Sistemas Basados en el Conocimiento II: Introducción a la Neurocomputación
Páginas: 100 (24836 palabras)
Publicado: 4 de junio de 2014
Sistemas Basados en el
Conocimiento II:
Introducción a la
Neurocomputación
Texto base de la asignatura del mismo nombre
perteneciente al Plan de Estudios de la Universidad
Nacional de Educación a Distancia.
Equipo Docente de la Asignatura
Universidad Nacional de Educación a Distancia
2004
II
Sistemas Basados en el Conocimiento II— Equipo Docente de la Asignatura
This workis licensed under the Creative Commons Attribution-NonCommercial-NoDerivs
License. To view a copy of this license, visit http://creativecommon
s.o rg/ li cen ses /
by- nc- nd/2.0/ or send a letter to Creative Commons, 559 Nathan Abbott Way, Stanford, California 94305, USA.
Índice general
1. Introducción
1
1.1.
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1
1.2.
Modelos de neurona . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.3.
Arquitecturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.4.
Tareas genéricas en Neurocomputación . . . . . . . . . . . . . . . .
15
1.4.1. Redes neuronales en tareas de clasificación . . . . . . . . . .
16
1.4.2. Redes neuronales para regresión . . . . .. . . . . . . . . . .
17
1.4.3. Redes neuronales en tareas de control . . . . . . . . . . . . .
17
1.4.4. Redes neuronales en tareas de predicción temporal . . . . . .
18
2. Retropropagación del error
2.1.
23
El formalismo matemático del algoritmo. . . . . . . . . . . . . . . .
23
2.1.1. La arquitectura de la red . . . . . . . . . . . . . . . . . . . .
232.1.2. El algoritmo de ajuste de los pesos . . . . . . . . . . . . . . .
26
Aspectos metodológicos del entrenamiento de una red neuronal. . . .
35
2.2.1.
Preprocesado de las variables de entrada/salida. . . . . . . .
35
2.2.2. Descomposición del error. Definición de términos. El compromiso entre sesgo y varianza . . . . . . . . . . . . . . . . . .
39
2.2.3. Análisisestadístico: cómo minimizar el error. La validación
cruzada y la regularización. . . . . . . . . . . . . . . . . . .
42
2.2.4. Tipos de error . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.3.
Mejoras del algorimo . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.4.
La notación matricial . . . . . . . . . . . . . . . . . . . . . . . . . .
50
2.2.
III ÍNDICE GENERAL
IV
3. Los mapas autoorganizados de Kohonen
53
3.1.
Introducción. Algoritmos de agrupamiento en clases o clustering. . .
53
3.2.
Los mapas autoorganizados de Kohonen. El algoritmo. . . . . . . . .
57
4. Herramientas de ayuda en el desarrollo de redes neuronales
71
4.1.
Concepto de simulador de redes neuronales . . . . . . . . . . . . . .
714.2.
Java Neural Network Simulator (JavaNNS) . . . . . . . . . . . . . .
72
4.2.1.
Instalación . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
4.2.2.
Creación de una red neuronal . . . . . . . . . . . . . . . . .
73
4.2.3.
Entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . .
75
Herramientas de JavaNNS . . . . . . . . . . . . . . . . . . . . . ..
79
4.3.1.
Batchman . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
4.3.2.
snns2c . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.3.3. Simulación con JavaNNS . . . . . . . . . . . . . . . . . . . .
80
SOM_PAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
4.4.1.
Instalación . . . . . . . . . . . . . . . . . . . . .. . . . . .
81
4.4.2.
Uso y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.3.
4.4.
5. Aplicaciones
5.1.
87
Planteamiento del problema . . . . . . . . . . . . . . . . . .
87
5.1.2.
Preprocesado de los datos . . . . . . . . . . . . . . . . . . .
88
5.1.3.
Arquitectura y aprendizaje . . . . . . . . . . . . . . . . . . .
89...
