Aprendizaje No
Supervisado: Redes, Modelos y Mapas
La elaboración de esta revista es posible gracias a:
Gracias a estas fuentes, podemos estar informados, la información veraz es fundamental para que usted pueda tomar sus decisiones, conversar sobre su tratamiento y los efectos colaterales y preguntar cuando haya algo que no entienda.
Editorial
Edición revisada 2024
Autor: Moises Arcángel Ramírez
Maquetación: Liz Pérez y Yonatan Mojica
Edita: Editorial UBA
Imprime: Editorial UBA
Fondo editorial bicentenaria de Aragua
Universidad Bicentenaria de Aragua
San Cristóbal, estado Táchira, Venezuela.
Telf. (0276) 7381151
Email: ubatachira@gmail.com
Presidente Fundador
Dr. Jaime Lusinchi
Reuniones Públicas
María Ramirez
Jefe de Circulación
Yarice Méndez
Gente de comercialización
Albany Rovira
Colaboradores
Liz Pérez
Yonatan Mojica
José Ramírez
CRÉDITOS
Escuela de Ingeniería de Sistema
UBA Táchira
Diseño
Moisés Ramírez
Corrección de Estilo
Myrna Labado
INTRODUCCIÓN
En algún momento has pensado en cómo funcionan algunos sistemas de machine learning en el área de las redes neuronales? Pues, hoy te traemos un método infalible que es responsable de la construcción de muchos sistemas de este estilo, se trata de las redes de entrenamiento no supervisado. Se trata de una serie de algoritmos que descubren agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana.
A diferencia del aprendizaje supervisado, donde los modelos son entrenados con datos ya etiquetados, el aprendizaje no supervisado se basa en encontrar patrones ocultos en datos sin etiquetas, previas. El objetivo de este es descubrir estructuras inherentes en los datos. En este escrito exploraremos los tipos de redes que hay, sus modelos de aplicación y las principales reglas del aprendizaje no supervisado.
¿QUÉ ES EL APRENDIZAJE NO SUPERVISADO? ENFOQUE COMÚN DEL APRENDIZAJE
INESDI lo clasifica (2022): "Como su propio nombre duce, es una técnica de machine learning en la que los modelos no aprenden a partir de los llamados datos de entrenamiento."
Pero entonces, ¿Cómo aprenden? Pues, este agrupa en clústeres conjuntos de datos para luego encontrar un patrón en ellos.
En este modelo se hace uso de tres (3) tareas principales:
Agrupación en Clústeres Regla de Asociación
Se identifica como una técnica de minería de datos que agrupa datos no etiquetados en función de sus similitudes o diferencias. Los algoritmos se usan para procesar objetos de datos sin clasificar y sin procesar en grupos representados por estructuras o patrones en la información
Es un método basado en reglas para detectar relaciones entre variables en un conjunto de datos determinado. Estos métodos se usan de forma concurrida para el análisis de cesta de compras, que permiten a las empresas mejor relación entre los diferentes productos que manejan
Reducción de Dimensionalidad
Es una técnica usada cuando el número de características de un determinado conjunto de datos es demasiado elevado. Reduce el número de entradas de datos a u tamaño gestionable, además de preservar la integridad del conjunto de datos lo máximo posible.
PRINCIPALES APLICACIONES
El aprendizaje automático se ha vuelto indispensable para mejorar la experiencia del usuario y asegurar la calidad de los productos. En particular, el aprendizaje no supervisado ofrece una forma ágil de explorar grandes conjuntos de datos, permitiéndoles a las empresas identificar patrones ocultos mucho más rápido que a través de análisis manuales.
Un ejemplo claro es Google News, que emplea técnicas de aprendizaje no supervisado para agrupar noticias relacionadas. Por ejemplo, artículos sobre las mismas elecciones presidenciales se clasifican bajo la etiqueta "Noticias de Estados Unidos".
En el campo de la visión por computadora, los algoritmos de aprendizaje no supervisado son cruciales para tareas como el reconocimiento de objetos. En el ámbito médico, el aprendizaje no supervisado facilita tareas como la detección, clasificación y segmentación de imágenes médicas, agilizando así el diagnóstico de enfermedades.
