Identificar soluciones de aprendizaje

inteligente, aplicando las redes neuronales

artificiales, e introducir las aplicaciones RA
usando Unity 3D, incorporando un modelo
animado 3D.

Modulo 8
M.C. Eloina Rodríguez González
1.
Inteligencia Artificial
AI
 Origen
◂ AI aparece a mediados de los años 50’s
◂ Es la ciencia que genera procesos para que las máquinas
hagan cosas, que si las realizaran los seres humanos,
requieren inteligencia.
 Elementos

Base de BD
Conocimientos (programación)
Inteligencia
Artificial
Motor de Programas
Inferencia (algoritmia)
 Características
• Representación simbólica del conocimiento
humano (hechos, reglas y estructuras
simbólicas) frente a la cuantificación numérica
• Aplicación de sistemas de inferencia
(conclusiones a partir de conocimiento inicial)
Sistemas Basados en Conocimiento

Programa = Datos + Pasar a Sistema = Conocimiento +

Algoritmos Inferencia
 Inteligencia Artificial Simbólica
• Involucran sistemas de manera inteligente
para obtener resultados inteligentes,
relacionados con el razonamiento y la lógica.

7
 Tipos de Inteligencia Artificial
• Actual como las personas.
• Razonar como las personas.
• Razonar racionalmente.
• Actuar racionalmente.

8
 Aplicaciones en Robótica
Los robots mascotas.
• https://www.youtube.com/watch?v=uFMenah
pJtI
• ¿Cuál es el propósito funcional?
• ¿Cuáles son las entradas?
• ¿Cuáles son los sensores?
• ¿Cuáles son las salidas?
• ¿Cuáles son los actuadores?

9
 Aplicaciones en Robótica
Los robots mascotas.
• https://www.youtube.com/watch?v=8t8fyiiQV
Z0
• ¿Cuáles son los movimientos requeridos?
• ¿Cuáles son las entradas?
• ¿Cuáles son los sensores?
• ¿Cuáles son las salidas?
• ¿Cuáles son los actuadores?

10
 Aplicaciones en Juegos
• Las damas. (1989), Jonathan Schaeffer.
• El programa incluye una base de datos con
aperturas de los mejores jugadores y otra de
situaciones finales cuando quedan 8 o menos
fichas en el tablero.
• http://webdocs.cs.ualberta.ca/~chinook/.

11
 Aplicaciones en Juegos
• El ajedrez. (1997), Deep Blue venció al
campeón humano G. Kasparov.
Desarrollado por IBM utilizaba hardware
específico, bases de datos que permitían
al programa jugar de forma perfecta en
las situaciones finales con 7 o menos
fichas en el tablero, y algoritmos de
búsqueda del tipo
minimax. https://www.ibm.com/ibm/hist
ory/ibm100/us/en/icons/deepblue/
 Aplicaciones en Juegos
• El go. Dimensiones del tablero (19 3 19, con
361 intersecciones), Reduccción de tablero de
9 x 9. Se utiliza el UCT.
• https://www.smartgo.com/es/go.html
• https://smartgo.com/es/windows.html
 Aplicaciones en Robótica
Los robots de exploración y
reconocimiento
• https://ciencia.nasa.gov/ciencias-
especiales/03jun_spirit
• ¿Cuál fue la misión?
• ¿Cuál fue el razonamiento humano
implementado?
• ¿Cuáles son los sensores?
• ¿Cuáles son los actuadores?

14
 Aplicaciones en Robótica
Los robots de exploración y
reconocimiento Curiosity

15
 Aplicaciones en Robótica
Los robots de exploración y
reconocimiento
• https://www.nasa.gov/mission_pages/msl/ind
ex.html
• ¿Cuál fue la misión?
• ¿Cuáles son las funcionalidades?
 Aplicaciones en Robótica
Los robots bípedos
• https://www.youtube.com/watch?v=QdQL11u
WWcI
• ¿Cuáles son las funcionalidades?
 Aplicaciones en Industria Automotriz
Volvo-NVIDIA
• https://www.youtube.com/watch?v=m2kKAj5
Q59E
• ¿Cuál es el impacto de hardware-software?
 Aplicaciones en Detección de Rostros
• https://www.youtube.com/watch?v=7KADwu
GMDeg
• ¿Cuál es el objetivo?
 AI
• La inteligencia artificial se encuentra en el
área de control de sistemas, planificación
automática, como herramienta de
diagnóstico, detección de imágenes, voz por
reconocimiento de patrones.
• Los sistemas de inteligencia artificial se aplica
en las áreas de economía, medicina,
ingeniería, milicia, aplicaciones de software,
video juegos, ciber-seguridad.
Algunos de los Problemas que Resuelve la Inteligencia Artificial
 Temas de Inteligencia Artificial
• Resolución de problemas y búsqueda.
(formulación y formas de resolución)
• Representación y Sistemas Basados en el
Conocimiento.
• Aprendizaje automático.
• Inteligencia Artificial Distribuida. (agentes
autónomos)

