taller: inteligencia computacional
DESCRIPTION
Taller: Inteligencia Computacional. MC. LETICIA FLORES PULIDO. CONTENIDO. TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA. TEMA 3 : RECONOCIMIENTO DE PATRONES. INTRODUCCIÓN PERCEPCIÓN MÁQUINA EJEMPLO - PowerPoint PPT PresentationTRANSCRIPT
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