TIPOS DE ALGORITMOS DE

APRENDIZAJE
FABIAN TOAPANTA
 TIPOS DE APRENDIZAJE

• Supervisado: se entrena con datos etiquetados y recibe critica.

• Clasificación / regresión
• Caracterización
• No supervisado: se entrena con datos no etiquetados y no recibe critica
• Agrupamiento (Clustering).
• Por refuerzo: las recompensas va reforzando ciertos comportamientos
 APRENDIZAJE SUPERVISADO: RUIDO Y ERROR

• Ruido: errores aleatorios, esporádicos y no intencionados.

• Causas típicas:
• Atributos inadecuados, omitidos o equivocados.
• Limitaciones en las medida.
• Problemas en sensores.

• Errores: porcentaje de ejemplos mal clasificados. Pueden deberse al

ruido(Externo)o al algoritmo(Interno).
OBJETIVOS DE LOS ALGORITMOS

• CLASIFICACION
• REGRESION
• AGRUPAMIENTO
• CARACTERIZACION
 APRENDIZAJE

• Aproximación:
• Entrenar (aprendizaje)
• Validar (criticar)
• Usar (explotación)
PROCEDIMIENTO

• Determinar la función objetivo

• Recopilar muchos datos (ejemplos)
• Elegir los mejores atributos
• Codificar los valores de los atributos
• Seleccionar las instancias de entrenamiento y prueba.
• Realizar entrenamiento
• Evaluar el entrenamiento.
APLICACIONES

• Modelación financiera y económica.

• Perfiles de mercado y clientes.
• Aplicaciones médicas.
• Gerencia del conocimiento y “descubrimiento de datos”.
• Optimización de procesos industriales y control de calidad.
• Investigación científica
APRENDIZAJE POR MINIMIZACIÓN DE ERROR
• El algoritmo de corrección del error provee un aprendizaje supervisado por un circuito externo
denominado maestro. Sea 𝑑𝑘 (𝑛) la respuesta deseada de la neurona k de un sistema neuronal en un
instante dado n. Sea 𝑦𝑘 (𝑛) la respuesta del mismo sistema a un estimulo X(n). Es decir, X(n) y 𝑑𝑘 (𝑛)
constituyen una pareja de ejemplos o muestra para el entrenamiento de la red. Se asume que todos los
ejemplos son generales por el ambiente según una ley probabilística dada y que dicha distribución de
probabilidad es desconocida. En virtud de lo expresado, puede definirse el error de la salida K en el
tiempo n por la ecuación

𝑒𝑘 𝑛 = 𝑑𝑘 𝑛 − 𝑦𝑘 𝑛

𝑑𝑘 𝑛 = 𝑙𝑎 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑑𝑒𝑠𝑒𝑎𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑛𝑒𝑢𝑟𝑜𝑛𝑎 𝐾

𝑦𝑘 𝑛 = 𝑙𝑎 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑑𝑒𝑙 𝑚𝑖𝑠𝑚𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑎 𝑢𝑛 𝑒𝑠𝑡𝑖𝑚𝑢𝑙𝑜 𝑥(𝑛)
FLUJOGRAMA
Vector de entrada

Ambiente Maestro

Respuesta deseada
Respuesta Actual

Sistema adaptativo
IMPLEMENTACIÓN
 Boltzmann
Concepto

El algoritmo de aprendizaje de Boltzmann es estocástico y fue derivado por hinton y sejnowski

basándose en la teoría termodinámica y de procesamiento de información. En una red Boltzan las
neuronas forman una estructura recurrente y sus salida toman solo valores binarios +1 y -1. La
maquina esta caracterizada por un funcionamiento de energía E que depende de los estados
individuales de las neuronas y del valor de las conexiones sinápticas.

1
𝐸 = − ෍ ෍ 𝑤𝑖𝑗 𝑠𝑗 𝑠𝑖
2
𝑖 𝑗 𝑗≠𝑖
MODELO
BIBLIOGRAFÍA

• 1.9 MECANISMOS DE APRENDIZAJE. (n.d.). Retrieved June 20, 2017, from http://www.hugo-
inc.com/RNA/Unidad%201/1.9.html
• Aparicio, M. J. de la F., & Cano, T. C. (1999). Aplicaciones de las redes de neuronas en supervisión,
diagnosis y control de procesos. Equinoccio.
• Carter, D. S. and S. (n.d.). Tensorflow — Neural Network Playground. Retrieved June 20, 2017, from
http://playground.tensorflow.org
• Tamaño de las Redes Neuronales. (n.d.). Retrieved June 20, 2017, from