Universidad Mayor de San Andrés

Facultad de Ingeniería Electrónica

PROYECTO 2
ASIGNACION DE MATERIAS
MEDIANTE PERCEPTRON

ETN 1010 - INTELIGENCIA ARTIFICIAL

NOMBRE: EDWIN JHONNY COHARITA CALLISAYA

DOCENTE: CESAR FERNANDO LOZANO M.

GRUPO: 9

LA PAZ - BOLIVIA
 1. Antecedentes.
El proceso de inscripción de materias a nuestra Facultad se lo realiza previo cumplimiento
de requisitos de aprobar las materias que habilitan a otra de este modo nos ubicamos
según pensum en un semestre critico o de transición de materias básicas a materias de
formación profesional.
Con lo que podemos asociar el estado de materias en forma binaria con lo que podemos
ayudarnos del uso de un perceptrón que ayude en la toma de decisiones respecto a si se
nos asigna el semestre o no si se cumplen los requisitos de aprobar o no aprobar las
materias previas.
Nos apoyamos entonces en la unidad neuronal de un sistema o red neuronal denominado
perceptrón.
En 1957 Frank Rosenblatt inventó el perceptrón en el laboratorio aeronáutico de
Cornell. Basándose en los primeros conceptos de neuronas artificiales, propuso la “regla
de aprendizaje del perceptrón”.

Un perceptrón es una neurona artificial, y, por tanto, una unidad de red neuronal. El
perceptrón efectúa cálculos para detectar características o tendencias en los datos de
entrada.

Se trata de un algoritmo para el aprendizaje supervisado de clasificadores binarios.

Ese algoritmo es el que permite que las neuronas artificiales aprendan y traten los
elementos de una serie de datos.

El perceptrón desempeña un papel esencial en los proyectos de Machine Learning.

Se utiliza en gran medida para clasificar datos, o como algoritmo que permite simplificar o
supervisar las capacidades de aprendizaje de los clasificadores binarios.

Recordemos que el aprendizaje supervisado consiste en enseñar a un algoritmo a

hacer predicciones. Para conseguirlo, se alimenta el algoritmo con ayuda de datos que
ya están etiquetados correctamente.

2. Objetivo.
El objetivo del presente proyecto es de apoyarnos en el uso del perceptrón y tomar la
decisión de asignar o no el semestre en curso.
Entrenar el perceptrón con datos binarios de entrada y recolectar también datos binarios a
la salida proporcionándole un modelo de objetivo.
 3. Marco Teórico

Según la Perceptron Learning Rule (regla de aprendizaje del perceptrón), el algoritmo

enseña automáticamente los coeficientes de peso óptimo. Para determinar si una neurona
“se enciende” o no, las características de los datos de entrada se multiplican por esos
pesos

El perceptrón recibe múltiples señales de entrada. Si la suma de las señales supera

un umbral determinado, se produce una señal o, por el contrario, no se emite ningún
resultado.

En el marco del método de aprendizaje supervisado de Machine Learning, es lo que

permite predecir la categoría de una muestra de datos. Por tanto, se trata de un
elemento esencial.

En realidad el perceptrón es una función matemática. Los datos de entrada (x) se

multiplican por los coeficientes de peso (w). El resultado es un valor.

Ese valor puede ser positivo o negativo. La neurona artificial se activa si el valor es
positivo. Solo se activa si el peso calculado de los datos de entrada supera un umbral
determinado.

El resultado predicho se compara con el resultado conocido. En caso de diferencia,

el error se retropropaga para permitir ajustar los pesos.

Distinguimos dos tipos de perceptrón : con capa única y multicapas. Un perceptrón

con capa única puede enseñar únicamente funciones lineales separables.

Un perceptrón multicapas, también llamado red neuronal “feed-forward” permite

superar ese límite y ofrece una potencia de cálculo superior. También es posible combinar
varios perceptrones para crear un mecanismo poderoso.

En resumidas cuentas, una red neuronal es un conjunto de perceptrones interconectados.

Su funcionamiento se basa en operaciones de multiplicación entre dos componentes
importantes: las entradas de datos (input) y el peso.

La suma de esa multiplicación se transmite a una función de activación, que determina un

valor binario de 0 o 1. Lo que permite clasificar los datos.
 4. Marco Práctico
Para nuestro proyecto nos ubicamos en el séptimo semestre donde se puede ver las
materias a asignar además del requisito que se debe cumplir cada materia

Las materias del campo requisito se convierten en nuestras entradas siendo ellas 5
materias tendremos 5 entradas para nuestro perceptrón para las entradas elaboramos la
siguiente tabla con todas las combinaciones posibles de las materias en su estado binario:

El numero de combinaciones se obtiene con la siguiente formula

N° combinaciones = 2^ 5 = 32
También al perceptrón debemos de alimentarlo con lo que debe aprender o lo que se
denomina objetivo y es dada por la siguiente tabla:
 5. Aplicación

Estas tablas se elaboraron en Excel para llevarlo a Matlab lo guardamos con la extencion
.prn para que pueda ser leído con facilidad en nuestro Workspace
Para seguir los pasos a seguir se tiene el siguiente diagrama de secuencias entre el
alumno, las entradas, el objetivo y la respuesta del perceptrón

6. Implementación

Para la implementacion usamos Matlab cargando previamente las entradas provenientes

de una tabla Excel guardada en formato .prn y cargada al Workspace con el uso del
comando: load materias.prn
También es necesario cargar la tabla objetivo que es lo que debe aprender el perceptron
con el comando load asigna.prn:

Creamos el perceptron con el siguiente comando:

>> perceptron=newp(minmax(materias),1)
Una vez creado el perceptron debemos entrenarlo con las entradas que son las materias
y con lo que debe aprender que es la salida, para ello usamos el comando:
>> perceptron=train(perceptron,materias,asigna)
Con estos comandos obtenemos el perceptron con las 5 entradas y una salida como se
ve en la figura:
Se realiza 19 iteraciones para el perceptron ahora debemos obtener la salida de este
entrenamiento usando el siguiente comando:
>> salida=sim(perceptron,materias)
 7. Prueba y Funcionamiento
Una vez creado y entrenado el perceptron usamos la herramienta guide para crear una
interfaz donde introduciremos un vector de 5 entradas y obtenemos un mensaje de salida
para ver si asigna o no.
El único caso en que se tiene salida 1 es cuando se aprueban todas las materias de
requisito en otro caso da 0.
Para una mejor visualización nos apoyamos en las salidas del perceptron y podemos
colocar las 32 combinaciones posibles y solo en el caso ideal de aprobar todos los
requisitos nos despliega el mensaje de Asigna en todos los otros casos nos despliega el
mensaje de NO Asigna.

Introducimos un vector de las 32 posibles opciones

Obtenemos como resultado el siguiente mensaje:
Para el vector de entrada de caso ideal en que todas las materias requisito se aprueben
nos desplegara el mensaje de Asigna:
 Caso ideal en que todas las entradas son 1

8. Balance de Componentes
 9. Conclusiones y recomendaciones
Para este proyecto se toma un caso particular en que todas las materias requisito se
aprueben dando como resultado 1 en la salida del perceptron con lo cual se cumple el
objetivo de asignar.
Se llevo a cabo el estudio e implementación del perceptron para ayudarnos en la toma
decisiones
Recomendamos ampliar el caso en que si se pueda asignar con una excepción de no
aprobar una materia no muy importante o que no sea requisito para otra materia

10. Bibliografía

Wikipedia