Proyecto 04 01 Aplicaciones de IA

PRÁCTICA Departamento Académico Programa Académico

Plan de Estudios

Formato

Ing. en Sistemas Computacionales

ISIC-2010-224

SyC-01-2013-P

Asignatura

Clave de la Asignatura

Créditos SATCA

Inteligencia Artificial

SCC-1012

No. de Práctica P_04_01

Sistemas y Computación

Semestre

2-2-4

Nombre de la Práctica

Elaboró:

Aplicaciones de IA

M.C. Apolinar Ramírez S.

Competencia de la Práctica

Fecha:

Resolver problemas en base a técnicas de Inteligencia Artificial

Mayo 2017

8

1. Introducción En la comunidad científica, son múltiples los problemas que se abordan como “reconocimiento de patrones” (pattern recognition, en inglés), entendiendo por este término: “el reconocimiento automático de objetos, señales o imágenes, o la toma automatizada de decisiones a partir de un conjunto de parámetros ”(Polikar, 2006). Las redes neuronales, han mostrado ser una técnica apropiada para los problemas de reconomiento de patrones, dadas sus características de a) aprendizaje adaptivo, mediante entrenamiento. b) auto-organización, que es la capacidad de representación de la información que recibe en el aprendizaje. c) tolerancia a fallos, sobre todo en los datos, que pueden contener ruido o estar incompletos. d) eficacia, por su operación en tiempo real. Una metodología general para resolver un problema de reconocimiento de patrones mediante redes neuronales (RN) sería (Brownlie, 2016):

Definición del problema

Paso 1: Cuál es el problema? Descripción del problema, con una lista de problemas similares. Paso 2: ¿Porqué este problema necesita resolverse? Describir motivación, beneficios y cómo se empleará la solución.

Preparación de datos

Paso 1: Recolección y selección de datos, definiendo cuáles están disponibles, cuáles faltarían y cuáles podrían eliminarse Paso 2. Preprocesamiento de datos, donde se establecen rangos numéricos, clases, etc.

Paso 3. Transformación de datos, Se transforman los datos para uso en una RN, y en el caso de datos nominales (por ejemplo, “frío”, “caliente”, “tibio”) su cambio de formato a numérico (por ejemplo, -1, 1, 0).

Diseño de la RN

Paso 1: Establecer el tipo de red (perceptrón, backpropagation) Paso 2: Proponer el número de capas, número de neuronas por capa, funciones de activación y demás parámetros.

Entrenamiento de la RN

Paso 1: Seleccionar 80% de los datos recolectados para el entrenamiento. Paso 2: Evaluar los resultados, ajustando el diseño de la red y compararlos, seleccionando el mejor.

Presentación de resultados

Paso 1: De manera concisa, describir la solución propuesta. Paso 2: Mostrar resultados de eficiencia comparando con los de otros investigadores. Paso 3: Señalar aspectos que considere de interés en sus resultados. Paso 4: Indicar limitaciones de su solución propuesta. Paso 5: Escribir sus conclusiones tanto del problema como de su solución.

2. Problemario En algunos los laboratorios de investigación que emplean RN como herramienta de trabajo, existen repositorios donde almacenan los problemas que abordan, los bancos de datos empleados y sus posibles soluciones. Uno de estos repositorios es UCI Machine Learning Repository de la Universidad de California donse se presentan centenas de proyectos abordados mediante diferentes técnicas de inteligencia artificial (IA). En particular, entre los que podrían emplean RN, se encuentran los siguientes problemas de clasificación: 1) Wine quality set, calidad del vino rojo/blanco. 2) User Knowledge Modeling Data Set, nivel de conocimiento de una persona. 3) Poker Hand Data Set, reconocimiento de la mano de póker.

4) Optical Recognition of Handwritten Digits Data Set, que consiste en identificar dígitos manuscritos 5) Hepatitis data set, detección de hepatitis 6) Fertility Data Set, determina estado de salud reproductiva

7) Credit Approval Data Set, determina si es positivo/negativo para un crédito personal.

8) Arrhythmia Data Set, Identifica clase de arritmia

3. REQUERIMIENTOS Equipo, herramientas y material. Cuaderno de la asignatura, Pluma, Computadora

Software SO Windows/Linux/Unix Matlab y NN Toolbox

4. DESCRIPCIÓN DE LA PRÁCTICA. 1) Seleccionar uno de los problemas anteriores, para resolverlo usando la metodología planteada en la introducción. 2) Leer su documentación y preparar una presentación en la semana del 8 al 11 Mayo (20 pts) 3) Diseñar una RN, entrenarla y probarla con los datos del repositorio (50 pts)

4) Presentar un informe con los resultados: % de eficiencia, comentarios, etc. (30 pts), utilizando las (normas APA) Subir sus resultados en un archivo gráfico a la plataforma Moodle en el curso de IA

5. FUENTES DE INFORMACIÓN. 1. Libros de Matlab, incluyendo la guía del usuario de NN Toolbox en su página 541 acerca del aprendizaje Hebbiano. 2. (Polikar, 2006) Pattern Recognition; Robi Polikar; Rowan University; Glasboror, New Jersey; Wiley Encyclopedia of Biomedical Engineering, Copyright & 2006 John Wiley & Sons, Inc. 3. UCI Machine Learning Repository; https://archive.ics.uci.edu/ml/datasets; Center for Machine Learning and Intelligent Systems; Bren School of Information and Computer Science; University of California, Irvine. 4. (Brownlie, 2016) The systematic process for working through predictive modeling problems

that delivers above average results; recuperado del sitio http://machinelearningmastery.com/process-for-working-through-machine-learning-problem s/; 5. (normas APA) http://normasapa.com/descargar-plantilla-en-word-de-articulo-con-normas-apa-2016/

Pueden utilizar la bibliografía de la asignatura, libros electrónicos, revistas y documentos electrónicos con referencias fidedignas. Las contigencias que se tengan en el desarrollo de la práctica, reportarlas con la solución dada.