Professional Documents
Culture Documents
Inteligencia Artificial
IIC 2612
Un Agente Inductivo Toma II
Alvaro Soto
Ch. 5
DCC - PUC
Alvaro Soto
Ch. 5
DCC - PUC
Vector de entrada
Wij
j
Capa Entrada
Alvaro Soto
Capa Oculta
Vector de salida
Capa Salida
Ingredientes:
Unidades Capa
Entrada
Unidades Capas
Ocultas
Pesos
Ch. 5
DCC - PUC
ANNs in a Nutshell
Red Neuronal Artificial
Ejemplo:
cuando el vector de entrada es una
imagen del dgito 3 la salida debe ser
la codificacin binaria de este dgito
Alvaro Soto
Vector de salida
Vector de entrada
flujo
Red
Neuronal
0
0
1
1
Ch. 5
DCC - PUC
ANNs in a Nutshell
Atributo
Rango
Valor
Precio
Edad
No. Rec.
Repar
Clima
Cochera
Terreno
Construc.
Sector
300K-3M
0-50
1-10
1-5
C, D, N
0-5
100-1000
100-1000
1-5
900M
20
3
2
D
2
400
350
3
Edad
No. Rec.
Repar
Clima
Cochera
Terreno
Construc.
Precio ?
Sector
Alvaro Soto
Ch. 5
DCC - PUC
ANNs in a Nutshell
Atributo
Edad
No. Rec.
Repar
Clima
Cochera
Terreno
Construc.
Sector
Valor Val_Nor
20
3
2
D
2
400
350
3
0.4
0.3
0.15
0.25
0.33
0.4
0.35
0.65
Una
ANN
1.
es c
Su
estr aracte
2.
riz
uc
Su
mt tura in ada po
tern
o
los
r:
pes do pa
3.
a
ra d
os
Su
eter
func
mi n
in
an
de a
ctiv
aci
n
Alvaro Soto
Ch. 5
DCC - PUC
Neurona Artificial
Tipo Perceptrn
Neurona Biolgica
Axon de otro neurona
Arborizaci
Arborizacin
axonal
dendritas
Sinapsis
Conexiones
de entrada
xi
yi=g( i xi wij )
wi,j
Axon
xi wij
i
Ncleo
Soma o
cuerpo
Alvaro Soto
synapsis
Conexiones
de salida
yi
Salida
Funci
Funcin de
entrada
Funci
Funcin de
activaci
activacin
Ch. 5
DCC - PUC
Neurona Biolgica
Neurona Artificial
xi wij
i
Cerebro humano
Alvaro Soto
ANNs
Ch. 5
DCC - PUC
Algo de historia
1943: McCulloch and Pitts. Binary thresholdneuron
1949: Hebb. Hebb learning rule
1959: Rosemblatt. Perceptrn
1969: Minsky. Perceptrn altamente limitados
1982: Hopfield. Hopfield nets
1986: Rumelhart. Backpropagation
Alvaro Soto
Ch. 5
DCC - PUC
z =
xi wi
i
y=
Alvaro Soto
1 if
wi ,
0 otherwise
y=g(
xi wi )
y=g(z)
1
0
threshold
z10
Ch. 5
DCC - PUC
11
Ch. 5
DCC - PUC
TOMA
Alvaro Soto
Ch. 5
DCC - PUC
TOMA
Objetivo:
Encontrar set de pesos que minimiza error cuadrtico sobre
set de entrenamiento
Set de entrenamiento: O
x, t
x : entrada
: salida
deseada
tAlvaro
Soto
= w0 + w1 x1 + ...wn xn =
n
i =0
wi xi
1
2
Error = E [w]
(t d od )
2 dD
13
Ch. 5
DCC - PUC
TOMA
Tasa de aprendizaje
(learning rate)
Alvaro Soto
14
Ch. 5
DCC - PUC
TOMA
Alvaro Soto
15
Ch. 5
DCC - PUC
Regla de entrenamiento
Alvaro Soto
16
Ch. 5
Entrenamiento de un Perceptrn
Una Mirada Geomtrica
Alvaro Soto
DCC - PUC
17
Ch. 5
DCC - PUC
TOMA
Entrenamiento de un Perceptrn
Alvaro Soto
18
Ch. 5
DCC - PUC
TOMA
Entrenamiento de un Perceptrn
Modo Batch
sigue gradiente en
superficie de error en
set de training
w1
Alvaro Soto
Modo incremental
zig-zags por qu?
