante al alumno que aprende
por sí mismo, sin la ayuda de un profesor, pero
disponiendo de un material docente, libros, etc.
8. 8
Mapas auto organizados (SOFM)
¿Qué hace esta red neuronal?
• La idea básica del MAO es crear
una imagen de un espacio
multidimensional de entrada en
un espacio de salida de menor
dimensionalidad.
• Se trata de un modelo con dos
capas de neuronas:
– una de entrada y
– otra de procesamiento.
9. 9
Mapas auto organizados (SOFM)
¿Qué hace esta red neuronal?
• Las neuronas de la primera capa se limitan a
recoger y canalizar la información.
• La segunda capa está conectada a la primera a
través de los pesos sinápticos y realiza la tarea
importante: una proyección no lineal del espacio
multidimensional de entrada, preservando las
características esenciales de estos datos en forma
de relaciones de vecindad.
• El resultado final es la creación del llamado mapa
auto organizado donde se representan los rasgos
más sobresalientes del espacio de entrada.
10. 10
Mapas auto organizados (SOFM)
¿Qué hace esta red neuronal?
• Una cámara fotográfica es capaz de representar en dos
dimensiones (una fotografía) un espacio de tres
dimensiones. Realiza una proyección lineal de las tres
dimensiones en un plano. Gracias a ello, al contemplar
una fotografía tenemos una idea de lo que hay en una
habitación, en un paisaje, etc.
• El modelo de Kohonen realiza una fotografía de un espacio
n dimensional, de tal forma que se conserva la topología:
los objetos que están cercanos en el espacio de n
dimensiones aparecerán próximos en el mapa auto
organizado. Así, al contemplar este mapa, podemos
darnos una idea de cómo están situados en el espacio de
n dimensiones.
11. 11
Mapas auto organizados (SOM)
¿Qué hace esta red neuronal?
• Otras técnicas estadísticas tienen un objetivo
similar de reducción de la dimensionalidad de un
problema:
el análisis de componentes principales,
las escalas multidimensionales,
etc.
12. 12
Mapas auto organizados (SOFM)
Estructura del SOFM
• El MAO está formado por una matriz rectangular de
neuronas, de modo que las relaciones entre los patrones
de entrada son mucho más fácilmente visibles en forma de
relaciones de vecindad.
• Cada neurona sintoniza o aprende por sí misma a
reconocer un determinado tipo de patrón de entrada.
• En el espacio de salida la topología esencial del de entrada
queda preservada, de manera que neuronas próximas en
el mapa aprenden a reconocer patrones de entrada
similares, cuyas imágenes, por lo tanto, aparecerán
cercanas en el mapa creado.
13. 13
Mapas auto organizados (SOFM)
Estructura del SOFM
• Este espacio de salida se representa por una capa discreta de
neuronas artificiales o procesadores elementales,
generalmente ordenados formando una matriz rectangular.
• En el ejemplo con el que se empieza esta presentación, los
alumnos sentados en las sillas son como las neuronas
alojadas en la estructura reticular.
• También podemos comparar esta estructura neuronal con
una hoja de cálculo. Cada neurona es una celda de la hoja de
cálculo, que a su vez se encuentra vinculada a otras hojas.
14. 14
Ubicación de los SOFM
Supervisados:
- SLP / MLP
- Adaline/Madaline
- Backpropagation
- etc.
No supervisados
(Auto organizados):
- SOFM - Kohonen
- Hopfield
- ART
- etc.
RNA según
su tipo de
aprendizaje
15. 15
Concepto de los SOFM
• No tienen autoridad central.
• Las neuronas se auto organizan según la similitud
entre ellas.
• Las neuronas aprenden mediante la auto
organización.
• Durante el proceso de aprendizaje al ingresar un
dato de entrada solo una neurona que tenga una
actividad positiva dentro de la vecindad, será
activada en la capa de salida.
16. 16
Características de los SOFM
• 1982, Teuvo Kohonen
• Simulación de estructuras nerviosas.
• Posee un aprendizaje no supervisado
competitivo.
• Organizan la información de entrada.
• No se presentan las salidas objetivo.
• La red descubre por si misma rasgos comunes.