22
 Otros temas
a) El lenguaje natural.
b) La visión artificial.
c) La robótica.
d) El reconocimiento de voz.
e) Reconocimiento de imágenes

23
 Inteligencia Artificial en
Industria 4.0
El impulso de la transformación digital incluye:
◂ Información Digital
◂ Automatización de Procesos
◂ Fabricación Inteligente
◂ Clientes Conectados

24
Pilares Tecnológicos en Industrial
4.0

25
 Beneficios de las Empresas
con los Cambios Digitales
◂ Eficiencia en los Procesos
◂ Eficiencia en la Gestión
◂ Ahorro de Tiempo
◂ Incremento de Rentabilidad
◂ Ampliación del Número de Clientes

26
 Big Data
• Es la recopilación de datos que requiere
tecnologías para realizar la extracción de la
información debido al volumen, velocidad y
variedad de los datos.
27
 Almacenamiento de
Datos
Información › Espacio físico
› Bases de Datos › Legalidad (convenio de
› Clasificación privacidad y uso de
información)
› Almacenamiento
› Dirigida a procesos
› Patrones

28
 Sistemas Embebidos
◂ Además de los factores de conversión y consideraciones de
cálculos por las operaciones lógico - matemáticas del
algoritmo que resuelve la aplicación con respecto a las
características de procesamiento del microcontrolador.
◂ A partir de estos datos, el procesamiento se genera a fin de
obtener parámetros que permitan inferir sobre resultados
futuros esperados. Así contar con un patrón de referencia del
comportamiento del suceso.

29
Algoritmos de Interés en la Inteligencia
Artificial

Ciencia que permite a las

Artificial Intelligence
máquinas imitar el
comportamiento humano
Utiliza métodos estadísticos que
Machine Learning
mejoren las máquinas con la
experiencia.
Deep Generar factibilidad a través de
Learnin realizar el calculo de la red
g neural por capas
 Goal
◂ Un sistema de aprendizaje requiere:
◂ Información previa (a priori)
◂ Información actual
◂ Consideraciones del aprendizaje:
◂ Restricciones para el procesamiento del aprendizaje
◂ Evaluación de las formas de aprendizaje
El proceso de aprendizaje alcanza un estado de aprendizaje

31
Machine Learning
Machine Learning
El aprendizaje automático, como aplicación de inteligencia artificial,
trata de proveer al sistema la habilidad de aprender de manera
automática debido a la experiencia de lo que ha sido programado.

• El proceso de aprendizaje inicia con datos, experiencia directa (al

ejecutar restricciones), instrucciones, a fin de formar un patrón en los
datos y tomar decisiones.

• El objetivo principal es que las computadoras o sistemas aprendan

de manera automática, es decir, sin la intervención humana a través
de los algoritmos que se han definido.
 Aprendizaje profundo
◂ Aprendizaje de Máquinas

34
Ejemplo

Textos de Vectores de
entrenamiento, características
documentos,
imágenes
Modelo de Aprendizaje
Algoritmo Supervisado
de
Etiquetas
Aprendizaje
Automático

Vectores de
características
Nuevo texto,
Modelo Etiqueta
documento,
Predictivo Esperada
imagen

35
 Características: Los sistemas pueden aprender de
los datos antes procesados, usando etiquetas para
producir eventos futuros.

Algoritmos Proceso: Analizan el conocimiento (características)

de del entrenamiento de las bases de datos. Ejecutan
funciones de inferencia para realizar predicciones de
Aprendizaje los valores de salida y así reproducir salidas objetivo
después del entrenamiento.
Supervisado
Verificación: Las salidas se evalúan como correctas
o incorrectas a fin de encontrar errores y modificar
el modelo.

36
Ejemplo

Datos sin Salida

procesar Ambiente

Mejor Modelo
Recompensa Acción de
Aprendizaje
por
Selección de
Estado Algoritmo Refuerzo

Agente

37
 Características: El aprendizaje se genera a
través de la interacción con el entorno, al
producirse acciones y descubrir errores. Se
basa en metodologías que otorgan
recompensas.

Algoritmos de Proceso: La búsqueda de prueba y error,

genera recompensas. Se generan sistemas y
Aprendizaje con agentes inteligentes para determinar el
Reforzamiento comportamiento dentro del entorno.

Verificación: La verificación es a través del

desempeño y la retroalimentación (feedback)
del análisis de los datos generada por los
agentes inteligentes.

