TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO SUPERIOR DE TEPOSCOLULA

MATERIA: INTELIGENCIA ARTIFICIAL

TEMA: REDES NEURONALES

EVIDENCIA: CONSTRUYENDO UN CLASIFICADOR

BASADO EN PERCEPTRON

NOMBRE DEL ALUMNO:

HERIBERTO ORTIZ PACHECO 1520128

DOCENTE:
ING. MIGUEL SIBAJA CRUZ

SANTIAGO APOALA, NOCHIXTLÁN, OAXACA, OAXACA A 22 DE JUNIO DE

2020.
 ÍNDICE

INTRODUCCIÓN.................................................................................................................................3
CONSTRUYENDO UN CLASIFICADOR BASADO EN PERCEPTRON......................................................4
CONCLUSIÓN...................................................................................................................................10
 INTRODUCCIÓN

Un Perceptron es el bloque de construcción de una red neuronal artificial. Es una

neurona única que toma entradas, realiza cálculos sobre ellas y luego produce una
salida. Utiliza una función lineal simple para tomar la decisión. Digamos que
estamos tratando con un punto de datos de entrada de dimensión N. Un
Perceptron calcula la suma ponderada de esos N números y luego agrega una
constante para producir la salida.
La constante se llama sesgo de la neurona. Es notable notar que estos
Perceptrones simples se usan para diseñar redes neuronales profundas muy
complejas. Veamos cómo construir un clasificador basado en Perceptron usando
NeuroLab.
CONSTRUYENDO UN CLASIFICADOR BASADO EN PERCEPTRON

1. Abrimos Jupyter.

2. Cree un nuevo archivo Python e importe los siguientes paquetes:

3. Cargue los datos de entrada del archivo de texto data_perceptron.txt. Cada
línea contiene números separados por espacios donde los dos primeros
números son las características y el último número es la etiqueta:

4. Separe el texto en puntos de datos y etiquetas:

5. Graficar los puntos de datos:

6. Defina los valores máximos y mínimos que puede tomar cada dimensión:
7. Como los datos se separan en dos clases, solo necesitamos un bit para
representar la salida. Entonces la capa de salida contendrá una sola
neurona.
8. Tenemos un conjunto de datos donde los puntos de datos son
bidimensionales. Definamos un Perceptron con dos neuronas de entrada,
donde asignamos una neurona para cada dimensión.

9. Entrene al perceptrón con los datos de entrenamiento:

 10. Trace el progreso del entrenamiento utilizando la métrica de error:

11- En la siguiente imagen se ve la representación del progreso del entrenamiento

utilizando la métrica de error.
 CONCLUSIÓN

Una de las premisas fundamentales de la Inteligencia Artificial es construir máquinas que

puedan realizar tareas que requieran inteligencia humana. El cerebro humano es asombroso al
aprender cosas nuevas. ¿Por qué no usar el modelo del cerebro humano para construir una
máquina? Una red neuronal artificial es un modelo diseñado para simular el proceso de
aprendizaje del cerebro humano.
Las redes neuronales artificiales están diseñadas de manera que puedan identificar los patrones
subyacentes en los datos y aprender de ellos. Se pueden utilizar para diversas tareas, como
clasificación, regresión, segmentación, etc.