APLICACIONES BASADAS EN EL CONOCIMIENTO

PRUEBA PRÁCTICA
II UNIDAD

Nombre: _______________________ Fecha: 28 de julio de 2021

Puntos: 5 Ptos

Ejercicio#1: Diseñar un perceptrón simple con n valores de entrada y función umbral de activación
que sirva para calcular la función MAYORIA-SIMPLE; esta función recibe n entradas (cada una
puede ser un 0 o un 1) y devuelve como salida un 1 si hay estrictamente más 1s que 0s, o 0 en caso
contrario.

Ejercicio#2: Demostrar geométricamente que un perceptrón simple no puede calcular la función

XOR. Construir una red neuronal (con función umbral como función de activación) que si la calcule.
indicación: Tener en cuenta que XOR se puede obtener mediante AND y OR, y que estas dos
funciones si pueden ser calculadas por perceptrones.

Ejercicio#3: La función PARIDAD es aquella que recibiendo n bits, devuelve 1 si hay un número par
de ellos igual a 1, y 0 en caso contrario ¿Se puede calcular la función PARIDAD mediante un
perceptrón simple? ¿Y mediante una red neuronal con una capa oculta y función umbral como
función de activación indicación incluir n neuronas en la capa intermedia, donde cada neurona i de
la capa intermedia se debe activar con un 1 si hay más de i entradas iguales a 1??

Ejercicio#4: Sea f una función de × R R en {− 1,}1 tal que f−( 1, 1) = f (0, 0) = 1 y f ( 1, 0)

− = 1. Supongamos
= f (0, 1) − que con ese conjunto de ejemplos aplicamos el algoritmo de
entrenamiento del perceptrón simple bipolar ¿Será el algoritmo ca- paz de encontrar los pesos
adecuados para que la unidad bipolar correspondiente calcule correctamente los cuatro ejemplos
anteriores? En el caso de usar el algoritmo de entrenamiento de la regla delta para encontrar un
perceptrón simple con función activación diferenciable, ¿hacia qué converge el vector de pesos que
va construyendo el algoritmo?

Ejercicio#5: Sea el conjunto de puntos del plano x1 = (1, 1), x2 = (0, 0), x3 = (2, 2), x4 = (1, 0), x5 =
(2, 0) y x6 = (0, 1). Estos puntos están clasificados en dos grupos: los tres primeros de la clase 1 y los
restantes de la clase 0 ¿Es posible que un perceptrón los clasifique correctamente? Aplicar el
algoritmo de entrenamiento del perceptrón simple con función de activación umbral para encontrar
un vector de pesos que clasifique correctamente esos puntos. Tomar w0 = w1 = w2 = 0 como pesos
iniciales y 0.5 como factor de aprendizaje.

Ejercicio#7: Sea f una función R x R en [-1, 1] consideremos el problema de aprender f mediante un

perceptrón simple bipolar, para ello se tiene el siguiente conjunto de entrenamiento:

Entradas Salida
E1 (2, 0) 1
E2 (0, 0) −1
E3 (2, 2) 1
E4 (0, 1) −1
E5 (1, 1) 1
E6 (1, 2) −1
Aplicar el algoritmo de entrenamiento del perceptrón simple bipolar con el conjunto de
entrenamiento anterior, considerando los ejemplos en el mismo orden en que aparecen, hasta
que se clasifiquen correctamente todos los ejemplos. Tomar 0 como valor inicial para los pesos
y 0.1 como factor de aprendizaje. Con los pesos aprendidos, ¿qué salida se obtiene para las
siguientes entradas: (0, 2), (1, 0) y (2, 1)? 1
Ejercicio#8: Transforme el algoritmo perceptrón simple (visto en clases (es obligatorio utilizar
este algoritmo) a una clase (class), además haga uso de funciones de activación unipolar y
bipolar.