38
Ejemplo

Textos de Vectores de
entrenamiento, características
documentos,
imágenes Modelo de Aprendizaje
No Supervisado
Algoritmo
de
Etiquetas
Aprendizaje
Automático

Vectores de
características
Nuevo texto, Probabilidad o
Modelo
documento, Clúster ID o mejor
Predictivo
imagen Representación

39
 Características: Se utiliza para
clasificar la información a entrenar.

Algoritmos
de Proceso: El sistema infiere una
Aprendizaje función para establecer la estructura
no de los datos no clasificados.
Supervisado
Verificación: La salida no es una
respuesta correcta, si no es utilizada
como entrada para generar la
estructura de la función de inferencia.

40
Gráfica Computacional
 Red Neuronal
• Una red neuronal artificial es un grupo de
nodos (representa una neurona artificial)
interconectados de la forma en que estan
conectados en el cerebro biológico. Las fechas
representan la conexión de la salida de una
neurona a la entrada de otra neurona.
Red Neuronal
 • Las redes neuronales artificiales (ANN) se desarrollaron para generar aprendizaje
de los datos.

• Los sistemas de conexiones en evolución (ECOS) se utilizan para el aprendizaje

adaptativo, a partir de datos que miden procesos de evolución.

• Los enlaces transmiten información de entrada a través de la red neuronal y

produce valores de salida.

• El valor de salida de cada neurona proviene de ser multiplicado por el valor de

peso de la neurona.

Red • Los pesos pueden incrementar o inhibir el estado de activación de las neuronas
adyacentes.

Neuronal • La función de activación en la neurona de salida es una función limitadora o

umbral, para modificar el valor resultado, es decir, definir un resultado antes de la
propagación a otra neurona.

• Así, el sistema aprende y se forma a sí mismo, realizando el aprendizaje

automático que minimice la función de pérdida al evaluar la red en su totalidad.

• La propagación hacia atrás se realiza cuando los valores de los pesos de las
neuronas actualizan su valor por la función de pérdida definida.

• Algunas de las aplicaciones son el reconocimiento de patrones, imagen y voz.

 Herramientas de Software
• Machine Learning con Matlab
En el ebook se presentan ejemplos para resolver:
- Acceder y explorar datos
- Preprocesar los datos mediante regresión stepwise (paso a paso) y
regularización para la selección de características
- Desarrollar modelos predictivos con algoritmos de clasificación,
incluyendo árboles de decisión, los k-vecinos más próximos y el Bayesiano
ingenuo
- Optimizar el rendimiento del modelo y ajustar los hiperparámetros
mediante la búsqueda de cuadrículas y la optimización bayesiana
- Desplegar análisis a escritorios, sistemas de IT empresariales, la
nube y sistemas embebidos.
NOTA: Para descargar el ebook, es necesario crear una cuenta
en https://la.mathworks.com/
https://la.mathworks.com/videos/machine-learning-with-matlab-87051.html
Matlab
Matlab
Matlab
 Desarrollo de Proyectos
https://la.mathworks.com/academia.html?s_tid=gn_acad
 Eventos
https://la.mathworks.com/company/events.html?s_tid=gn_ev
 Videos
https://la.mathworks.com/videos/search.html?s_tid=gn_ev_rw&q=&page=1
 Entrenamiento
https://matlabacademy.mathworks.com/?s_tid=acb_tut
 Aprendizaje
Aprendizaje Aprendizaje Aplicaciones
no
Supervisado Profundo
Supervisado

Herramientas Inteligencia Aprendizaje Clasificación

de Software Artificial Automático

Agente Sistemas Aprendizaje con

Recompensa
Inteligente Embebidos Reforzamiento

Industria Red
Big Data Entrenamiento
4.0 Neuronal

Producir
Gráfica Conocimientos
Capas Eventos
Computacional + Inferencia
Futuros
 Soporte/Ejemplos
https://la.mathworks.com/help/examples.html?s_tid=mlc_ME
Machine Learning
Entrenamiento_Red

BD

Entrenamiento

Imagen

Clasificación

Fin
M.C. Eloina Rodríguez

Matlab - Keras
 Entrenamiento de una Neurona
% Importar librería Keras [trainDigitData,testDigitData] =
layers = splitEachLabel(digitData,...
importKerasLayers('digitsDAGnet.h5'); trainingFileSplitRatio,'randomize’);

% Cargar el conjunto de datos % Opciones de entrenamiento

digitDatasetPath = options =
fullfile(toolboxdir('nnet'), 'nndemos', ... trainingOptions('sgdm','MaxEpochs',20,...
'nndatasets', 'DigitDataset'); 'InitialLearnRate',0.001);
digitData =
imageDatastore(digitDatasetPath, ... % Entrenar la red
'IncludeSubfolders',true,'LabelSource','fol
dernames’); convnet =
trainNetwork(trainDigitData,layers,optio
% Entrenamiento y evaluación de ns);
imagenes
rng(1) % For reproducibility
trainingFileSplitRatio = 0.6;
 Entrenamiento de una Neurona
% Leer la imagen para clasificar