Conocimiento II:
Introducción a la
Neurocomputación
Texto base de la asignatura del mismo nombre
perteneciente al Plan de Estudios de la Universidad
Nacional de Educación a Distancia.
Equipo Docente de la Asignatura
Universidad Nacional de Educación a Distancia
2004
II
Sistemas Basados en el Conocimiento II— Equipo Docente de la Asignatura
This workis licensed under the Creative Commons Attribution-NonCommercial-NoDerivs
License. To view a copy of this license, visit http://creativecommon
s.o rg/ li cen ses /
by- nc- nd/2.0/ or send a letter to Creative Commons, 559 Nathan Abbott Way, Stanford, California 94305, USA.
Índice general
1. Introducción
1
1.1.
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1
1.2.
Modelos de neurona . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.3.
Arquitecturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
14
1.4.
Tareas genéricas en Neurocomputación . . . . . . . . . . . . . . . .
15
1.4.1. Redes neuronales en tareas de clasificación . . . . . . . . . .
16
1.4.2. Redes neuronales para regresión . . . . .. . . . . . . . . . .
17
1.4.3. Redes neuronales en tareas de control . . . . . . . . . . . . .
17
1.4.4. Redes neuronales en tareas de predicción temporal . . . . . .
18
2. Retropropagación del error
2.1.
23
El formalismo matemático del algoritmo. . . . . . . . . . . . . . . .
23
2.1.1. La arquitectura de la red . . . . . . . . . . . . . . . . . . . .
232.1.2. El algoritmo de ajuste de los pesos . . . . . . . . . . . . . . .
26
Aspectos metodológicos del entrenamiento de una red neuronal. . . .
35
2.2.1.
Preprocesado de las variables de entrada/salida. . . . . . . .
35
2.2.2. Descomposición del error. Definición de términos. El compromiso entre sesgo y varianza . . . . . . . . . . . . . . . . . .
39
2.2.3. Análisisestadístico: cómo minimizar el error. La validación
cruzada y la regularización. . . . . . . . . . . . . . . . . . .
42
2.2.4. Tipos de error . . . . . . . . . . . . . . . . . . . . . . . . . .
45
2.3.
Mejoras del algorimo . . . . . . . . . . . . . . . . . . . . . . . . . .
48
2.4.
La notación matricial . . . . . . . . . . . . . . . . . . . . . . . . . .
50
2.2.
III ÍNDICE GENERAL
IV
3. Los mapas autoorganizados de Kohonen
53
3.1.
Introducción. Algoritmos de agrupamiento en clases o clustering. . .
53
3.2.
Los mapas autoorganizados de Kohonen. El algoritmo. . . . . . . . .
57
4. Herramientas de ayuda en el desarrollo de redes neuronales
71
4.1.
Concepto de simulador de redes neuronales . . . . . . . . . . . . . .
714.2.
Java Neural Network Simulator (JavaNNS) . . . . . . . . . . . . . .
72
4.2.1.
Instalación . . . . . . . . . . . . . . . . . . . . . . . . . . .
72
4.2.2.
Creación de una red neuronal . . . . . . . . . . . . . . . . .
73
4.2.3.
Entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . .
75
Herramientas de JavaNNS . . . . . . . . . . . . . . . . . . . . . ..
79
4.3.1.
Batchman . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
4.3.2.
snns2c . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
4.3.3. Simulación con JavaNNS . . . . . . . . . . . . . . . . . . . .
80
SOM_PAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
4.4.1.
Instalación . . . . . . . . . . . . . . . . . . . . .. . . . . .
81
4.4.2.
Uso y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.3.
4.4.
5. Aplicaciones
5.1.
87
Planteamiento del problema . . . . . . . . . . . . . . . . . .
87
5.1.2.
Preprocesado de los datos . . . . . . . . . . . . . . . . . . .
88
5.1.3.
Arquitectura y aprendizaje . . . . . . . . . . . . . . . . . . .
89...
Leer documento completo
Regístrate para leer el documento completo.