FACULTAD DE INGENIERA DE SISTEMAS Y ELECTRONICA

Ciclo. 2014-1.
Prof. Ing. Jos C. Bentez P.


WOIAA SISTEMAS INTELIGENTES Y REDES NEURONALES
1ER. BALOTARIO PARA LA PRIMERA PRCTICA

1. Introduccin a la IA y a las RNA. Responder en forma clara y precisa.
a. Enuncie dos conceptos de Inteligencia Artificial.
b. Cul es el objetivo de la IA?
c. Para qu sirve el Test de Touring?
d. Cules son las condiciones del test de
Touring?
e. Qu es un agente?.
f. Escriba dos caractersticas de la IA
convencional.
g. Escriba dos caractersticas de la IA
computacional.
h. Escriba 10 aplicaciones de la IA.
i. Dibuje una RNB e indique sus partes.
j. Dibuje una RNA e indique sus partes.
k. Cuntas neuronas (clulas nerviosas) hay en
nuestro cerebro aproximadamente?.
l. Justifique porque en un punto de una letra i
hay 50 neuronas.
m. Cunto pesa un cerebro de un recin nacido y
un adulto?
n. A partir de qu edad va perdiendo peso del
cerebro y a que razn?
o. Cules son las funciones que representan a
una RNA. Explique cada una de ellas.
p. Haga un cuadro sinptico con la clasificacin
de las RNA segn el patrn de conexin. Dar
ejemplos de cada uno.
q. Haga un cuadro sinptico con la clasificacin
de las RNA segn el tipo de aprendizaje. Dar
ejemplos de cada uno.
r. Haga un cuadro sinptico con la clasificacin
de las RNA segn el tipo de seal de entrada.
Dar ejemplos de cada uno.

2. Redes Neuronales Artificiales.
a. Graficar los patrones de aprendizaje de las funciones lgicas. Verificar si son linealmente separables.
OR
XOR
CONDICIONAL
LA BICONDICIONAL
~(A B) (A v C)
b. Graficar el siguiente patrn de aprendizaje. Verificar si son linealmente separables.
X1 X2 D
-0.4 -1.0 -1
0.8 1.0 1
1.0 0.5 1
-1.0 -0.5 -1
-1.0 -1.0 -1
0.5 1.0 1
c. Graficar el siguiente patrn de aprendizaje. Verificar si son linealmente separables.
X1 X2 D1 D2
-0.6 -1.0 0 1
0.9 1.0 1 1
1.0 0.5 1 0
-0.8 -0.5 0 0
-1.0 -1.0 0 1
0.5 1.0 1 1
d. Graficar el patrn de aprendizaje de: X1 = [-0.2 1.0 0.4 -1.0 -1.0 0.5] , X2 = [ 1.0 0.8 0.2 -0.4 -0.3 1.0 ]
D1 = [1 1 1 -1 1 -1], D2 = [1 1 -1 -1 1 1]

3. RNA Perceptron monocapa (SLP Single Layer Perceptron). Responder forma clara y precisa.
a. Que es una red Perceptron?.
b. Describa las caractersticas de un Perceptron.
c. Describir el algoritmo de entrenamiento del Peceptron.
d. Represente una red Perceptron con sus 5 capas procesadoras. Cules son las capas del red
Perceptron?.
e. Dibuje una red Perceptron de una capa y una multicapa, y explique sus caractersticas.
f. Represente la red Perceptron:
o La RNA tiene 11 neuronas y 08 UPs.
o Tres CPs,
o En la capa oculta hay 05 ups.
o La primera CP tiene una UP ms que la segunda.
o Escriba sus matrices representativas
g. Las redes Perceptron tienen las entradas, los pesos y las bias dadas. Hallar las salidas.
i. fT = hardlims, pi = [-2 2; 2 1; 2 -1] wij = [1 1 -1; 2 -1 -2; -1 2 -1] b
1
=2, b
2
=1 y b
3
=-1
ii. fT = hardlim, pi = [1 1;-1 2; 2 1; 2 -1] wij = [1 -1;-1 1; -2 2;-1 1] b
1
=2 y b
2
=-1
Nota: Wij es el peso de la entrada i hacia la UP j.
h. Porque la red Perceptron de la funcin AND aprende?. Justifique su respuesta con un anlisis grfico.
Porque la red Perceptron de la funcin XOR no aprende?. Justifique su respuesta con un anlisis
grfico.
i. Entrenar las redes Perceptron. Hallar Wij es el peso de la entrada i hacia la UP j. Aprende la RNA?
Considerar:
i. fT = hardlims pi=[-1 1; -1 1;2 -2] Oij=[1 1; 0 1; 1 1]
ii. fT = hardlim pi = [1 1; -1 1; 2 2; 1 -1] Oij = [1 1; 1 0; 0 1; 0 1]
j. Entrenar la SLP con el siguiente patrn de aprendizaje. Si no es entrenable modificar para que sea
entrenable.
X1 X2 D
-0.4 -1.0 -1
0.8 1.0 1
1.0 0.5 1
-0.8 -0.5 -1
-0.4 -1.0 -1
0.5 1.0 1
k. Entrenar la SLP con el siguiente patrn de aprendizaje. Si no es entrenable modificar para que sea
entrenable.
X1 X2 D1 D2
-0.2 -0.5 0 1
1.0 1.0 1 1
0.8 0.5 1 0
-0.6 -0.5 0 0
-1.0 -1.0 0 1
0.4 1.0 1 1
*UTP/FISE/SIRN/ /JCBP/08/05/14