Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MapasAutoOrganizadosFernandoSanchoCaparrini
Seleccionaridioma
ArtificialNeuralNetworksinNetLogo
EjerciciosAprendizajeAutomtico
RefactorizacinFuncional
Algoritmosdehormigasyelproblema...
FernandoSanchoCaparrini
LocalSearchAlgorithmsinNetLogo
MapasAutoOrganizados
Elm:ElementosVisuales
PSO:Optimizacinporenjambresde...
AGeneralA*SolverinNetLogo
ClasificacinSupervisadayNo...
JornadasFORMA13
Unsecretodepasillo CursoMOOCdeNetLogoenDifundi
IntroduccinalAprendizajeAutomtico
Inicio
Docencia
Investigacin
Publicaciones
Proyectos
ltimasEntradas
AgeneralBFSSolverinNetLogo
Temas
Optimizacinenelespaciode...
Mapassemnticos:clasificaciny...
NetLogo:Unaherramientademodelado...
RedesNeuronales:unavisin...
ClusteringporKmedias
Buscarpalabrasusadasen
entradasypginasdeeste
sitio
Introduzcaaqula[s]
palabra[s]abuscar:
Elm:Creacinrpidade...
EjerciciosdePSOyACO
ClasificacinSupervi||Inicio||EjerciciosAprendizaj
MapasAutoOrganizados
Introducatrminosdebsqueda
ElTeoremadeTakens:cmopredecir...
Algoritmosdehormigasyelproblema...
Losdosejesdelacomplejidad:...
PSO:Optimizacinporenjambresde...
ltimamodificacin:15deMayode2016,yhatenido1131vistas
Etiquetasutilizadas:algoritmos||inteligenciaartificial||machinelearning
Elm:ProyectoJuego
EjerciciosdeAutmatasCelularesy...
Theseiconslinktosocialbookmarkingsiteswherereaderscanshareanddiscovernewwebpages.
CursoaceleradodeLgicaProposicional
Fractales
NEWNETLOGO
BOOK
Cmosedemuestraqueunprogramaes...
AutmatasCelulares
EjerciciosRedesComplejas
Introduccinalasredescomplejas
SistemasComplejos,Sistemas...
EjerciciosInteligenciaColectiva
SistemasColectivos.Inteligencia...
Ejerciciosdebsquedaslocales
AlgoritmosGenticosyComputacin...
BsquedasLocales
Access
SOM,fueroninventadosen1982porTeuvoKohonen,profesorde
BsquedasInformadas
laAcademiadeFinlandia,yproporcionanunaformaderepresentar
BsquedasNoInformadas
datos multidimensionales (vectores) en espacios de dimensin
Inenglishandspanish,the
newbooktolearnNetLogo.
16chaptersgoingfromthe
basicstoadvancedfeatures.
Withexercisesproposedin
everychapterandfull
examples.
EjerciciosdeBsquedanoInformada
inferior, normalmente, en 2D.
Este proceso de reducir la
Sobrelosespaciosdeestadoylas...
dimensionalidaddevectoresesunatcnicadecompresindedatos
LOSMSLEDO
1.Algoritmosdehormigasy
elproblemadelviajante
(4699vistas)
2.Introduccinal
AprendizajeAutomtico
(4604vistas)
3.Introduccinalasredes
complejas(3954vistas)
4.PSO:Optimizacinpor
enjambresdepartculas
(3568vistas)
5.SistemasMultiagentey
Simulacin(2939vistas)
6.Unaintroduccina
Prolog(2836vistas)
7.BasesdeDatosenGrafo
(2809vistas)
8.ClusteringporKmedias
(2787vistas)
9.Sobreelmodelado
matemtico(2512vistas)
10.AnlisisFormalde
Conceptos(2474vistas)
TEMAS
agentes,algoritmos,
busqueda,complejidad,
inteligencia
artificial,investigacin,
haskell ,
matemticas,modelado,
netlogo,problemas,
programacinfuncional ,
simulacion,sistemas
complejos,
universidad(todas)
ENLACES
Computacin
GMSCUCE
A.I.T.
Programacin
NetLogo
ElmLanguage
Haskell
UnodelosaspectosmsinteresantesdelosSOMesqueaprendenaclasificarsinsupervisin,loqueimplicaque
nonecesitamosunobjetivoqueaproximar,sinoquegeneraladistribucinapartirdelasimilitudentrelosvectores.
