Aprendizaje Autosupervisado
Aprendizaje <ul><li>El aprendizaje es el proceso por medio del cual, los parámetros libres de una red neuronal son adaptad...
Tipos de Aprendizaje <ul><li>Aprendizaje Supervisado </li></ul><ul><ul><ul><ul><li>entrada, salida, objetivo </li></ul></u...
Aprendizaje Supervisado <ul><li>Entrada, salida, objetivo </li></ul><ul><ul><li>Se le proporciona salidas deseadas,  su me...
Aprendizaje  Supervisado <ul><li>Se  realiza mediante un entrenamiento controlado por un agente externo (supervisor, maest...
Aprendizaje por Reforzamiento <ul><li>Recompensa/castigo </li></ul><ul><li>Este produce acciones las cuales afectan el edo...
Aprendizaje por  Reforzamiento <ul><li>El aprendizaje da una comparación entrada/salida se desempeña a través de la intera...
Aprendizaje por  Reforzamiento Se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es dec...
Aprendizaje Autosupervisado <ul><li>Entrada y salida. </li></ul><ul><ul><li>Su meta es construir representaciones de la en...
Aprendizaje Autosupervisado <ul><li>No hay un maestro o critico externo para supervisar el proceso de aprendizaje. </li></...
Aprendizaje Autosupervisado <ul><li>Esta constituido por un conjunto de reglas que dan a la red la habilidad de aprender a...
<ul><li>El aprendizaje No Supervisado no involucra valores objetivo. De hecho, los objetivos son los mismos que las entrad...
Metas del aprendizaje Autosupervisado <ul><li>Encontrar representaciones utiles de los datos. </li></ul><ul><li>Encontrar ...
Metas del aprendizaje Autosupervisado (2) <ul><li>Construcción de mapas topograficos. P/ej. Mapas de Kohonen, Redes elasti...
Usos del Aprendizaje Autosupervisado <ul><li>Compresion de Datos </li></ul><ul><li>Deteccion de bordes </li></ul><ul><li>C...
Clustering Cluster:  Separar en subconjuntos dado un conjunto de datos Los patrones en el mismo cluster son tan similares ...
Clustering <ul><li>Divide un conjunto de datos en subconjuntos. </li></ul><ul><li>P/ej. Las flores se pueden agrupar de ac...
Cuantización de Vectores <ul><li>Regiones de Voronoi </li></ul><ul><li>Cada región se representa usando un solo vector lla...
Cuantización de Vectores <ul><li>Usado para compresión de información voluminosa de entrada en un pequeño numero de vector...
Investigadores del Aprendizaje No Supervisado  <ul><li>D.O. Hebb </li></ul><ul><li>James Anderson </li></ul><ul><li>Teuvo ...
Tipos de aprendizaje  Autoupervisado <ul><li>Aprendizaje Asociativo </li></ul><ul><li>Aprendizaje Competitivo y Cooperativ...
Aprendizaje  Asociativo <ul><li>ESTIMULO </li></ul>A B <ul><li>No Condicionado </li></ul><ul><li>Condicionado </li></ul>RE...
Aprendizaje  Competitivo  y Cooperativo <ul><li>Un neurona o un grupo de ellas compiten entre si por ser la ganadora; acti...
Wake up!
Dudas ???
Hasta la próxima !!!
Ejemplos de algoritmos que usan el Aprendizaje por Refuerzo <ul><li>Algoritmo Lineal con Recompensa y penalización (Linear...
Upcoming SlideShare
Loading in...5
×

REDES NEURONALES, Aprendizaje Autosupervisado

1,448

Published on

Published in: Education, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,448
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
58
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

