APRENDIZAJE NO SUPERVISADO

Vista previa del material en texto

Aprendizaje no Supervisado.
Unidad 2.
Tutor: Víctor López
Aprendizaje no Supervisado
Autoorganización.
Autoorganización es el proceso en el cual, por medio de interacciones locales, se obtiene ordenamiento global.
Aprendizaje no Supervisado
Autoorganización.
El aprendizaje no supervisado puede ser aplicado solo si hay redundancia presente en el input.
Redundancia: diferencia entre la máxima cantidad de información que puede ser enviada por el canal de entrada y el contenido de información actual del canal.
Aprendizaje no Supervisado
Capacidades.
Aprendizaje no Supervisado
Capacidades.
Las redes neuronales artificiales con aprendizaje no supervisado pueden realizar lo siguiente:
Análisis de similaridad. Una neurona puede decirnos exactamente cuan similar es un nuevo patrón de entrada con respecto a un patrón típico que ha sido visto antes.
Aprendizaje no Supervisado
Capacidades.
Análisis de componente principal. Extendiendo lo anterior a varias neuronas, se puede desarrollar un conjunto de ejes coordenados, por medio del cual se aplica este análisis. Cuando se proyectan los patrones de entrada sobre estos ejes, la discrepancia entre el conjunto inicial y el proyectado será tan pequeña como sea posible.
Aprendizaje no Supervisado
Capacidades.
Agrupación (clustering). Un conjunto de neuronas con salidas binarias, de las cuales solo una está activa en cada instante, nos puede decir a qué categoría pertenece la entrada actual.
Prototipado. La salida de la red es un ejemplo prototípico de la correspondiente categoría.
Aprendizaje no Supervisado
Capacidades.
Codificación. La salida de la red puede representar versiones codificadas del patrón de entrada usando un menor número de símbolos (p.ej. bits) tratando de retener el mayor detalle posible de la entrada.
Aprendizaje no Supervisado
Capacidades.
Mapas topográficos. Si las neuronas tienen un ordenamiento geométrico fijo (p.ej. rejilla bidimensional) y si hay solo una neurona activa en cada instante, diferentes patrones de entrada pueden activar diferentes neuronas y patrones de entrada similares pueden activar neuronas vecinas.
Aprendizaje no Supervisado
Aprendizaje Hebbiano No Supervisado
Aprendizaje no Supervisado
Aprendizaje Hebbiano No Supervisado
Por simplicidad consideremos una neurona. Asumamos que se tiene un conjunto de vectores de entrada {I} obtenido de una distribución de entrada P(I). En cada instante un vector I se obtiene de la distribución P(I) y se presenta a la red. Después de un tiempo la red nos podrá decir en qué grado, cierto patrón de entrada forma parte de la distribución de entrada.
44303.355
17789.326
21786.152
23092.305
28369.16
23353.535
17580.342
28316.914
42344.273
5929.811