• Las neuronas se auto organizan en función de
estímulos externos.
18. 18
Algoritmo de aprendizaje de los SOM
1. Inicialización de los pesos sinápticos Wkij y el contador
de épocas (iteraciones) t=1.
2. Elección de un patrón de entre el conjunto de patrones
de entrenamiento.
3. Para cada neurona del mapa, calcular la distancia
euclídea entre el patrón de entrada y el vector de pesos
sinápticos:
Distancia Euclídea entre el vector sináptico y la entrada:
entrada
vector sináptico
19. 19
Algoritmo de aprendizaje de los SOM
4. Evaluar la neurona ganadora (aquella cuya distancia es la
menor de todas).
5. Actualizar los pesos sinápticos de la neurona ganadora y de
sus vecinas según la regla de actualización de los pesos:
Wkij(t+1)=Wkij(t) + α(t) h(|i-g|,t) (Xk(t) - Wkij(t))
Donde:
α(t) es la función (Ritmo) de Aprendizaje.
h(|i-g|,t) es la función de vecindad.
Xk(t) es el patrón de entrada k de m dimensiones.
Wkij(t) es el peso del patrón de entrada k asociado a la
neurona (i,j).
20. 20
Algoritmo de aprendizaje de los SOM
Función (Ritmo) de Aprendizaje (α(t))
• Determina la variación en los pesos de las neuronas.
• Depende del numero de iteración y el numero total de
iteraciones.
α(t) = α0 + (αf - α0) t/tα
Donde:
α0 es el ritmo de aprendizaje inicial (< 1,0)
αf es el ritmo de aprendizaje final
t es el número de iteración.
tα es el numero máximo de iteraciones.
21. 21
Algoritmo de aprendizaje de los SOM
Función de vecindad
h(|i-g|,t) es la función de vecindad que depende del
numero de iteración y la distancia de una neurona a
la neurona ganadora.
22. 22
Algoritmo de aprendizaje de los SOM
Función de vecindad
La función de vecindad mas simple es del tipo escalón:
Donde R(t) es el radio de vecindad, que depende del numero de
iteración. En la ultima iteración esté será igual a 1 (radio de la
neurona ganadora).
Una neurona pertenece a la vecindad de la ganadora, si d < R(t).
Donde:
d = |i - g|
23. 23
Algoritmo de aprendizaje de los SOM
6. Si se llegó al numero de iteraciones establecido
(¿t=tα?), el proceso de aprendizaje finaliza, caso
contrario regresar al paso 2.
24. 24
Resumen
SOFM:
• Por lo general es un espacio bidimensional
(puede ser unidimensional, o tridimensional o n
dimensional).
• El criterio de similitud usado es la distancia
euclídea.
• Los pesos se modifican según un factor (ritmo) de
aprendizaje y una función de vecindad.
• Las neuronas vecinas se modifican según la
función de vecindad..
• La topología determina como se conectan las
neuronas.
25. 25
Conclusiones:
Los mapas auto organizado de rasgos (SOFM) :
• Tienen entrenamiento no supervisado.
• Existe una competición entre neuronas.
• Se definen las vecindades que permiten la
ordenación topológica.
• Aplicaciones:
Reconocimiento de patrones:
Reconocimiento de voz.
Robótica
Clasificación
• Inconveniente: Lentitud del entrenamiento.
26. 26
Aplicaciones:
En el siguiente mapa se han coloreado los países que tienen
características similares con el mismo color, y los próximos con
colores cercanos a un color.
28. Preguntas
28
Al término de la experiencia de aprendizaje el alumno debe ser
capaz de responder las siguientes preguntas:
1. ¿Qué es un SOFM?.
2. ¿Cuáles son las características de un SOFM?.
3. ¿Cuál es el objetivo de un SOFM?.
4. Describir las fases de operación de un SOFM.
5. Explicar el funcionamiento de los SOFM.
6. Describir el algoritmo de entrenamiento de un SOFM.
7. Describir las limitaciones de los SOFM.
8. Listar cinco aplicaciones de las SOFM.
29. 29
Sesión 8. Redes auto organizadas
Inteligencia Artificial
http://utpiayse.blogspot.com