Ejercicio#9: Una nariz electrónica analiza mediante sensores los vapores procedentes de
determinadas sustancias y las clasifica a partir de la informaci´on cuantitativa obtenida.
Supongamos que utilizamos 16 sensores para identificar cuatro tipos de vino tinto: Cabernet,
Merlot, Syraz y Tempranillo. Describir en detalle cómo podr´ıamos usar una red neuronal para
abordar este problema: en que consistir´ıa un conjunto de entrenamiento y cómo se codificar´ıan
los ejemplos, la estructura de la red, el algoritmo de entrenamiento usado y de qué manera se
usaría la red una vez entrenada, para identificar un nuevo vino tinto.

Ejercicio#10: Encuentre la matriz de pesos para una red de 5 nodos que tiene como atractores:
(0 1 1 0 1) y (1 1 1 1 1 ), y, empezamos en el estado (1 0 1 0 1). Use este orden para actualizar los
nodos:
G1) 2,4,3,5,1,2,4,3,5,1, etc.,
G2) 2,4,3,3,5,5,1,2,2,4,3,5,1, etc.,
G3) 3,5,1,2,4,3,5,1,2,4, etc.
G1) 2,4,3,3,5,5,1,2,4,3,3,5,5,1,etc
G2) 1,2,3,4,5,1,2,3,4,5,etc.
G3) 3,4,1,5,2,3,4,1,5,2,etc
Después de probarlo, se puede comprobar la respuesta?

Ejercicio#11: Supongamos que tenemos que separar los puntos P1=(1,1), P2=(1,0), P3=(0,1) por
la función f(x,y)=3x+2y>2 (es decir, devuelve 1 si se cumple la desigualdad y 0 si no la cumple).
Para ello construye un perceptrón simple o un perceptrón simple bipolar y utiliza como función
de activación la función sigmoide, una función de aprendizaje basada en la Regla Delta
generalizada y un factor de aprendizaje e = 0.5. Asigne a los pesos valores aleatorios y pequeños,
tanto positivos como negativos.

Ejercicio#12: La figura muestra un perceptrón multicapa que construye la función XOR. ¿Cómo
la reescribiría para construir la función de equivalencia binaria (es decir, la salida está por encima
del umbral cuando ambas entradas son 0s o 1s y bipolar -1s o 1s? ¿Puedes construirlo de manera
que detecte equivalencia para cualquier combinación de entradas enteras?

Ejercicio#13: Considera los siguientes 4 ejemplos. Construye un perceptrón multicapa con una
unidad en la capa oculta. Realiza una sólo iteración para todos los patrones manualmente (puede
utilizar excel), suponiendo un valor umbral de 4, unos pesos iniciales wij=1 y un factor de
2
aprendizaje = 0.6. Utiliza también una función de activación sigmoide y la regla delta generalizada
como regla de aprendizaje. ¿Cuáles son los pesos finales?

Ejercicio#14: Se cree que los niños aprenden mediante un proceso llamado razonamiento por
analogías, en el que intentan asociar objetos parecidos a otros que ya conocen, y los intentan
agrupar por categorías. Supón que un niño ha visto alguna vez un león en el zoo y que sabe que
es peligroso, y lo ha representado internamente por el patrón (1 1 0 1 0). Un día va por la calle y
se encuentra a un gato, que representaremos por el patrón (1 1 1 0 1) ¿Debe salir corriendo el
niño porque crea al verlo que se parece demasiado a un león? Modele está situación (el
aprendizaje del león y después del gato) mediante un perceptrón multicapa. (Nota: describa cada
característica de la entrada e Indique como sería un patrón de entrada para describir un perro)

Ejercicio#15: Dada la siguiente red neuronal con pesos inicializados (imagen), explique la
arquitectura de la red sabiendo que estamos tratando de distinguir entre clavos y tornillos, un
ejemplo de tuplas de entrenamiento es el siguiente: T1{0.6, 0.1, clavo}, T2{0.7, 0.2, clavo}, T3{0.2,
0.3, tornillo}. T4{0.3, 0.4, tornillo}.
La tasa de aprendizaje ŋ sea de 0,1 y los
pesos sean los indicados en la figura. Haga
la propagación hacia adelante de las
señales en la red usando T1 (G1), T2(G2),
T3(G3) y T4 (G4) como entrada, luego haga
la propagación hacia atrás del error.
Muestra los cambios de los pesos, repita
por dos ocasiones.