Arquitecturaenred
Engeneral,elalgoritmoSOMconsideraunaarquitecturaen2capas:porunapartetenemosunacapadenodosde
aprendizaje, de la que nos importa la relacin geomtrica que hay entre ellos y que sern los que finalmente
contendrnlainformacinacercadelarepresentacinresultante,juntoconunacapadenodosdeentrada,dondese
representarnlosvectoresoriginalesduranteelprocesodeentrenamiento.Adems,todosloselementosdelaprimera
capaestnconectadoscontodosloselementosdelasegundacapa.Lasiguientefiguramuestraunaposiblearquitectura
2D para un entrenamiento SOM, la red de aprendizaje viene representada por los nodos rojos, y los vectores de
entrenamientovienenrepresentadosenverde.Comoenmuchossistemassimilares,laideadelalgoritmoconsistiren
encontrar los pesos adecuados de las conexiones entre ambas capaz para dar una "representacin" adecuada de los
datosdeentradaenlaestructurageomtricadelosnodosdeaprendizaje.
HumanidadesDigitales
CulturePlexLab
SylvaDB
BaroqueArt
Otros
R.G.N.C.
Lg.Computacional
Lg.Matemtica
CONTACTO
Dpto.Cienciasdela
ComputacineInteligencia
Artificial,Universidadde
Sevilla .
Direccin:E.T.S.I.I.
Av.ReinaMercedes,s/n.
Tfno:(+34)954556979,
Fax:(+34)954556599
Despacho:H1.48
email:fsanchoenus(.)es
Enrealidad,comononosimportalarepresentacingeomtricanitopolgicadelosnodosdeentrada,escomnque
solosedeunarepresentacinenlaqueaperecenlosnodosdeaprendizajeylospesosasociadosacadaunodeellosse
muestrancomounvectordepesos(cadaelementodeestevectoreselpesodelaconexinconelcorrespondientenodo
deentrada).Deestaforma,silacapadeentradatienetamao n (queesladimensindelespaciooriginal),cadanodo
deaprendizajetendrunvectordepesos,W ,dedimensinn .
AlgoritmodeAprendizaje
Agrandesrasgos,yaquenohayvectorobjetivoalqueaproximarse,loquesehaceesque,enaquellaszonasenlas
http://www.cs.us.es/~fsancho/?e=76
1/5
26/10/2016
MapasAutoOrganizadosFernandoSanchoCaparrini
Agrandesrasgos,yaquenohayvectorobjetivoalqueaproximarse,loquesehaceesque,enaquellaszonasenlas
quelaredtienenodosconpesosquecoincidenconvectoresdeentrenamiento,elrestodenodosdesuentornotienden
aaproximarsetambinaesemismovector.Deestaforma,partiendodeunadstribucindepesosinicial(normalmente
aleatorios),elSOMtiendeaaproximarseaunadistribucindepesosestable.Cadaunadeestaszonasqueseestabiliza
se convierte en un clasificador de propiedades, de forma que la red se convierte en una salida que representa una
aplicacin de clasificacin. Una vez estabilizada la red, cualquier vector nuevo estimular la zona de la red que tiene
pesossimilares.
Deformamsdetallada,lospasosquesesiguenparaelprocesodeentrenamientoson:
1.
Cadanodoseinicializaconunpeso(aleatorio).Normalmente,vectoresen[0, 1] ,
2.
Seseleccionaalazarunvectordelconjuntodeentrenamiento.
3.
Se calcula el nodo de la red que tiene el peso ms similar al vector anterior, que notaremos como Best
MatchingUnit(BMU).Paraello,simplementesecalculanlasdistanciaseucldeasentrelosvectores W de
cadanodoyelvectordeentrenamiento(pormotivosdeeficiencia,noseaplicalarazcuadradaalclculodela
distanciaeucldea,cosaquenoafectaparacalcularelmnimo).
4.
SecalculaelradiodelentornodeBMU.Esteradiocomenzarsiendogrande(comoparacubrirlared
completa)ysevareduciendoencadaiteracin.
5.
CadanododelentornodeBMUajustasupesoparaparecersealvectordeentrenamientoseleccionadoen
elpaso2,deformaquelosnodosmscercanosalBMUseveanmsmodificados.
6.
Repetirdesdeelpaso2(elnmerodeiteracionesqueseconsiderenecesario).
Lafrmulaqueestableceelradioenfuncindelaiteracin(quehacequevayadisminuyendo,peronolinealmente)
es:
t
r(t) = r0 e
donder eselradioinicial(habitualmente,elradiodelared,esdecir,unosuficienteparacubrirenelprimerpaso
0
todos los nodos) y una constante que permite hacer que el radio sea muy pequeo cuando llegamos a la iteracin
mxima:
T iempo_de_E ntrenamiento
=
ln r0
La siguiente figura muestra el efecto de ir reduciendo paulatinamente el radio del entorno, donde se marcan los
nodosqueseveranafectadossielnodoBMUeselnodoamarillo:
El factor L(t) se denomina tasa de aprendizaje, y permite aproximar W a V con el paso del tiempo. Como
queremosquesuvalortambindisminuyaamedidaqueeltiempopasa,podemosusarunaexpresinsimilaraladel
radio:
L(t) = L 0 e
Porejemplo,haciendoqueD(t)sigaunagaussianadelaforma:
D(t) = e
d
2r
(t)
dondedesladistanciadelnodoqueestamosajustandoalBMU(centrodelentorno).
