Académique Documents
Professionnel Documents
Culture Documents
n
i
i i j
y w
Ing. Ivan Mejia Cabrera
MECANISMOS
DE
APRENDIZAJE
Mecanismos de
aprendizaje de la red
Reglas o
algoritmos
Aprendizaje
supervisado
Aprendizaje no
supervisado
A. por correccin
de error
A. por refuerzo
A. estocstico
Proceso por el cual
una red modifica sus
pesos en respuesta
a una informacin
de entrada
Regla del
Perceptron
Regla delta o de
Widrow - Hoff
Regla delta
generalizada o
Backpropagation
Ing. Ivan Mejia Cabrera
EL PERCEPTRON
Primer modelo de red neuronal desarrollado
por Rosenblatt 1958.
Est formada por varias neuronas lineales para
recibir las entradas a la red y una neurona de
salida entrada.
Despert gran inters en los aos 60 por su
capacidad de reconocer patrones sencillos.
Es capaz de decidir cundo una entrada
presentada a la red pertenece a una de las dos
clases que es capaz de reconocer.
Ing. Ivan Mejia Cabrera
EL PERCEPTRON n ENTRADAS
n
i
i i
x w
1
) (
.
.
.
w1
w2
wn
x1
x2
xn
x
f (x)
y = f [ ]
-1
1
Ing. Ivan Mejia Cabrera
EL PERCEPTRON 2 ENTRADAS
x1
x2
B
A
A
A
A
B
B
B
B
x1
x2
w1
w2
x1
x2
y = f ( w
1
x
1
+ w
2
x
2
- ) x
f (x)
-1
1
La neurona de salida del Perceptron realiza la
suma ponderada de las entradas, resta el umbral
y pasa el resultado a la funcin de transferencia
de tipo escaln.
Si la repuesta es +1, el patrn presentado
pertenece a la clase A y si la respuesta es -1, el
patrn pertenece a la clase B.
X0=1
W0= -
Ing. Ivan Mejia Cabrera
REGLA DE APRENDIZAJE DEL
PERCEPTRON
El algoritmo de aprendizaje es de tipo
supervisado.
En el proceso de entrenamiento, el Perceptron
se expone a un conjunto de patrones de
entrada, y los pesos de la red son ajustados de
forma que al final del entrenamiento se obtenga
las salidas esperadas para cada uno de esos
patrones de entrada.
A continuacin el algoritmo de ajuste de pesos
para realizar el aprendizaje de un Perceptron (
aprendizaje por correccin de error ).
Ing. Ivan Mejia Cabrera
Inicializacin de los pesos y del umbral
Inicialmente se asignan valores aleatorios a cada uno de los pesos wi de
las conexiones y al umbral ( -w0 = ).
Presentacin de un nuevo par (Entrada, salida esperada)
Patrn de entrada Xp = ( x1, x2, x3, , xn), salida esperada d (t).
Clculo de salida actual
siendo f la funcin de transferencia escaln.
Adaptacin de los pesos
w
i
(t+1) = w
i
(t) + [ d(t) y (t) ] x
i
(t)
es un factor de ganancia en el rango 0 a 1.
Volver al paso 2
y (t) = f [ ]
n
i
i i
x w
1
) (
Ing. Ivan Mejia Cabrera
EJEMPLO
X
1
X
2
X
1
X
2
0 0 0
0 1 1
1 0 1
1 1 1
1. Pesos elegidos aleatoriamente: w1=0.5,
w2=1.5, w0 = 1.5,
2. Tomar uno a uno los cuatro patrones
de entrada y se aplica el mtodo
explicado.
Patrn de entrada: 00
Entradas: x1=0, x2=0, x0=1
Pesos: w0 = 1.5, w1=0.5, w2=1.5
Neti: 0(0.5) + 0(1.5) + 1(1.5) = 1.5
Salida producida por f: 1 ( Neti >=0)
Salida deseada: 0
Error: 0 1 = -1
Pesos modificados:
w0(t + 1) = 1.5 + (-1)1 = 0.5
w1(t + 1) = 0.5 + (-1)0 = 0.5
w2(t + 1) = 1.5 + (-1)0 = 1.5
Valores deseados
de la funcin OR
Conjunto de patrones
{ 00, 01, 10, 11 }
= 1
PRIMERA CORRIDA
Ing. Ivan Mejia Cabrera
PRIMERA CORRIDA
Patrn de entrada: 01
Entradas: x1=0, x2=1, x0=1
Pesos: w1 = 0.5, w2=1.5,
w0=0.5
Neti: 0(0.5) + 1(1.5) + 1(0.5) =
2
Salida producida por f: 1 ( Neti
>=0)
Salida deseada: 1
Error: 1 1 = 0
Los pesos no se modifican:
wi (t + 1) = wi ( t )
Patrn de entrada: 10
La salida es igual a la deseada,
por lo que no varan los pesos.
