Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad de Ingeniería
Redes Neuronales Artificiales y Deep Learning
2021 - 01
El objetivo de este dataset es brindar los datos necesarios para el entrenamiento de algoritmos de
aprendizaje automático, con el fin de distinguir con precisión entre un tumor benigno y maligno
durante el diagnóstico clínico.
Para el entrenamiento de la red se tienen en cuenta 9 características de valor real para cada núcleo
celular como entrada, y nuestro target es la clase o el diagnóstico, el cual afirma si es un tumor
maligno o benigno.
Para resolver este problema de clasificación, se implementan dos métodos, cada uno con una
arquitectura de red neuronal distinta.
A) Red superficial:
La arquitectura de esta red consta de una capa de entrada de 9 neuronas, una única capa oculta
de 10 neuronas, con función de activación ‘tanh’ y finalmente, una capa de salida con 2
neuronas, con función de activación ‘sigmoid’.
● Loss: ‘categorical_crossentropy’.
● Optimizer: ‘Adam’.
● Metrics: ‘Accuracy’.
Finalmente, se obtiene la matriz de confusión, la cual nos indica la cantidad de casos exitosos que se
obtuvieron con la red propuesta.
B) Red profunda:
La arquitectura de esta red consta de una capa de entrada de 9 neuronas, 3 capas ocultas, cada
una de 10 neuronas, la primera con función de activación ‘tanh’ y las dos siguientes con
función de activación ‘sigmoid’, finalmente, una capa de salida con 2 neuronas, con función
de activación ‘sigmoid’.
● Loss: ‘categorical_crossentropy’.
● Optimizer: ‘Adam’.
● Metrics: ‘Accuracy’.
Finalmente, se obtiene la matriz de confusión, la cual nos indica la cantidad de casos exitosos que se
obtuvieron con la red propuesta.
Según la información recopilada y mostrada anteriormente, se puede concluir que aunque la red
profunda tuvo un mínimo incremento en el Score y en la cantidad de casos de éxito, tiene una pérdida
final más alta, lo que indica un posible overfitting.
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE
Facultad de Ingeniería
Redes Neuronales Artificiales y Deep Learning
2021 - 01
Por otro lado, podemos afirmar que se tuvo un buen resultado, pues al calcular el porcentaje de
tumores malignos y benignos de la tabla, da como resultado 67% y 26,7%, respectivamente, lo cual no
se aleja de los valores registrados en la descripción del dataset.
B) En una empresa que produce motores eléctricos se necesita automatizar el control de calidad de los
mismos. Se sabe que los motores pueden presentar fallas en los rodamientos, en el rotor, en el estator
y de aislamiento. Para detectar dichas fallas se capta con un micrófono el sonido del motor en
funcionamiento y dicha señal se divide en ventanas temporales de 0.5 seg. En dicha ventana se calcula
el valor máximo, mínimo, promedio y la desviación estándar de la señal. Además, la señal se
transforma al dominio de la frecuencia aplicando análisis de Fourier para calcular la frecuencia
dominante de la señal y el valor de amplitud en frecuencia de dicha frecuencia. Realice un diagrama
de bloques del sistema que se implementaría para realizar esta aplicación. Muestre mediante un
esquema la arquitectura de la red neuronal que aplicaría en este caso. Muestre cómo se codificaría la
salida para este problema.
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE
Facultad de Ingeniería
Redes Neuronales Artificiales y Deep Learning
2021 - 01
3. Se tiene una red neuronal con 6 capas de procesamiento y la siguiente cantidad de neuronas [7 6 5 4
5 6] y las siguientes funciones de activación [sigmoidal, lineal, cuadrática, sigmoidal, lineal, cúbica],
Muestre la expresión para entrenar el peso w(5,4) ubicado entre la primera y segunda capa
considerando las funciones de activación definidas
Expresión final:
4. Se tiene una red con 4 entradas, 4 neuronas ocultas tangentes sigmoidales y 4 neuronas de salidas
sigmoidales. Asuma un valor de razón de aprendizaje igual a 0.7. Encuentre la actualización del valor
del bias de la segunda neurona de la capa oculta y del peso w(4,1) de la capa de salida.
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE
Facultad de Ingeniería
Redes Neuronales Artificiales y Deep Learning
2021 - 01
El problema de clasificación del conjunto de datos CIFAR-10, consta de 60000 imágenes en color de
tamaño 32x32, dividido en 10 clases, con 6000 imágenes por clase. Hay 50000 imágenes de
entrenamiento y 10000 imágenes de prueba dataset.
Las clases que se encuentran en el conjunto de datos son las siguientes:
● Avión.
● Automóvil.
● Pájaro.
● Gato.
● Ciervo.
● Perro.
● Rana.
● Caballo.
● Embarcación.
● Camión.
c) Calcule la cantidad de parámetros por cada una de la capas de la red neuronal convolucional
utilizada
𝑁𝑢𝑚𝑃𝑎𝑟1 = 5 * 5 * 16 * 3 + 16
𝑁𝑢𝑚𝑃𝑎𝑟1 = 1216
𝑁𝑢𝑚𝑃𝑎𝑟3 = 5 * 5 * 20 * 20 + 20
𝑁𝑢𝑚𝑃𝑎𝑟3 = 10020
𝑁𝑢𝑚𝑃𝑎𝑟𝑜𝑢𝑡 = 4 * 4 * 20 * 10 + 10
𝑁𝑢𝑚𝑃𝑎𝑟𝑜𝑢𝑡 = 3210
● Lifeboat.
● Ladybug.
● Pizza.
● Bell Pepper.
● School Bus.
● Koala.
● Espresso.
● Red Panda.
● Orange.
● Sport Car.
c) Calcule la cantidad de parámetros por cada una de las capas de la red neuronal convolucional
utilizada.
𝑁𝑢𝑚𝑃𝑎𝑟1 = 3 * 3 * 10 * 3 + 10
𝑁𝑢𝑚𝑃𝑎𝑟1 = 280
𝑁𝑢𝑚𝑃𝑎𝑟2 = 3 * 3 * 10 * 10 + 10
𝑁𝑢𝑚𝑃𝑎𝑟2 = 910
𝑁𝑢𝑚𝑃𝑎𝑟3 = 3 * 3 * 10 * 10 + 10
𝑁𝑢𝑚𝑃𝑎𝑟3 = 910
𝑁𝑢𝑚𝑃𝑎𝑟4 = 3 * 3 * 10 * 10 + 10
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE
Facultad de Ingeniería
Redes Neuronales Artificiales y Deep Learning
2021 - 01
𝑁𝑢𝑚𝑃𝑎𝑟4 = 910
𝑁𝑢𝑚𝑃𝑎𝑟𝑜𝑢𝑡 = 10 * 13 * 13 * 10 + 10
𝑁𝑢𝑚𝑃𝑎𝑟𝑜𝑢𝑡 = 16910