EjemplodeAplicacin
LosSOMseusanhabitualenteparaproporcionarayudasvisuales,yaquepermitenmostrarrelacionesentregrandes
cantidadesdedatosyqueprecisaranmuchasmsdimensiones(algoinviableparaelserhumano)parasermostradas
adecuadamente.Conelfindetrabajarconunatopologaenlosnodosquereflejeunmayornmerodeconexionesentre
ellos, pero sea realista desde un punto de vista 2D, es habitual trabajar con un teselado hexagonal del plano,
identificandoloshexgonosconlosnodosdelared.
Paisesorganizadossegnsuniveldepobreza
Segn los diversos factores que se usan para medir la calidad de vida de los pases, podemos usar SOM para
representarlasagrupacionesqueformanlosdiversospasesenunared2D.
http://www.cs.us.es/~fsancho/?e=76
2/5
26/10/2016
MapasAutoOrganizadosFernandoSanchoCaparrini
Juntoalarepresentacionanterior,unavezextradosloscolores,podemosvolveraproyectarlospasesenunmapa
estndar,deformaquevisualmentepodamosinterpretarsimultneamentelainformacingeogrficaconlaprocedente
delosdatosanteriores:
En general, los SOM se pueden usar para representar datos complejos de una forma muy visual, ya que las
relaciones abstractas se destacan como relaciones de carcana y por colores... desde relaciones semnticas hasta
estructurastopolgicas.
Clasificacindeanimales
Supongamos ahora que tenemos la siguiente tabla de informacin acerca de las propiedades de un conjunto de
animales:
Paloma Gallina Pato Ganso Buho Halcn guila Zorro Perro Lobo Gato Tigre Len Caballo Cebra Vaca
Pequeo S
No
No
No
No
No
No
No
No
No
Medio
No
No
No
No
No
No
No
No
No
No
No
No
Grande
No
No
No
No
No
No
No
No
No
No
No
2patas
No
No
No
No
No
No
No
No
No
4patas
No
No
No
No
No
No
No
Pelo
No
No
No
No
No
No
No
Pezuas
No
No
No
No
No
No
No
No
No
No
No
No
No
Melena
No
No
No
No
No
No
No
No
No
No
No
No
Plumas
No
No
No
No
No
No
No
No
No
Caza
No
No
No
No
No
No
No
No
Corre
No
No
No
No
No
No
No
No
No
No
Vuela
No
No
No
No
No
No
No
No
No
No
No
Nada
No
No
No
No
No
No
No
No
No
No
No
No
No
No
Usando las columnas anteriores como vectores de entrenamiento, y un tamao adecuado del mundo para que los
vectores puedan distribuirse en l con comodidad, podemos obtener una clasificacin 2D de los elementos a los que
caracterizan(animales),dandorelacionesdesimilaridad(clasificndose)automticamente:
http://www.cs.us.es/~fsancho/?e=76
3/5
26/10/2016
MapasAutoOrganizadosFernandoSanchoCaparrini
Aligualqueenelcasoanterior,senormalizanlascomponentesdelosvectores(yaestnnormalizados,convirtiendo
No=0,S=1)ysegeneranpesosalazarconcomponentesaleatoriasentre0y1.Enestecaso,debidoaquecadavector
tiene 13 componentes, usamos slo las 3 primeras para dar una ligera clasificacin por colores, pero no reflejan la
informacinadicionalquehayenlospesosrealesqueseusanenelalgoritmo.
Puedeobservarsequelaclasificacintienesentido,yaqueagrupadeformacoherenteanimalesqueconsideramos
similaresporcausasdiversas.
PreprocesadodeDatos
Rara vez los conjuntos de datos sirven tal
como nos los dan, ya que es habitual encontrar
quevienendadosenescalasmuydiferentes,con
altos grados de variabilidad (y diferente para
cada atributo almacenado), e incluso con
distintos tipos de datos, donde algunos son
numricos y otros categricos. Por eso,
normalmente, y antes de realizar el
entrenamiento, hay que realizar algn tipo
de preprocesamiento que tiene como objetivo conseguir que todas las variables tengan aproximadamente el mismo
rangoylamismadesviacinestndar.Unadelasformasparaconseguirestoeselsiguiente:
Convertir variables categricas que tengan n posibles valores (categoras) en n variables distintas. Los
valoresdeestasvariablesdependerndecmohayamospreprocesadoelrestodelfichero,peronormalmente
se pondr al valor mximo de la normalizacin en caso de que la variable corresponda a esa categora y al
valormnimoencasodequeno.
