Redes NEURONALES de propagación hacia delante y aprendizaje supervisado

1. UNIDAD VI Redes de propagación hacia delante y aprendizaje supervisado

11. La matriz de pesos de la red es:

15. Recordando que la función de transferencia hardlim se define como: a n=Wp+b n

20. Por ejemplo: La frontera de decisión es entonces: Esto define una línea en el espacio de entrada. En un lado de la linea la salida de la red será 0; en la línea y en el otro lado será 1.

29. Tarea 6_3: Ejemplo - OR

31. Solución a la OR: El vector de pesos debería ser ortogonal a la frontera de decisión. Se tomará un punto sobre la frontera de decisión para encontrar el umbral.

51. Y se gráfica la frontera de decisión y el vector de pesos. Por ultimo se verifican las entradas y salidas

52. Unificación de la regla de aprendizaje

53. El umbral es un peso con una entrada de 1.

54. Perceptron de Múltiples-Neuronas Para actualizar la ith fila de la matriz de pesos: En forma de Matriz:

55. Capacidad de la regla de aprendizaje del Perceptron La regla del Perceptron siempre convergirá a los pesos que cumplan con la clasificación deseada, asumiendo que tales pesos existan. NOTA: Recordar que la longitud del vector de pesos no es importante, lo único importante es su dirección.

56. Limitaciones del Perceptron Frontera de decisión lineal Problemas linealmente No separables

58. Solución al clasificador de naranjas/manzanas: Pesos Iniciales Primera Iteración e t 1 a – 1 0 – 1 = = =

59. Segunda Iteración

60. Comprobación

64. Tarea 6_1: Reglas de Aprendizaje • Supervised Learning Network is provided with a set of examples of proper network behavior (inputs/targets) • Reinforcement Learning Network is only provided with a grade, or score, which indicates network performance • Unsupervised Learning Only network inputs are available to the learning algorithm. Network learns to categorize (cluster) the inputs.