Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El Perceptron de Rosenblatt
Introduction
robust@uni.edu.pe 1
Inteligencia Artificial
robust@uni.edu.pe 2
Inteligencia Artificial
o En este segundo modelo, es equivalente al 1943 debido a que tiene el sesgo b(n) se trata
como un peso sináptico impulsado por una entrada fija igual a 1. De este modo, podemos
definir el vector de entrada (m+1)x1.
robust@uni.edu.pe 3
Inteligencia Artificial
o Para que el perceptron funcione correctamente, las dos clases c1 y c2 deben ser
linealmente separable esto, a su vez, significa que los patrones a clasificar deben estar
suficientemente separados uno del otro para asegurar que la superficie de decisión
consista en un hiperplano.
robust@uni.edu.pe 4
Inteligencia Artificial
robust@uni.edu.pe 5
Inteligencia Artificial
Miscelánea (3/1)
robust@uni.edu.pe 6
Inteligencia Artificial
Miscelánea (3/2)
Se dispone de la siguiente información:
Conjunto de patrones {xk}, k = 1,2,…,p1 , de la clase C1 (zk = 1)
Conjunto de patrones {xr}, k = p1+1,...,p , de la clase C2 (zr = -1)
Se pretende que el perceptrón asigne a cada entrada (patrón xk) la salida deseada zk
siguiendo un proceso de corrección de error (aprendizaje) para determinar los pesos
sinápticos apropiados
Miscelánea (3/3)
robust@uni.edu.pe 7
Inteligencia Artificial
Ejemplo
o Diseñe una red de tipo perceptron simple que implemente la función lógica AND
AND
Entradas Salidas x1 w1
(1, 1) 1
(1, −1) −1 x2 w2 y
(−1, 1) −1 θ
−1
(−1,−1) −1
o Paso 0: Inicialización con pesos aleatorios pequeños, por ejemplo w1 = 0.4, w2 = − 0.2,
θ = 0.6. Asuma un factor de aprendizaje de 0.5
o En este caso a la red se le puede ingresar los vectores de datos en forma aleatoria. No
necesariamente que guarden cierto orden en las formas de la tablas.
robust@uni.edu.pe 8
Inteligencia Artificial
robust@uni.edu.pe 9
Inteligencia Artificial
robust@uni.edu.pe 10
Inteligencia Artificial
robust@uni.edu.pe 11
Inteligencia Artificial
+ − =0
+ + (−1) = 0
• Para entender mejor al procedimiento de entrenamiento, vamos a introducir una representación vectorial.
∗ =0
robust@uni.edu.pe 12
Inteligencia Artificial
∗ >0 ∗ =0 ∗ <0
∗ ≥ 0, =1 ∗ < 0, =0
• ¿Qué pasa si no obtenemos el resultado deseado?, entonces se requiere de un ajuste. ¿Cómo se realiza?.
= +
Si el resultado es 1 en lugar de 0:
= −
En resumen: = + ( − ) ∆ = ( − )
robust@uni.edu.pe 13
Inteligencia Artificial
Época y Umbral
• Se le llama época a cada iteración de la red por el lote de entradas en la que
haya ajuste de variables. El ajuste de variables se puede hacer después de la
presentación de vectores de entrada individuales o por lotes.
• La variable θ también es llamada elemento de tendencia o ‘threshold'
porque, es el que mueve el hiperplano de decisión a lo largo del eje 'x'. A
esta variable se le denomina en muchas ocasiones con el símbolo 'b‘
denominándose ‘Bias‘ que a diferencia del threshold es de característica de
pesos excitatorio.
robust@uni.edu.pe 14
Inteligencia Artificial
Ejercicio 1
(b)
(a)
(c)
(d)
robust@uni.edu.pe 15
Inteligencia Artificial
Ejercicio 2
Sugerencia: Completar los campos de la tabla y recordar que se trata de una topología de 1943
robust@uni.edu.pe 16
Inteligencia Artificial
Ejercicio 3
• Supongamos que un Perceptron (ver figura) de dos entradas tiene pesos iniciales 0, 0.4 y
umbral 0.3. Se requiere que este Perceptron aprenda la función lógica AND. Suponga una
razón de aprendizaje de 0.25. Usando el algoritmo anterior complete la tabla hasta que
encuentre convergencia.
w1 = 0.0 w’=w+α(t-y)x
w2 = 0.4 ó ∆wi=α(t-y)xi
θ = 0.3 a = 1, si (x1w1 + x2w2) ≥ θ
α = 0.25 a = 0, si (x1w1 + x2w2) < θ
t = Función AND
0 0.4 0.3 0 0 0 0 0 0 0 0 0
0 0.15 0.55 1 0 0 0 0 0 0 0 0
robust@uni.edu.pe 17
Inteligencia Artificial
Ejercicio 4
1. ¿Cuántas iteraciones se requieren para la convergencia?
2. ¿Es lo mismo iteraciones y épocas?
3. ¿Cuáles son los valores de convergencia de los pesos y el umbral?
4. Defina algebraicamente el hiperplano de decisión.
5. Demuestre gráficamente que éste hiperplano es un límite apropiado para
la distinción de clases y que el vector de pesos y el hiperplano son
ortogonales.
6. Entrenar con diferentes umbrales implica una modificación en la
característica de los pesos. En este caso es indiferente para el
entrenamiento de la red perceptron?.
robust@uni.edu.pe 18