REDES DE MEMORIA EN EL APRENDIZAJE
NO SUPERVISADO
MEMORIA PROASOCIATIVA
Es una red que contiene una capa de nodos de entrada y una caoa de neuronas de salida. Cada elemento del vector de entrada está conectado a todas las neuronas de salida.
Posee una etapa de almacenamiento, también conocida como fase de aprendizaje o entrenamiento, donde los vectores de entrada son almacenados por medio del postulado de Hebb.
Su aprendizaje puede ser del tipo de conexión hacia adelante, conexión hacia atrás o bien, con conexiones laterales.
APRENDIZAJE HEBBIANO
Esta regla de aprendizaje es la base de muchas otras, la cual pretende medir la familiaridad o extraer características de los datos de entrada. El fundamento es una suposición bastante simple: si dos neuronas Ni y Nj toman el mismo estado simultáneamente (ambas activas o ambas inactivas), el peso de la conexión entre ambas se incrementa.
Las entradas y salidas permitidas a la neurona son: {-1, 1} o {0, 1} (neuronas binarias). Esto puede explicarse porque la regla de aprendizaje de Hebb se originó a partir de la neurona biológica clásica, que solamente puede tener dos estados: activa o inactiva.
ESTRUCTURAS DE CONEXIÓN
CONEXIÓN HACIA ADELANTE:
Los datos de las neuronas de una capa inferior son prolongados hacia las neuronas de la capa superior por medio de las redes de conexiones hacia adelante.
CONEXIÓN HACIA ATRÁS
Los datos de las neuronas de una capa superior son propagados hacia las neuronas de la capa inferior por medio de las redes de conexiones hacia adelante.
CONEXIÓN CON RETARDO:
Los elementos de retardo se incorporan en las conexiones para implementar modelos dinámicos y temporales, es decir, modelos que precisan de memoria.
CAMPOS DE APLICACIÓN
Entre las aplicaciones más usadas tenemos las finanzas, ventas, marketing, manufacturación, entre otros.
REDES DE MEMORIA RETROASOCIATIVA
Es un modelo que consiste en una red monocapa. con N cantidad de neuronas, cuyo valor de su salida son binarios, 0 y 1, o en otros casos -1 y 1. Su activación es del tipo escalón. En otras palabras. Se considera una red discreta con entradas y salidas que son binarias. También Hopfield desarrolló una versión contínua usando neuronas con activación de tipo sigmoidal.
FUNCIONAMIENTO
Por ser una red retro asociativa, por ende, las informaciones diferentes pueden ser almacenadas en la red, como si se tratara de una memoria durante su etapa de aprendizaje. Entonces, cuando se presenta una entrada en la red, esta evoluciona hasta generar una salida que pueda coincidir con lo que corresponda en la entrada.
APLICACIONES
Las aplicaciones son normalmente en reconocimientos de voz e imágenes. El control de motores, y sobre todo en la resolución de problemas de optimización.
Este último se usa en resolución de ecuaciones y problemas del 'Viajante de comercio'. Manipulación de gráficos, etc.
MODELOS Y MAPAS PRINCIPALES
DE LAS REDES DE MEMORIA
MODELOS DE HOPFIELD
Hopfield conceptualizó las redes neuronales como 'sistemas dinámicos con energía' y mostró su semejanza con ciertos modelos físicos. Hopfield propuso multiples modelos de redes recurrentes. En este tipo de redes, la salida de cada neutrón se calcula y se retroalimenta como entrada, calculándose nuevamente, hasta que se llega a un punto estable.
Los cambios en las salidas van siendo cada vez más pequeños, hasta que lleguen a cero, sin embargo, existen casos que una red nunca pueda llegar a un punto estable, pero sí aproximado.
DINÁMICA DE LA RED
MODELO BÁSICO DE HOPFIELD
ALGORITMO DE EJEMPLO
Se debe calcular los valores de unos pesos que conectan a los nodos, usando esta formula:
Tij es el peso que va del nuerón i al neurón j, y Xis es el valor del i-enésimo elemento de las s-ésima clase; m es el número de clases que desean aprender. En notación científica se expresa:
PASO 1. INICIALIZAR LA RED CON UN PATRÓN DE ENTRADA
PASO
2.
ITERA
HASTA CONVERGER CONSIGUIENDO LA SIGUIENTE FÓRMULA:
Cuando la red converge, su salida representa al patrón que más se parece al patrón de entrada dado.
