15. Recordando que la función de transferencia hardlim se define como: a n=Wp+b n
16.
17.
18.
19.
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.
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.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51. Y se gráfica la frontera de decisión y el vector de pesos. Por ultimo se verifican las entradas y salidas
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.
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.