Redes con aprendizaje no supervisado

Universidad Tecnológica Nacional
Facultad Regional Tucumán

re

regional
2010
Redes Neuronales no Supervisadas
Cátedra: Inteligencia Artificial

Grupo Nº 2:
Díaz Acosta, Pablo – Leg. 27197 – pablo.diaz.acosta@gmail.com
Díaz Campo, Raúl – Leg. 26873 – rdiazcampo@gmail.com
Rivera Suárez, Rodrigo – Leg. 26780 – rigovera86@gmail.com
Verges, Luis – Leg. 22496 –luisv2mil3@hotmail.com
Martin, Karina – Leg. 26028 – k_rinapucheta@hotmail.com
Dato, Alejandro – Leg. 25422 – alejandro.tuc@hotmail.com
Romano, Jorge – Leg. 21154 – conejoloco79@hotmail.com

Redes con aprendizaje no supervisado

Introducción
Las redes con dicho aprendizaje no requieren de influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna informaciónpor parte del entorno que le indique si la salida generada en respuesta de una entrada es o no correcta. Suele decirse que estas redes son capaces de autoorganizarse.
Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se pueden establecer entre los datos que se presentan en su entrada.
En algunos casos, la salida representa el grado de familiaridad osimilitud entre la información que se le está presentando en la entrada y las que se le han mostrado en el pasado. En otro caso podría realizar una clusterización, indicando la red la salida a qué categoría pertenece la información presentada a la entrada, siendo la propia red quien debe encontrar las categorías apropiadas a partir de correlaciones entre las informaciones presentadas. Una variaciónde esta categorización es el prototipado. En este caso, la red obtiene prototipos representantes de las clases a las que pertenecen las informaciones de entrada.
También el aprendizaje sin supervisión permite realizar una codificación de los datos de entrada, generando a la salida una versión codificada de la entrada, con menos bits, pero manteniendo la información relevante de los datos.Algunas redes con aprendizaje no supervisado, realizan un mapeo de características, obteniéndose en las neuronas de salida una disposición geométrica que representa un mapa topográfico de las características de los datos de entrada, de tal forma que si se presentan a la red informaciones similares, siempre sean afectadas neuronas de salidas próximas entre sí, en la misma zona del mapa

Aprendizaje(Supervisado VS no supervisado)
Aprendizaje supervisado
* necesita un profesor que mida el funcionamiento del sistema
* maneja información de error o de control
* esta información se emplea para guiar al sistema. Hay varios algoritmos que establecen cómo se realiza esta retroalimentación, el más conocido o empleado es el backtracking

Aprendizaje no supervisado
* no utilizainformación externa
* reajuste automático de los parámetros
* autoorganización de la información

Aprendizaje y entrenamiento
Cuando se está entrenando una red es imprescindible establecer una condición de parada óptima que minimice el error pero evitando, en todo momento, el sobreajuste (overfitting). que se produce cuando una red es incapaz de generalizar para casos nuevos.
Para evitarque esto ocurra se recomienda dividir el conjunto de ejemplos disponibles:
* Conjunto de entrenamiento: usado para ajustar el valor de los pesos de la red
* Conjunto de validación: usado para medir la eficacia de la red. Debe ser:
* Significativo (debe contener ejemplos pertenecientes a todas las clases establecidas)
* Representativo (debe guardar la relación existente entrelos ejemplos del conjunto de entrenamiento)
División en las técnicas de clasificación
* Clasificación
* A partir del conocimiento de la existencia de un conjunto de clases, determinar la regla para asignar cada nueva observación (o ejemplo) a la clase que pertenece
* Determina reglas de asignación a clases conocidas
* Aprendizaje supervisado
* Agrupamiento...