I=
imread(fullfile(digitDatasetPath,'5','i
mage4009.png'));
figure
imshow(I)

% Imagen clasificada
label = classify(convnet, I);
title(['Classification result '
char(label)])
 Dibujar la Red Neuronal
%% importar Keras classNames = {'0','1','2','3','4','5','6','7','8','9'};
% importKerasNetwork net =
%% dibujar la red importKerasNetwork(modelfile,'Classes',classNa
modelfile = 'digitsDAGnet.h5'; mes);
net = importKerasNetwork(modelfile) % leer la imagen a clasificar
figure digitDatasetPath =
fullfile(toolboxdir('nnet'),'nndemos','nndatasets',
plot(net); ...
title('DAG Network Architecture') 'DigitDataset');
%% Importar pesos I=
modelfile = 'digitsDAGnet.json'; imread(fullfile(digitDatasetPath,'5','image4009.pn
weights = 'digitsDAGnet.weights.h5'; g'));
net = % clasificar la imagen
importKerasNetwork(modelfile,'WeightFile',weig label = classify(net,I);
hts, ... % dibujar
'OutputLayerType','classification') figure
%% importar pre-entrenamiento imshow(I)
modelfile = 'digitsDAGnet.h5'; title(['Classification result: ' char(label)])
Detectar un número, importando
Keras
net = DAGNetwork with properties:

Layers: [13×1 nnet.cnn.layer.Layer]

Connections: [13×2 table]

https://la.mathworks.com/help/de
eplearning/examples/train-deep-
learning-network-to-classify-new-
images.html
M.C. Eloina Rodríguez

Matlab – Resnet-
50
 Entrenamiento para Detección de
Objetos con Resnet-50
% Librería Resnet50
net = resnet50();
% Arquitectura
net.Layers
% Leer la imagen a clasificar
I = imread('peppers.png');
% Ajuste del tamaño de la imagen
sz = net.Layers(1).InputSize
I = I(1:sz(1),1:sz(2),1:sz(3));
% Clasificar imagen con Resnet-50
label = classify(net, I)
% Resultados
figure
imshow(I)
text(10,20,char(label),'Color','white') https://la.mathworks.com/help/deeplearni
ng/gs/classify-image-using-pretrained-
network.html
 Procesamiento
177x1 Layer array with layers: 10 'bn2a_branch2b' Batch Normalization
Batch normalization with 64 channels
1 'input_1' Image Input 11 'activation_3_relu' ReLU ReLU
224x224x3 images with 'zerocenter' normalization …
2 'conv1' Convolution 64 7x7x3
convolutions with stride [2 2] and padding [3 3 3 3] 176 'fc1000_softmax' Softmax
3 'bn_conv1' Batch Normalization Batch softmax
normalization with 64 channels 177 'ClassificationLayer_fc1000' Classification
4 'activation_1_relu' ReLU ReLU Output crossentropyex with 'tench' and 999 other
5 'max_pooling2d_1' Max Pooling 3x3 classes
max pooling with stride [2 2] and padding [0 0 0 0]
6 'res2a_branch2a' Convolution 64 label =
1x1x64 convolutions with stride [1 1] and padding [0 0
0 0] categorical
7 'bn2a_branch2a' Batch Normalization
Batch normalization with 64 channels
8 'activation_2_relu' ReLU ReLU bell pepper
9 'res2a_branch2b' Convolution 64
3x3x64 convolutions with stride [1 1] and padding
'same'
 6
4

AIY Vision
Kit
Google
 Raspberry Pi Zero WH

Raspberry Pi Camera v2

Componentes
Micro SD card
principales:

Camera box cardboard

• Clases para detección de:

personas, perros y gatos
 AIY Vision Kit
• Detecta expresiones del
rostro y por led de
colores indica el estado
de ánimo
• En la interfaz modo
texto, muestra el
porcentaje de la
probabilidad del objeto Tomado de
detectado https://www.analyticsindiamag.com/be
hind-googles-aiy-kits/
(abril, 2019)

66
Procesamiento de imágenes

Procesar la imagen en Redes

Convolucionales (calcula el % de
certeza)
Define el objeto que ha
Adquirir una imágen •Propuesta del Modelo reconocido
•Entrenamiento el Objeto Inteligente
•Utilizar un modelo Deep Learning
entrenado previamente

67
Artificial
Intelligence
 Uber
https://www.uber.com/mx/es/uberai/
Mapeo Denso Robusto para Entornos Dinámicos a gran Escala
https://www.youtube.com/watch?v=jVK6UKMo-60
Calculo de Distancias
Resultado de un Mapa Estático
Reconstrucción de Objetos
1100 capas para Odometría
Eliminación de Ruido