PASO 3. ORGANIZAMOS LOS VALORES DEL CÁLCULO DE LA MATRIZ DE PESOS T:
MAPAS DE KONOHEN
Según Omega M. (2023): "Los mapas de Konohen, son una técnica de aprendizaje automático no supervisado que se usa para crear un espacio de baja dimensionalidad para representar un conjunto de datos multidimensional preservando la estructura de los datos."
Entonces, supongamos que se tiene un conjunto de datos de n variables medidas en p observaciones. Estas se podrán representar como grupos de observaciones con los los mismos valores de variables. Estos clústeres se representan en MAPAS 2D que, si son cercanos, tendrán valores más similares que aquellos que son distantes.
Los mapas de Kohonen fueron desarrollados por el matemático finlandés Teuvo Kohonen en la década de los 80 del siglo pasado.
El mapa de Kohonen consiste en una cuadrícula de neuronas conectadas a las neuronas vecinas. Durante el entrenamiento, las entradas se presentan a la red y cada neurona calcula su similitud con las entradas. La neurona con la mayor similitud es la ganadora y sus pesos se ajustarán para que coincidan mejor con la entrada.
EJEMPLOS DE USO
ejercicios y aplicaciones al mundo real
DEL APRENDIZAJE NO SUPERVISADO
REGLAS DE AGRUPAMIENTO (CLUSTERING)
Es de las técnicas más comunes que hay. El objetivo es encontrar grupos naturales en los datos sin que haya información previa de cómo agruparse.
REGLAS DE ASOCIACIÓN
La técnica de asociación es capaz de montar un algoritmo que encuentre relaciones entre las distintas variables de una gran base de datos. Según IBM, esta técnica se aplica en tiendas online en las que se recomienda una lista de determinados artículos según el consumo previo de quién está en la página.
REGLAS
CONCLUSIONES
El aprendizaje no supervisado ha emergido como una herramienta fundamental en el campo de la inteligencia artificial, permitiendo a las máquinas descubrir patrones ocultos en grandes conjuntos de datos sin la necesidad de etiquetas previas. En este contexto, las redes de memoria asociativa y los mapas autoorganizados han desempeñado un papel crucial.
Las redes de memoria asociativa, como las redes de Hopfield, son capaces de almacenar patrones y recuperarlos de manera completa a partir de entradas parciales o ruidosas. Esto las convierte en herramientas poderosas para tareas como el reconocimiento de patrones, la compresión de datos y la resolución de problemas de optimización. Sin embargo, su capacidad de almacenamiento es limitada y pueden quedar atrapadas en mínimos locales.
Los mapas de Kohonen, también conocidos como mapas autoorganizados, son redes neuronales artificiales que permiten visualizar datos de alta dimensión en un espacio de menor dimensión, preservando las relaciones topológicas entre los datos. Estos mapas son útiles para tareas de clustering, visualización de datos y reducción de dimensionalidad.
REFERENCIAS
Damián M. (2001), Redes Neuronales: Conceptos Básicos y Aplicaciones. Disponible en la web: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5 anio/orie ntadora1/monograias/matich-redesneuronales.pdf, consultado en: noviembre, 2024.
INESDI (2022), ¿Qué es el aprendizaje no supervisado y cuándo usarlo? Disponible en la web: https://www.inesdi.com/blog/que-esaprendizaje-no-supervisado/, consultado en: noviembre, 2024.
IBM (2024), ¿Qué es el aprendizaje no supervisado? Disponible en la web: https://www.ibm.com/es-es/topics/unsupervised-learning, consultado en: noviembre, 2024.
Luis C. (2019), Redes Neuronales. Disponible en la web: https://prezi.com/p/fibgpblrbcgd/redes-neuronales/, consultado en: noviembre, 2024.
Ma del Pilar G. (2011), Redes Neuronales Artificiales. Disponible en la web: https://es.slideshare.net/slideshow/las-redes-dehopfield/242061018#4, consultado en: noviembre, 2024.
Telefónica (2023), Aprendizaje No Supervisado: Reglas. Disponible en la web: https://www.telefonica.com/es/sala-comunicacion/blog/que-esaprendizaje-no-supervisado/, consultado en: noviembre, 2024.