Seminario

Aplicaciones de las Redes Neuronales

(WebSOM)
Inteligencia Artificial
5o Informática

IA curso 2012-2013

CCIA

Noviembre 2012

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 1 / 12

Usos de los Mapas Auto-Organizativos

Idea base: Aprovechar las capacidades de auto-organización para

aplicar métodos basados en SOM sobre colecciones ...
... con un gran número de datos
I muchos elementos ⇒ muchos vectores
... con datos complejos
I muchos atributos ⇒ vectores de alta dimensión
Campos de aplicación
1 SOM en visualización de datos
2 SOM en compresión de datos
3 SOM en extracción de prototipos y características

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 2 / 12

Campos de aplicación (I)

SOM en visualización de datos

Objetivo: reducción de dimensión sobre vectores con un gran no
de dimensiones
I Escalado multidimensional
Mapeo de un espacio n-dimesional (capa de entrada) a un
espacio bidimensional (capa de competición)
I Resumir datos multidimensionales en un ”mapa plano”
Permite el descubrimiento y visualización de relaciones entre
datos de entrada
I SOM preservan la ”topología semántica” de los datos de entrada,
capturándola y trasladándola a la capa de competición
F Datos de entrada ”semánticamente próximos” activarán neuronas
próximas
I Relaciones no evidentes en el conjunto de entrada se hacen
visibles en el mapa

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 3 / 12

Ejemplo: Mapa de la ”pobreza” mundial
(Helsinki University of Technology)
http://www.cis.hut.fi/research/som-research/worldmap.html

Países descritos mediante vectores de 39 indicadores de calidad de

vida (nivel educativo, sistema sanitario, etc)
Despues del entrenamiento del SOM:
I cada neurona de competición se ”especializa” en paises (1 ó más)

con caraterísticas similares

I paises con niveles de riqueza similares activan neuronas próximas

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 4 / 12

Campos de aplicación (II)
SOM en compresión de datos
Objetivo: usar el escalado dimensional para generar una nueva
versión ”compacta” de los datos de entrada que preserve las
relaciones ”semánticas” entre ellos
Explotar la ”salida” del SOM para obtener una versión más
manejable de los datos de entrada
I Entrada: patrones de entrada (n dimensiones)
I Salida: construida a partir de la capa de competición
F Neurona ganadora ”representa” al patrón de entrada
Patrón entrada → clase discreta
F Todas las neuronas ”representan” al patrón de entrada
Patrón entrada → vector de ”correspondencias” (proximidad con neuronas)

SOM en extracción de prototipos y características

Objetivo: explotar ”conocimiento implícito” descubierto por SOM
I Identificación de vectores representantes de cada uno de los
”grupos” asociados a las neuronas de competición
I Selección de componentes (o combinaciones de componentes)
que ”dominan” la activación de las neuronas
F También permite ponderación de componentes
IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 5 / 12
WebSOM: organización de documentos
Herramienta para la organización de grandes colecciones de docs.
textuales
Organiza los documentos estructurándolos en un ”mapa” en
función de su contenido
Documentos similares (misma temática) se ubican en zonas
próximas del ”mapa”
Permite la navegación por ese ”mapa de documentos”
(estructuración en niveles)
http://websom.hut.fi/websom/
Tareas:
1 Representación de documentos
I Documentos = vectores numéricos representando su contenido
I Representación de palabras y ponderación
2 Organización de los documentos (entrenamiento del SOM)
3 Generación del interfaz de presentación
I Asignación de documentos a posiciones del mapa (neuronas)
I Etiquetado del mapa (neuronas)
IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 6 / 12
WebSOM: representación de documentos (I)
Transformación de cada documento en un vector numérico
Problema: gran número de palabras ⇒ reducir dimensión
Fase 1: preprocesamiento
 de la colección
eliminar palabras vacias
Filtrado:
tomar palabras presentes en al menos 30 docs.
Normalización de palabras (extracción de raices)
Agrupar palabras en ”clases de palabras” usando SOM
I Creación de mapa de categorías de palabras (≈ diccionario de ”sinónimos”)
Mapa de categorias de palabras (WCM: word category map)
1 Cada palabra de la colección tiene asociado un vector que
representa su ”contexto medio” de aparición (ventana de longitud 1)
I se asigna un vector aleatorio único a cada palabra Wi (≈ función hash [huella única])
I media de los vectores aleatorios de las palabras que aparecen antes de Wi (contexto anterior medio)
I media de los vectores aleatorios de las palabras que aparecen después de Wi (contexto posterior medio)
2 Entrenar word category map con los vectores resultantes
I Es un SOM que ”agrupa” palabras con contextos medios similares
I IDEA: sinónimos y palabras cercanas semánticamente ó palabras
que representan conceptos relacionados ”caen” en la misma
neurona (= categoría)
IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 7 / 12
WebSOM: representación de documentos (II)
Mapa de categorías de palabras

Fase 2: representación de documentos

Las palabras de cada doc. son filtradas y normalizadas
Cada palabra se pasa por el word category map ya entrenado
para obtener su ”clase” (neurona activada)
El vector que representará al doc. será un histograma de la
frecuencia de las categorías del WCM que contiene ese doc.
I Un componente por cada neurona/categoria del WCM
Reducción de dimensión
I decenas de miles de palabras → cientos/miles de categorias
IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 8 / 12
WebSOM: organización y visualización de docs. (I)
Con los vectores asociados a cada uno de los docs. de la colección se
entrena otro SOM (el mapa de documentos)
IDEA: Cada neurona especializa en un tipo de documentos (≈ tema)
Cada doc. ocupa un lugar en el mapa en función de su contenido
Docs. de temática similar ”caen” en misma neurona (o una próxima)
A cada punto (neurona) del mapa de documentos se le asocia:
Lista de docs. ”ubicados” en ese punto
Lista de palabras descriptivas

alta frecuencia de aparación en docs. de esa neurona
I Tienen
baja frecuencia de aparación en docs. de otras neurona
Construcción de la interfaz de navegación/presentación
División en niveles de detalle
Etiquetado de puntos(neuronas) y regiones en base a las
palabras descriptivas y su ”fuerza”
Dentro de cada nivel → color indica la densidad de documentos
en una región del mapa
IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 9 / 12
WebSOM: organización y visualización de docs. (II)

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 10 / 12

WebSOM: Esquema general del proceso

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 11 / 12

Temas a desarrollar
Ejemplos de usos prácticos de los SOM
I en visualización de datos
I en reconocimiento de formas y procesam. de imágenes
I en preprocesamiento de datos
I otros, ...
Usos prácticos de las redes neuronales en general
I Predicción y clasificación
I Procesamiento de imágenes
I etc
Revisión de herramientas/sistemas relacionados (con SOMs ó
con RNAs en general)
etc,...
Referencias
WebSOM: http://websom.hut.fi/websom
T. Kohonen: http://www.cis.hut.fi/research/som-research

IA–1213 (CCIA) Seminario WebSOM Noviembre-2012 12 / 12