Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Examen Ord Sist Adap
Examen Ord Sist Adap
Examen Ord
- Calcular la salida del perceptrón: \(y = f(w_0x_0 + w_1x_1 + w_2x_2)\), donde \(f\) es la función
escalonada y \(x_0, x_1, x_2\) son las entradas.
- Actualizar los pesos según la regla de aprendizaje: \(w_i = w_i + \eta (d - y) x_i\), donde \(\eta\)
es la tasa de aprendizaje, \(d\) es la etiqueta deseada, \(y\) es la salida del perceptrón y \(x_i\) es
la entrada correspondiente.
3. Repetir el paso 2 para cada ejemplo de entrenamiento hasta que el perceptrón converja o se
alcance un número máximo de iteraciones.
Vamos a aplicar estos pasos para los dos primeros ejemplos de la primera iteración:
- \(y = f(1 \times -1 + 0 \times 0 + 0 \times 0) = f(-1) = 0\) (la etiqueta deseada es 0).
- \(y = f(1 \times -1 + 0 \times 0 + 0 \times 1) = f(-1) = 0\) (la etiqueta deseada es 1).
Después de estos dos ejemplos de la primera iteración, los nuevos valores de los pesos son \(w_0
= 1.1, w_1 = 0, w_2 = 0.1\). Puedes seguir este proceso para entrenar el perceptrón con los demás
ejemplos y repetir iteraciones hasta que converja.
Dado que Caliente tiene dos puntos de membresía (5, 0.2) y (40, 0.9), y Alto tiene dos puntos de
membresía (2, 0.5) y (3, 0.9), necesitamos interpolar para obtener el grado de membresía
correspondiente a los valores específicos de x e y.
Supongamos que los valores específicos son \(x = 15\) y \(y = 2.5\). Para Caliente, interpolaríamos
entre (5, 0.2) y (40, 0.9), y para Alto, interpolaríamos entre (2, 0.5) y (3, 0.9).
- Cada agente presenta una oferta basada en su valor privado del bien.
2. **Agente ganador:**
- El precio que pagará el agente ganador es la oferta del segundo mejor postor.