Date post: | 07-Oct-2018 |
Category: |
Documents |
Upload: | truongdung |
View: | 217 times |
Download: | 0 times |
BenemBeneméérita Universidad rita Universidad
AutAutóónoma de Pueblanoma de Puebla
Facultad de Ciencias de la ComputaciFacultad de Ciencias de la Computacióónn
Inteligencia ArtificialInteligencia Artificial
Verano 2016
Aprendizaje ComputacionalAprendizaje Computacional
96
Tareas complejas
97
Sistema biométrico
� Módulo Matching:
� Comparación contra
ejemplos de
entrenamiento
� Lleva a cabo Match
score
Algunos conceptos fundamentales (Clasificación)
99
Objeto/Instancia
=(Alto, Ancho, color, �)
=(80cm., 60cm., café, �)
Atributos:
100
Tipos de AtributosTipos de Atributos
� Dado una instancia/objeto, éstos pueden
ser:
� Numérico
� Discreto
� Binario
� Nominal
� Ordinal
101
MachineMachine LearningLearning
102
QuQuéé es ML/RP/DM?es ML/RP/DM?
� Interpretaciones diversas
� “Extracción de modelos a partir de un
conjunto de información para un determinado
fin”
� Analogía: Aprendizaje Humano
103
AprendizajeAprendizaje
Identificar
el autor
104
ClasificaciClasificacióónn
ClasesClases
Objetos
Atributos
105
ClasificaciClasificacióónn
Objetos del
mundo real
Características
de cada objeto Clasificador
Nuevo objeto
Asignar una clase al
nuevo objeto
106
ClasificaciClasificacióónn
Características
de cada objeto
Nuevo objeto
Entrenamiento / Aprendizaje
Asignar clase al
nuevo objeto
Conjunto de
entrenamiento
Tarea
TClasificación
Clasificador
107
Enfoques de clasificaciEnfoques de clasificacióónn
� Con base en la manera en que cada
algoritmo aprende/entrena
� Se categorizan en ciertos enfoques
� Algunos enfoques son sub-conjuntos de
otros
108
Redes NeuronalesRedes Neuronales(Neural Networks, NN)(Neural Networks, NN)
109
Redes NeuronalesRedes Neuronales
� Inspiración biológica
Redes Neuronales
111
Redes NeuronalesRedes Neuronales
� Perceptrón
112
Redes NeuronalesRedes Neuronales
� Perceptrón
� Regla de entrenamiento:
113
Redes NeuronalesRedes Neuronales
� Hiper-planos de separación
114
Redes NeuronalesRedes Neuronales� Gradiente Descendente y Regla Delta
115
Redes NeuronalesRedes Neuronales� Gradiente Descendente
116
Redes NeuronalesRedes Neuronales� Gradiente Descendente
� Regla de entrenamiento:
117
Redes NeuronalesRedes Neuronales� Gradiente Descendente
� Donde:
118
Redes Redes multicapamulticapa
- Feed Forward, Back Propagation
119
Redes Redes multicapamulticapa
120
Redes Redes multicapamulticapa
� Feed Forward, Back propagation
� Dos reglas de entrenamiento
121121
Redes multicapa
� Capa de salida
� Capa oculta
122
NNNN
� Puntos a considerar:
� Convergencia
�Mínimos locales
� Espacio de búsqueda
123
Redes Redes multicapamulticapa� Mínimos locales
124
Redes Redes multicapamulticapa� Mínimos locales
125
Redes Redes multicapamulticapa� Mínimos locales
126
MomentumMomentum
Ejemplo
128
ÁÁrboles de decisirboles de decisióón n
129
ÁÁrboles de decisirboles de decisióónn
� Clasificador basado en construir un árbol
� Clasificadores: ID3, C4.5 [Quinlan, 1993]
130
ÁÁrboles de decisirboles de decisióónn
� Algoritmo ID3
� Construir árbol
� Elegir el mejor atributo para colocarlo en el nodo
raíz
� ¿cómo saber cuál es el mejor atributo?
� Ganancia de información (Gain)
� Entropía
� Se utiliza Gain para elegir los nodos del árbol
131
ÁÁrboles de decisirboles de decisióónn
� Ganancia de información
� Entropía (2 clases)
132
ÁÁrboles de decisirboles de decisióónn
� Entropía, caso general:
133
Ganancia de informaciGanancia de informacióónn
� Impacta en menor grado los casos en que
los valores de atributo son homogéneos
134
ID3ID3
135
ID3ID3� Ejemplo: construir árbol para:
136
ID3ID3
ID3
ID3
139
ID3ID3� Espacio de búsqueda
140
ID3ID3
� Crecimiento del árbol
141
ÁÁrboles de decisirboles de decisióónn
� Atributos numéricos:
� C4.5:
� Regla de poda
� Post poda
� Discretizar valores numéricos