08 - Perceptrones

Question 1

¿Que es un perceptron?

Answer 1

Es un tipo particular de neurona artificial de presenta aprendizaje supervisado, del tipo de correccion del error.

Question 2

¿Cuales son los componentes de un perceptron?

Answer 2

• Un perceptron tiene n entradas de datos y una entrada cuyo valor es siempre 1.
• Cada entrada tiene un peso w.
• La entrada extra también tiene un peso que se llama “bias”.

Question 3

¿De donde provienen las entradas de datos de un perceptron?

Answer 3

Las entradas pueden provenir del exterior o bien de otro perceptrón en caso de ser una red de perceptrones.

Question 4

¿Como se calcula el valor NET en un perceptron?

Answer 4

Para determinar si se enciende o apaga en el tiempo t+1, el perceptrón calcula el valor NET a traves de una funcion que hace la sumatoria de las entradas por sus respectivos pesos.

Question 5

¿Como es el entrenamiento de un perceptron?

Answer 5

• Al ser una neurona de aprendizaje supervisado requiere de una fase de entrenamiento antes de poder pasar a su fase de operación.
• Durante el entrenamiento, un supervisor le enseña a reconocer correctamente patrones.
• Esto se realiza con un conjunto de datos en pares de entrada/salida.
• Se destina dos terceras 2/3 partes de los datos al entrenamiento y el tercio 1/3 restante a la validación del entrenamiento.
• Durante el entrenamiento el perceptron logra descrubrir la ecuación que le permite dividir un plano en dos zonas.
• La función lleva el nombre de “función discriminante lineal”
• Un perceptrón solo puede clasificar en dos clases, A o B.
• Si quisiera hacer mas clasificaciones se necesita una red multiperceptron.

Question 6

¿Cómo es el algoritmo de entrenamiento de un perceptrón?

Answer 6

El algoritmo sigue 9 pasos generales:
1- Al comenzar los elementos son inicializados (pesos, umbral y tasa de aprendisaje)
2- Luego se entra a un bucle
3- Se toma un par de datos (entrada/salida)
4- Se calcula el valor NET
5- Se aplica la funcion que determina la clasificacion del dato de entrada
6- Se verifica si hubo error comparando con la salida.
7- Si hubo error se ajustan los pesos, si no se mantienen.
8- Se toma el siguiente par de datos
9- Cuando se terminan los datos se evalua la condicion de fin

Question 7

¿Que es un perceptrón multicapa?

Answer 7

• Es una red neuronal constituida por multiples perceptrones.
• Tiene la capacidad de resolver problemas que no son linealmente separables, es decir, puede reconocer mas de dos zonas en un plano, mas de dos grupos.
  Ej: mediante una red multicapa de perceptrones podríamos no solo reconocer imágenes de la ciudad de Buenos Aires dentro de un conjunto de imágenes, sino también de las ciudades que necesitemos.

Question 8

¿Qué hace la función discriminante lineal?

Answer 8

Es la función que le permite al perceptrón dividir al plano en dos zonas. Se ajusta durante el entrenamiento.

Question 9

¿Que sucede durante la etapa de Validacion del entrenamiento?

Answer 9

• Se le suministra al perceptron el conjunto de datos separado durante el entrenamiento para evaluar como funciona.
• Y se decide si el perceptrón esta listo para la etapa productiva.
• Suele ser práctica frecuente que el supervisor calcule un porcentaje de aciertos y que dependiendo del contexto en el cual se espera que el perceptrón finalmente opere dé por concluido el entrenamiento o vuelva a realizarlo.

Question 10

Explique la principal limitación de un único preceptrón en términos de reconocimiento de patrones.
¿Cómo afecta esta limitación a sus aplicaciones en el mundo real?

Answer 10

a) La principal limitacion de un único preceptron es que solo puede reconocer una clase. El perceptron, por medio de la funcion discriminante lineal, traza una linea en el plano y separa los datos en adentro y afuera. Por ej. si tengo imagines de animales, puedo entrenar al perceptron para que reconozca solo perros.
En el mundo real, los problemas son mas complejos y seguramente se necesite clasificar en mas de una categoria.

Question 11

Explique cómo los preceptrones multicapa superan las limitaciones de los perceptrones individuales.
Proporcione un ejemplo de una aplicación en el mundo real en la que un perceptrón multicapa seria más adecuado que un único perceptrón.

Answer 11

b) El perceptron multicapa puede distinguir mas de una categoria. Por ej. en el reconocimiento de images de animales, podria reconocer ademas del perro, un gato, un elefante, etc.
c) Un ejemplo del mundo real de una red multiperceptron, es una que se encarga de clasificar distintas especies de plantas salvajes de acuerdo a una foto de sus hojas. Esto puedo usarse para la ganaderia, pare saber sobre las nutrientes que estan ingeriendo los animales durante el pastoreo.