restriccin de
caso ejemplo 1
w1
w2
Restriccin de
caso ejemplo 2
w2
19
Ch. 5
DCC - PUC
Alvaro Soto
20
Ch. 5
DCC - PUC
Alvaro Soto
OR exclusivo: x1 x2
21
Ch. 5
DCC - PUC
x1 x2 = ( x1 x2 ) (~ x1 ~ x2 )
Nuevo problema:
Cmo entrenamos redes con un layer oculto (hidden layer)?
Alvaro Soto
Backpropagation al rescate
22
Ch. 5
DCC - PUC
Alvaro Soto
23
Ch. 5
DCC - PUC
Alvaro Soto
24
Ch. 5
DCC - PUC
Alvaro Soto
25
Ch. 5
DCC - PUC
Alvaro Soto
26
Ch. 5
DCC - PUC
Recetas de cocina
Aplicar estrategia tipo annealing para controlar
dinmicamente el valor de la tasa de aprendizaje
Aplicar un factor de momentum para actualizar valor
de pesos
Alvaro Soto
27
Ch. 5
DCC - PUC
Ejemplo
Podemos aprender la siguiente funcin?
Alvaro Soto
28
Ch. 5
!
!!!!
U
U
00
oc
as
d
ee
ntr
en
am
i en
to
A
lg
n
po co
rl m
a en
un ta
id rio
ad s
es ob
in re
te e
rn l v
as al
de or g
la en
re er
d? ad
o
DCC - PUC
Ejemplo
Inputs
Hidden values
Outputs
29
Ch. 5
DCC - PUC
Valor de la tecnologa
Alvaro Soto
30
Ch. 5
DCC - PUC
Alvaro Soto
31
Ch. 5
DCC - PUC
32
Ch. 5
DCC - PUC
Pesos
Resultantes
Enfasis en los
hombros
Alvaro Soto
Enfasis en la
espalda
33
Ch. 5
DCC - PUC
Ejemplo: ALVINN
Alvaro Soto
34
Ch. 5
DCC - PUC
Ejemplo: ALVINN
Alvaro Soto
35
Ch. 5
DCC - PUC
Entrada
er
t
c
e
s te no ras
g
n ien eco ca
i
n
r
i
0
d
tra pen ara e 2
n e
p 1d
e
d
d
os t in titu o y
t
da tes xac str
0 e
o
24 t d de e el r
Se % r a d
90 stu
po
Alvaro Soto
36
Ch. 5
DCC - PUC
Alvaro Soto
37
Ch. 5
DCC - PUC
ANNs y la fama
Exitosamente aplicadas en una gran gama de
aplicaciones relacionadas con problemas de:
Reconocimiento de patrones
Aproximacin de funciones
Prediccin
Estrategias de control
Ejemplos:
AlvaroSoto
38
Ch. 5
DCC - PUC
Muchos parmetros
Difcil elegir estructura
Difcil elegir representacin para inputs y outputs
Largo tiempo de entrenamiento
Difcil de ajustar el coeficiente de aprendizaje
Fcil de quedar atrapado en ptimo local
Limitadas capacidades para aprender
dinmicamente
Difcil de entender modelos
Actualmente nfasis ha girado hacia redes de
Bayes y mquinas de vectores de soporte que
pueden ser considerados como variantes del
perceptrn
Alvaro Soto
39
Ch. 5
DCC - PUC
40
Ch. 5