REDES NEURONALES, Aprendizaje Autosupervisado

  1. 1. Aprendizaje Autosupervisado
  2. 2. Aprendizaje <ul><li>El aprendizaje es el proceso por medio del cual, los parámetros libres de una red neuronal son adaptados a través de un proceso de estimulación por el ambiente en el cual la red se encuentra inmersa. </li></ul><ul><li>El tipo de aprendizaje es determinada por la manera en la cual el cambio de parámetros tiene lugar. </li></ul><ul><ul><ul><ul><li>Mendel and Mc Claren (1970) </li></ul></ul></ul></ul>
  3. 3. Tipos de Aprendizaje <ul><li>Aprendizaje Supervisado </li></ul><ul><ul><ul><ul><li>entrada, salida, objetivo </li></ul></ul></ul></ul><ul><li>Aprendizaje Autosupervisado </li></ul><ul><ul><ul><ul><li>entrada, salida </li></ul></ul></ul></ul><ul><li>Aprendizaje por Reforzamiento. </li></ul><ul><ul><ul><ul><li>Recompensa/castigo </li></ul></ul></ul></ul>
  4. 4. Aprendizaje Supervisado <ul><li>Entrada, salida, objetivo </li></ul><ul><ul><li>Se le proporciona salidas deseadas, su meta es aprender una correcta salida dada una nueva entrada </li></ul></ul>
  5. 5. Aprendizaje Supervisado <ul><li>Se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro), que determina la respuesta que debería generar la red apartir de una entrada determinada. </li></ul>
  6. 6. Aprendizaje por Reforzamiento <ul><li>Recompensa/castigo </li></ul><ul><li>Este produce acciones las cuales afectan el edo del mundo, y recibe recompensas (o castigo). Su meta es aprender a actuar de tal forma que maximise las reconpensas a largo plazo. </li></ul>
  7. 7. Aprendizaje por Reforzamiento <ul><li>El aprendizaje da una comparación entrada/salida se desempeña a través de la interacción continua del medio ambiente de tal forma que se minimice un índice escalar de su desempeño. </li></ul>
  8. 8. Aprendizaje por Reforzamiento Se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida de la red se ajusta a la deseada (éxito=1, fracaso= -1) y en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades.
  9. 9. Aprendizaje Autosupervisado <ul><li>Entrada y salida. </li></ul><ul><ul><li>Su meta es construir representaciones de la entrada que puedan ser usadas para razonamiento, toma de decisiones, prediccion, comunicación, etc. </li></ul></ul>
  10. 10. Aprendizaje Autosupervisado <ul><li>No hay un maestro o critico externo para supervisar el proceso de aprendizaje. </li></ul><ul><li>No existen ejemplos etiquetados de la función que será aprendida por la red </li></ul>
  11. 11. Aprendizaje Autosupervisado <ul><li>Esta constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que ocurren en conjunto frecuentemente. </li></ul><ul><li>Una vez aprendido como asociación permite a las redes realizar tareas útiles de reconocimiento de patrones y recordar. </li></ul>
  12. 12. <ul><li>El aprendizaje No Supervisado no involucra valores objetivo. De hecho, los objetivos son los mismos que las entradas. </li></ul><ul><li>En otras palabras, el aprendizaje no supervisado usualmente realiza la misma tarea que una red autoasociativa, la compresión de la información de las entradas. </li></ul>
  13. 13. Metas del aprendizaje Autosupervisado <ul><li>Encontrar representaciones utiles de los datos. </li></ul><ul><li>Encontrar Clusters. p/ej. K-means, ART. </li></ul><ul><li>Reduccion de dimensionalidad. P/ej. Aprendizaje Hebbiano, PCA, Escalamiento multidimensional (MDS) </li></ul>
  14. 14. Metas del aprendizaje Autosupervisado (2) <ul><li>Construcción de mapas topograficos. P/ej. Mapas de Kohonen, Redes elasticas. </li></ul><ul><li>Encontrar causas ocultas o fuentes de datos </li></ul><ul><li>Modelado de densidad de datos </li></ul>
  15. 15. Usos del Aprendizaje Autosupervisado <ul><li>Compresion de Datos </li></ul><ul><li>Deteccion de bordes </li></ul><ul><li>Clasificación </li></ul><ul><li>Hacer otras tareas de aprendizaje mas faciles. </li></ul><ul><li>Una teoría del aprendizaje humano y la percepción. </li></ul>
  16. 16. Clustering Cluster: Separar en subconjuntos dado un conjunto de datos Los patrones en el mismo cluster son tan similares como sea posible. Los patrones de diferente cluster son tan distintos como sea posible
  17. 17. Clustering <ul><li>Divide un conjunto de datos en subconjuntos. </li></ul><ul><li>P/ej. Las flores se pueden agrupar de acuerdo a colores y numero de pétalos </li></ul>
  18. 18. Cuantización de Vectores <ul><li>Regiones de Voronoi </li></ul><ul><li>Cada región se representa usando un solo vector llamado “code book vector”. </li></ul><ul><li>Cada punto del espacio de entrada corresponde a una de estas regiones. </li></ul>El espacio se divide en varias regiones conectadas llamadas regiones de Voronoi
  19. 19. Cuantización de Vectores <ul><li>Usado para compresión de información voluminosa de entrada en un pequeño numero de vectores de pesos </li></ul>
  20. 20. Investigadores del Aprendizaje No Supervisado <ul><li>D.O. Hebb </li></ul><ul><li>James Anderson </li></ul><ul><li>Teuvo Kohonen </li></ul><ul><li>Stephan Grossberg </li></ul>
  21. 21. Tipos de aprendizaje Autoupervisado <ul><li>Aprendizaje Asociativo </li></ul><ul><li>Aprendizaje Competitivo y Cooperativo </li></ul>
  22. 22. Aprendizaje Asociativo <ul><li>ESTIMULO </li></ul>A B <ul><li>No Condicionado </li></ul><ul><li>Condicionado </li></ul>RESPUESTA <ul><li>Un concepto </li></ul><ul><li>Una acción </li></ul>
  23. 23. Aprendizaje Competitivo y Cooperativo <ul><li>Un neurona o un grupo de ellas compiten entre si por ser la ganadora; activandose solamente la ganadora y las demás colaboran inhibiendose . </li></ul>
  24. 24. Wake up!
  25. 25. Dudas ???
  26. 26. Hasta la próxima !!!
  27. 27. Ejemplos de algoritmos que usan el Aprendizaje por Refuerzo <ul><li>Algoritmo Lineal con Recompensa y penalización (Linear Reward - Penalty), Narendra /Thathacher. </li></ul><ul><li>Algoritmo Asociativo con recompensa y penalización (Barto / Anandan). </li></ul><ul><li>Adaptive Heuristic Critic (Barto, Sutton, Anderson). </li></ul>
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×