Patrn de entrada: 11
La salida es igual a la deseada,
por lo que no varan los pesos.
Existe un patrn de
entrada, 00, para el cual el
error cometido no es cero,
por lo tanto se repite el
proceso a partir de 2 !!
Ing. Ivan Mejia Cabrera
SEGUNDA CORRIDA
3. Se toman de nuevo los cuatro patrones de
entrada.
Patrn de entrada: 00
Entradas: x1=0, x2=0, x0=1
Pesos: w1 = 0.5, w2=1.5, w0=0.5
Neti: 0(0.5) + 0(1.5) + 1(0.5) = 0.5
Salida producida por f: 1
Salida deseada: 0
Error: 0 1 = -1
Pesos modificados:
w0(t + 1) = 0.5 + (-1)1 = -0.5
w1(t + 1) = 0.5 + (-1)0 = 0.5
w2(t + 1) = 0.5 + (-1)0 = 1.5
Patrn de entrada: 01
Entradas: x1=0, x2=1, x0=1
Pesos: w1 = 0.5, w1=1.5, w0= -
0.5
Neti: 0(0.5) + 1(1.5) + 1(-0.5) =
1
Salida producida por f: 1
Salida deseada: 1
Error: 1 1 = 0
Los pesos no se modifican:
wi (t + 1) = wi ( t )
Patrn de entrada: 10
La salida es igual a la deseada, por lo
que no varan los pesos.
Patrn de entrada: 11
La salida es igual a la deseada, por lo
que no varan los pesos.
Ing. Ivan Mejia Cabrera
TERCERA CORRIDA
Se toman de nuevo los cuatro
patrones.
Patrn de entrada: 00
Entradas: x1=0, x2=0, x0=1
Pesos: w1 = 0.5, w2=1.5, w0= -
0.5
Neti: 0(0.5) + 0(1.5) + 1(-0.5)
= - 0.5
Salida producida por f: 0
Salida deseada: 0
Error: 0 0 = 0
No varan los pesos
wi (t + 1) = wi ( t )
Patrn de entrada: 10
La salida es igual a la deseada,
por lo que no varan los pesos.
Patrn de entrada: 11
La salida es igual a la deseada,
por lo que no varan los pesos.
Con estos nuevos pesos
los patrones de entrada
coinciden con las salidas, ya
no se comete ningn error
y por lo tanto la etapa de
aprendizaje concluye !!.
FIN
i x1 x2 d (t) w1(t) w2(t) w0(t) y error w1(t+1) w2(t+1) w0(t+1)
1 0 0 0 0.5 1.5 1.5 1 -1 0.5 1.5 0.5
0 1 1 0.5 1.5 0.5 1 0 0.5 1.5 0.5
1 0 1 0.5 1.5 0.5 1 0 0.5 1.5 0.5
1 1 1 0.5 1.5 0.5 1 0 0.5 1.5 0.5
2 0 0 0 0.5 1.5 0.5 1 -1 0.5 1.5 -0.5
0 1 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
1 0 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
1 1 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
3 0 0 0 0.5 1.5 -0.5 0 0 0.5 1.5 -0.5
0 1 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
1 0 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
1 1 1 0.5 1.5 -0.5 1 0 0.5 1.5 -0.5
INTRODUCCION A LA PROGRAMACIN LOGICA CON PROLOG
e = nmero de Euler o constante de Napier
e\, 2,71828 18284 59045 23536 02874 71352 66249 77572 47093 69995...
Muchos procesos naturales y
curvas de aprendizaje de
sistemas complejos muestran
una progresin temporal desde
unos niveles bajos al inicio,
La funcin sigmoide permite
describir esta evolucin.
ARIMETICA EN PROLOG
X = Y X e Y ocupan el lugar del mismo nmero
X \= Y X e Y ocupan el lugar de distintos nmeros
X < Y X es menor que Y
X > Y X es mayor que Y
X <= Y X es menor o igual que Y
X >= Y X es mayor o igual que Y
X + Y La suma de X e Y
X Y La resta de X e Y
X * Y El producto de X e Y
X / Y El cociente de X dividido por Y
X mod Y El resto de X dividido por Y