Taller:Inteligencia Computacional

MC. LETICIA FLORES PULIDO

2

CONTENIDOTEMA1: INTRODUCCIÓN

TEMA2: APRENDIZAJE MÁQUINA

TEMA3: RECONOCIMIENTO DE PATRONES

TEMA4: PROGRAMACIÓN EVOLUTIVA

3TEMA 3 : RECONOCIMIENTO DE PATRONES

INTRODUCCIÓN

PERCEPCIÓN MÁQUINA

EJEMPLO

SISTEMAS RECONOCEDORES DE PATRONES

EL CICLO DEL DISEÑO

APRENDIZAJE Y ADAPTACIÓN

4

Introducción La facilidad con la que reconocemos un rostro,

Entendemos palabras de un lenguaje hablado

Leemos caracteres manuscritos,

Identificamos las llaves de auto dentro de nuestras bolsas por medio del tacto

y reconocemos cuando una fruta está fresca por medio del olfato

Son actos y actividades complejas que se encuentran dentro del área de reconocimiento de patrones

5

IntroducciónReconocimiento de Patrones:

Es el acto de tomar un conjunto de datos y actuar de tal manera que se puedan clasificar basándose en la categoría de un patrón

Esto ha sido crucial para nuestra supervivencia y durante muchos miles de años se ha evolucionado en sistemas altamente sofisticados cognitivos y neuronales

6

Percepción MáquinaEs natural el hecho de que busquemos diseñar

y construir máquinas que puedan reconocer patrones.

Se da para el caso de reconocimiento del habla

Identificación de huellas dactilares

Reconocimiento de caracteres

Identificación y secuencia del ADN, etc

7

Percepción MáquinaEn el camino de buscar nuevos algoritmos,

robustos y eficientes, nos hemos dado cuenta cada vez más del entendimiento para el conocimiento que nos lleva a clasificar los patrones que existen en el mundo de manera natural

Para algunos problemas, como son los aspectos de habla y reconocimiento visual, se obtienen conocimientos acerca de cómo se resuelven en la naturaleza, tanto en los algoritmos como en el diseño del software.

8

Un ejemploPara ilustrar la complejidad de algunos tipos de

problemas involucrados, consideraremos el siguiente ejemplo imaginario.

Suponga que una empacadora de mariscos desea automatizar el proceso de ordenar los pescados que entran por medio de una banda transportadora de acuerdo a su especie

Un proyecto piloto se decide llevar a cabo para tratar de separar la trucha del salmón con técnicas ópticas

9

Un ejemploSe coloca una cámara que toma algunas muestras de

imágenes y se comienzan a notar unas diferencias físicas entre ambos tipos de pez: Longitud Brillo Ancho Número y forma de aletas Posición de la boca Etc…

Esto nos sugiere las características a utilizar para un clasificador

10

Un ejemplo

Trucha

Salmón

11

Un ejemploOtro dato que se encuentra presenta es el

ruido que se encuentra en las imágenes y también: Las variaciones de luz, Posiciones del pez Ruido estático

Dado que existen ciertas características variables entre cada clase de pez, se puede inferir desde este punto de vista, existen dos modelos a reconocer dentro de nuestro sistema

12Un ejemplo

EL PROCESO DE SEGMENTACIÓN:

Un sistema prototipo puede tener la siguiente forma:

Preprocesamiento

Extracción de Características

Clasificación

salmón trucha

13

Un ejemplo1. Primero la cámara captura la imagen del pez

2. Entonces las señales de la cámara son preprocesadas para simplificar las operaciones siguientes sin tener pérdida de la información

3. Se procede a utilizar alguna técnica de segmentación para aislar las figuras entre sí además de diferenciarlas del fondo

4. La información de un solo pez es enviada al extractor de características cuyo propósito es reducir la cantidad de información de cada pez para facilitar su identificación

14

Un ejemploLos valores de estas características son

enviados al clasificador que evalúa la evidencia presentada y toma una decisión final acerca de las especies.