Normalizarlascolumnasnumricasrestandolamediaydividientoporladesviacinestndar.Astodaslas
variablestendrnlamayorpartedesusvaloresentre1y1.
Otros preprocesos posibles consisten en aplicar logaritmos en caso de que el rango de variacin pase por varios
rdenesdemagnitud,orestarelmnimoydividirporelrangodevariacin,paradardiferentesvariablesenelrango
[0,1].Anas,cuandosetratadevariablescondistribucinmuydesigual,eshabitualquelosmodelosobtenidosnosea
excesivamentebuenos,yhabraquesometerlosaalgnpreprocesoadicional,quesertotalmenteheurstico(esdecir,
hechoadhoc),yquepuedeincluirlaeliminacindealgunasdelasvariables,algnprocesoestadsticoadicionalsobre
elconjuntoresultanteyejecucionespreliminaresdelalgoritmoparacomprobarlosresultadosqueseconsiguen.
En cualquier caso, lo ms importante del preproceso es no desvirtuar las relaciones mtricas entre los diferentes
valoresdelosatributos,yaqueunmalpreprocesadopuededarlugaraartefactos(esdecir,caractersticasnopresentes
en los datos iniciales) en los resultados del algoritmo. Por ejemplo, si las categoras de una variable categrica son
totalmentediferentes,elvectorquerepresentecadacategoratendrquehacersedeformaqueladistanciaatodaslas
dems sea la misma. Sin embargo, con variables que tengan una distancia "natural", por ejemplo, variables del tipo
mediano,pequeo,grande,habrqueconvertirlasanmerosenteros,oavaloresnumricosquemantenganesamisma
relacindeproximidadentreellas.
Parasaberms...
SelfOrganizingMapsResearchLab
WorldPovertyMap
SelfOrganizingMaps
SelfOrganizingMapsforPictures
SOMTutorial
TAMBINTEPUEDEINTERESAR...
1.EjerciciosdeLgicaProposicional(8125vistas)
2.Algoritmosdehormigasyelproblemadelviajante(4699vistas)
3.IntroduccinalAprendizajeAutomtico(4604vistas)
4.Introduccinalasredescomplejas(3954vistas)
5.PSO:Optimizacinporenjambresdepartculas(3568vistas)
6.SistemasMultiagenteySimulacin(2939vistas)
7.UnaintroduccinaProlog(2836vistas)
8.BasesdeDatosenGrafo(2809vistas)
9.Sobreelmodeladomatemtico(2512vistas)
10.AnlisisFormaldeConceptos(2474vistas)
0Comments
Recomendar
Aadeuncomentariosilodeseas...
Share
Login
Ordenarporlosmejores
Iniciaeldebate...
Selprimeroencomentar.
http://www.cs.us.es/~fsancho/?e=76
4/5
26/10/2016
MapasAutoOrganizadosFernandoSanchoCaparrini
Selprimeroencomentar.
ALSOONAADEUNCOMENTARIOSILODESEAS...
Haskell:elLenguajeFuncionalFernandoSancho
Caparrini
2commentshaceunao
4commentshaceunao
fsanchoPensquequerasqueelconjuntodeagentesresolviera
fsanchoMuchasgracias...esperopoderseguirampliandopuntos
msconcretosdeprogramacinfuncional.Ahorameest
resultandomuyinteresanteElmque,aunquefuertemente
BasesdeDatosenGrafoFernandoSanchoCaparrini
2commentshaceunao
unsoloproblemadebsqueda,peroahoraentiendoquecadauno
debeusarunabsquedaparaunproblemadistinto(desdesu
SistemasComplejos,SistemasDinmicosyRedes
Complejas
2commentshaceunao
fsanchoHolaDaniel,Quizsestelibro
(http://graphdatabases.com/)tepuedaservircomoreferencia.Es
introductorioylopuedesdescargargratuitamente.Enlsehace
Subscribe d AadeDisqusatusitiowebAddDisqusAadir
AlgoritmoA*FernandoSanchoCaparrini
fsanchoHolaJuanManuel.Teheescritoalcorreoquemehas
dejado,peromehanrespondidodiciendoquenoeslapersona
adecuada...Supongoquehayalgnerrorenelcorreoquehas
Privacidad
ClasificacinSupervi||Inicio||EjerciciosAprendizaj
http://www.cs.us.es/~fsancho/?e=76
5/5