Descargar

Algunas aplicaciones de la inteligencia artificial para la organización de la información (página 2)

Enviado por Pablo Turmero


Partes: 1, 2, 3
edu.red Redes neuronales artificiales: aprendizaje supervisado Ejemplo de entrenamiento Aprender las entradas:

Entrada = {1,1} deberá producir la salida = {1} Entrada = {0,0} deberá producir la salida = {0} Pesos iniciales: {-1,-1} Constante de aprendizaje: {1}

edu.red Redes neuronales artificiales: aprendizaje supervisado Función de transferencia: rampa

Si el resultado de la suma < 0, entonces la salida = 0 Si el resultado de la suma >= 0 y <= 1, entonces la salida = entrada Si el resultado > 1, entonces la salida = 1

edu.red Redes neuronales artificiales: aprendizaje supervisado Usando la función suma tenemos:

1*-1 + 1*-1 = -2 Aplicando este resultado, la función T: 0 Presentamos el primer objeto…

edu.red Redes neuronales artificiales: aprendizaje supervisado Recordemos que: Entrada = {1,1} debería producir la salida = {1} De momento, la salida obtenida fue = {0} Por tanto, hace falta… un ajuste sináptico

edu.red Redes neuronales artificiales: aprendizaje supervisado Se aplica la regla Delta: Ajuste para el peso 1 Error = 1- 0 = 1 Peso nuevo = -1 + (1 * 1 * 1) = 0

Ajuste para el peso 2 Error = 1 – 0 = 1 Peso nuevo = -1 + (1 * 1 * 1) = 0 Constante = 1 Error = salida esperada – salida obtenida Peso nuevo = Peso antiguo + ( Error * Entrada * Constante)

edu.red Redes neuronales artificiales: aprendizaje supervisado El primer objeto se presenta nuevamente Usando la función suma tenemos:

1*0 + 1*0 = 0 Aplicando este resultado, la función T: 1

edu.red Redes neuronales artificiales: aprendizaje supervisado Conclusiones:

1. Si presentamos nuevamente el segundo objeto, verificaremos que el resultado calculado es el esperado

2. Se considera, entonces, que la red ha aprendido

edu.red Nuevas tecnologías aplicadasa la documentación RN SOM – Teuvo Kohonen Cuando un dato se presenta a la red, solamente resulta activada una neurona del conjunto de salida; por lo tanto, lo que se hace es una clasificación Después de entrenada, datos similares presentados a la red estimularán siempre la misma neurona. Por lo tanto es una red indicada para establecer relaciones, desconocidas previamente, entre datos.

edu.red Por lo tanto:

Las redes de nodos adaptables que mediante un proceso de aprendizaje a partir de ejemplos, almacenan experiencia y poseen capacidad de generalización.

Nuevas tecnologías aplicadasa la documentación

edu.red Um neurônio artificial

Nuevas tecnologías aplicadasa la documentación Representación de un objeto que ha de ser aprendido

edu.red Funcionamento de una red neuronal:

Nuevas tecnologías aplicadasa la documentación (Gp:) Primero la red aprende y clasifica y después podemos utilizarla con otros ejemplos

edu.red Diferencias entre programas tradicionales y RN: Un programa tradicional es un conjunto de instrucciones que representan objetos del mundo real que codifican el conocimiento; ejecutará siempre lo que está codificado en las instrucciones. En una RN ningún conocimiento está codificado; es necesario enseñar presentando ejemplos. Básicamente, el conocimiento, al ser enseñado, se almacena en forma de pesos (valores) que darán a la red el comportamiento deseado. Simulando un comportamiento parecido al del ser humano Nuevas tecnologías aplicadasa la documentación

edu.red Algunas tareas características de un profesional de la documentación: Indizar: describir o identificar mediante una representación lingüística un documento en función de sus contenidos Clasificar: también en función de sus contenidos, agrupar en categorías documentos similares, de manera que resulten pertinentes para una misma búsqueda Construcción de lenguajes documentales: agrupar términos o códigos, que representan conceptos, en clases comunes y relacionarlas apropiadamente Búsqueda: relaciona la consulta del usuario con los documentos relevantes del fondo. Nuevas tecnologías aplicadasa la documentación

edu.red Ejemplo 1: ESRIN, de la Agencia Espacial Europea, en Italia. Además de controlar los satélites ERS y ENVISAT, efectúa la gestión de todos los documentos oficiales. Utiliza un sistema basado en las redes neuronales de Kohonen.

Alcance del experimento: 975 documentos de tamaño variado

Nuevas tecnologías aplicadasa la documentación

edu.red Etapas del experimento: 1a – Se creó un diccionario con 2962 términos. Por ejemplo: fabric (fabricación, fabricado, fábrica) face (cara, rostro, revestimiento) 2a – Cada documento fue codificado utilizando un contador de concurrencias y generó un vector. Rutinas especiales considerarán los diferentes tamaños de los documentos. Ejemplo: documento “X” destornillador chapa metálica hidráulico 3 1 16 Nuevas tecnologías aplicadasa la documentación

edu.red Etapas del experimento: 3a – una red neuronal fue entrenada utilizando el vector generado anteriormente. El resultado fue la creación de 100 clases de palabras en lugar de las 2692 originales. Este procedimiento compensa el “ruido documental” (palabras no relacionadas con la materia del documento).

Nuevas tecnologías aplicadasa la documentación

edu.red Funciones del experimento: Expansión explícita de la consulta : el usuario entra (teclea) palabras simples y obtiene como resultado un conjunto de otras palabras relacionadas. Expansión implícita de la consulta : todos los documentos están codificados como modelos semánticos. Un usuario puede consultar, y esta consulta ser comparada con los modelos semánticos de los documentos. De este modo, el usuario obtiene no solamente aquellos documentos con las palabras clave buscadas, sino también otros documentos similares (con la misma materia aunque con otras palabras). Nuevas tecnologías aplicadasa la documentación

edu.red Otra función es la agrupación de documentos en una estructura de conceptos: una red de tipo auto-organizativo recibe los documentos codificados como entrada y produce como salida 16 agrupaciones (clases). Nuevas tecnologías aplicadasa la documentación

edu.red Ejemplo 2: WEBSOM Es un organizador de mensajes de una lista de discusión. Capaz de categorizar 4600 mensajes

Metodología: 1. Se extraen de los mensajes los términos más relevantes (palabras vacías, que se dan con baja frecuencia o caracteres no textuales se eliminan) 2. Los términos resultantes son utilizados en la generación de un mapa de categorías de palabras Nuevas tecnologías aplicadasa la documentación

edu.red Ejemplo 2: WEBSOM

3. Las palabras próximas en el mapa representan la misma categoría:

Nuevas tecnologías aplicadasa la documentación

Partes: 1, 2, 3
 Página anterior Volver al principio del trabajoPágina siguiente