LABORATORIO DE

FACULTA CONTROL II
DISEÑO DE
D DE COMPENSADORES USANDO
INGENIE LA RESPUESTA EN
RÍA FRECUENCIA
ELÉCTRI
CA Y
ELECTR
REGRESIÓN LINEAL:

SISTEMAS DE
APRENDIZAJE POR LOTE(TECNICA BATCH):

• Técnica para mejorar el aprendizaje.

• Evitar los mínimos locales de cualquier algoritmo de regresión.
• Esta técnica se suele utilizar cuando tenemos grandes cantidades de datos(Big data).
• También es una técnica básica en aprendizaje continuo(online learning).
ONLINE LEARNING:
• Se aprende con cada ejemplo, en vez de con todos a la vez.
• Se usa descenso de gradiente estocastico.
• Se mejoró con técnicas de batch.

SISTEMAS DE
ONLINE LEARNING:
• Se aprende con cada ejemplo, en vez de con todos a la vez.
• Se usa descenso de gradiente estocastico.
• Se mejoró con técnicas de batch.

SISTEMAS DE
Descenso de gradiente estocastico:(pseudocodigo)

  Se barajan todos los ejemplos(aleatorio)

1.
2. Por cada ejemplo:
2.1. Se calcula el error cometido:
Coste(θ, x(i),y(i))=(1/2)(hθ(x(i))-y(i))2
2.2. Se calcula la función de coste:
minθJ(θ)=minθ (1\m)(θ, x(i), y(i))
2.3. Se actualizan los parámetros:
3. Vuelta al paso 1(bucle infinito)
VENTAJAS:
• No hay que esperar a tener todos los datos para comenzar a aprender.
• Permite ampliar lo aprendido y no tener que empezar de cero cada vez.
• Permite cambios en tendencia.(Si los gustos de cada persona van cambiando, se puede ir implementando poco a
poco dentro de la matriz.)
DESVENTAJAS:
• Se hacen demasiados cálculos.
• Sólo converge a mínimos locales, para atacar todo esto, se puede aplicar una serie de técnicas, por un lado
tenemos los procesos por lotes, y por otro lado, tasas de aprendizajes.

SISTEMAS DE
ENFOQUE INTERMEDIO: BATCH

 • Se agrupan los ejemplos en lotes de un tamaño

prefijado b(1<<b).
• Se aplicará la regresión a cada lote de b ejemplos.
• Se mejoran los parámetros θ por cada lote b de
ejemplos.
minθJ(θ)=minθ (1\b)(θ, x(i), y(i))
• Se hacen los cálculos en paralelo(Técnica map-reduce).

SISTEMAS DE
APRENDIZAJE BASADO EN INSTANCIAS:

• Aprendizaje de memoria.

SISTEMAS DE
APRENDIZAJE BASADO EN MODELOS:

SISTEMAS DE
CANTIDAD INSUFICIENTE DE DATOS:
1. Datos de mala calidad.
1.1. Datos atípicos o con errores.
2. Características irrelevantes.

SISTEMAS DE
1. CANTIDAD INSUFICIENTE DE DATOS:
1.1. Datos de mala calidad.
1.2. Datos atípicos o con errores.
2. CARACTERÍSTICAS IRRELEVANTES.

SISTEMAS DE
1. SOBREAJUSTE DE LOS DATOS DE ENTRENAMIENTO.
2. ADAPTACIÓN INSUFICIENTE DE LOS DATOS DE ENTRENAMIENTO.

SISTEMAS DE
SOBREAJUSTE :

El sobreajuste se produce cuando un sistema de aprendizaje

automático aprende patrones que no son generales.

CONJUNTO DE ENTRENAMIENTO Y DE PRUEBA:

•Conjunto de entrenamiento: Un subconjunto para

entrenar un modelo.
•Conjunto de prueba: Un subconjunto para probar el
modelo entrenado.

SISTEMAS DE
DEEP LEARNING

Es un subconjunto del aprendizaje automático que involucra

sistemas que piensan y aprender como humanos usando redes
neuronales artificiales.

DIFERENCIAS MACHING Y DEEP LEARNING

SISTEMAS DE
APRENDIZAJE AUTOMATICO: SUPERVISADO

SISTEMAS DE
SISTEMAS DE
ARBOL DE DECISION

SISTEMAS DE
APRENDIZAJE AUTOMATICO: NO SUPERVISADO

SISTEMAS DE
REDUCCION DE DIMENSIONALIDAD

SISTEMAS DE
APRENDIZAJE AUTOMATICO:
APRENDIZAJE REFORZADO

SISTEMAS DE