El procesador puede ajustar automáticamente el umbral para separar las imágenes del fondo

Se puede ajustar la luz de fondo

Supongamos que alguien en la planta nos dice que por lo general la trucha es mas grande que el salmón

15

Un ejemploEntonces la longitud se convierte en una

característica obvia y podemos decidir clasificar al pez solamente por la longitud l

Podemos tomar como umbral una l en especial que es la que nos indique de que clase de pez se trata

Suponga que se hacen ciertas mediciones para formar nuestros ejemplos de entrenamiento:

16

Un ejemplo

17

Un ejemploPero este histograma nos muestra de manera

decepcionante que la longitud no es necesariamente una característica determinante entre ambas clases de pez

Por lo que se trata con otra característica: el brillo de las escamas de ambos peces.

Esta característica es medida de manera similar, tomando una muestra y confirmando si nos puede apoyar para la discriminación entre ambas especies de pez.

18

Un ejemplo

19

El ejemploEn esta clase se nota una mayor separación

entre las clases de pez

Debemos tener en cuenta que una equivocación de paquetes etiquetados como deliciosos salmones, resulten ser en realidad truchas, lo cual no es deseable

Debemos tomar en cuenta que si un cliente recibe salmones etiquetadas como truchas no se molestará mucho, pero si el caso es el contrario, podríamos confrontar a nuestros clientes.

20

El ejemploSi queremos permanecer en el negocio,

debemos cuidar nuestras decisiones

Esto indica que hay un costo asociado a nuestra decisión y es entonces cuando se busca un valor óptimo para x (de a cuerdo a las gráficas)

Otro impulso podría hacernos pensar que otra característica podría ser mas apropiada, pero después de analizarlas todas, podemos agregar que esta es la característica que mas marca las diferencias entre dichas clases.

21

El ejemploPara mejorar el reconocimiento debemos

considerar el hecho de tomar en cuenta mas de una característica a a la vez

Analizando características, podemos mencionar que el salmón es típicamente mas ancho que la trucha

Ahora tenemos dos características para la clasificación X1 como el brillo del pez

X2 como el ancho del pez

22

El ejemploDe este modo reducimos la representación del pez a un

punto en el espacio.

x=[x1,x2]

Nuestro problema se reduce ahora a particionar a partir de nuestras dos características en dos regiones para que todos los puntos en una región sean trucha, y los puntos de otra región sean salmón.

Suponga que tenemos ahora las mediciones para nuestras muestras de ambas características

23El ejemplo

Tenemos entonces los vectores que describen nuestras dos clases de datos y obtenemos los siguientes puntos dispersos.

24

El ejemploEsta gráfica sugiere la siguiente regla para

separar los peces: clasificar el pez como trucha si el vector de características cae debajo del límite de decisión, y se clasificará como un salmón en otro caso.

Esta regla parece resultar bien separando ambas especies, lo cual sugiere que es posible agregar mas características: Posición de los ojos Ancho del pez

25

Generalización¿Pero que pasa entonces cuando empezamos a

considerar demasiadas características? Que pasa si las características empeoran el

desempeño de clasificación? Que pasa si el cálculo de las características se

vuelve mas complejo? Que pasa si se aumenta el costo computacional?

Esto implica que tengamos que decidir entre todas estas opciones de diseño y considerar que tan acertadas serán nuestras clasificaciones para ejemplos de peces no considerados dentro de la muestra

26

GeneralizaciónUn enfoque natural sería el de tomas muchas

mas muestras

Por otro lado, la cantidad de ejemplares puede verse limitada debido al tiempo o a otros factores

Pero esto a su vez puede complicar el criterio de clasificación de nuestra generalización

27

Generalización

28

GeneralizaciónPodemos entonces considerar agregar Bases

de Conocimiento al problema

Combinar clasificadores

Realizar estandarización de datos

Eliminar el ruido de los datos

Etc….

29

Campos relacionadosProcesamiento Digital de imágenes

Memorias Asociativas

Regresión Lineal

Interpolación

Estimación de Densidad de datos