Este documento describe un proyecto que utiliza un perceptrón para ayudar a tomar decisiones sobre la asignación de materias en una universidad. Se recolectaron datos binarios sobre el estado de aprobación o desaprobación de materias requisito y se entrenó un perceptrón para predecir si un estudiante será asignado al siguiente semestre. El perceptrón se implementó y probó en Matlab, mostrando que solo asigna al estudiante si aprueba todas las materias requisito. Se recomienda expandir el modelo para considerar excepciones como
0 calificaciones0% encontró este documento útil (0 votos)
32 vistas13 páginas
Este documento describe un proyecto que utiliza un perceptrón para ayudar a tomar decisiones sobre la asignación de materias en una universidad. Se recolectaron datos binarios sobre el estado de aprobación o desaprobación de materias requisito y se entrenó un perceptrón para predecir si un estudiante será asignado al siguiente semestre. El perceptrón se implementó y probó en Matlab, mostrando que solo asigna al estudiante si aprueba todas las materias requisito. Se recomienda expandir el modelo para considerar excepciones como
Este documento describe un proyecto que utiliza un perceptrón para ayudar a tomar decisiones sobre la asignación de materias en una universidad. Se recolectaron datos binarios sobre el estado de aprobación o desaprobación de materias requisito y se entrenó un perceptrón para predecir si un estudiante será asignado al siguiente semestre. El perceptrón se implementó y probó en Matlab, mostrando que solo asigna al estudiante si aprueba todas las materias requisito. Se recomienda expandir el modelo para considerar excepciones como
Este documento describe un proyecto que utiliza un perceptrón para ayudar a tomar decisiones sobre la asignación de materias en una universidad. Se recolectaron datos binarios sobre el estado de aprobación o desaprobación de materias requisito y se entrenó un perceptrón para predecir si un estudiante será asignado al siguiente semestre. El perceptrón se implementó y probó en Matlab, mostrando que solo asigna al estudiante si aprueba todas las materias requisito. Se recomienda expandir el modelo para considerar excepciones como
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 13
Universidad Mayor de San Andrés
Facultad de Ingeniería Electrónica
PROYECTO 2 ASIGNACION DE MATERIAS MEDIANTE PERCEPTRON
ETN 1010 - INTELIGENCIA ARTIFICIAL
NOMBRE: EDWIN JHONNY COHARITA CALLISAYA
DOCENTE: CESAR FERNANDO LOZANO M.
GRUPO: 9
LA PAZ - BOLIVIA 1. Antecedentes. El proceso de inscripción de materias a nuestra Facultad se lo realiza previo cumplimiento de requisitos de aprobar las materias que habilitan a otra de este modo nos ubicamos según pensum en un semestre critico o de transición de materias básicas a materias de formación profesional. Con lo que podemos asociar el estado de materias en forma binaria con lo que podemos ayudarnos del uso de un perceptrón que ayude en la toma de decisiones respecto a si se nos asigna el semestre o no si se cumplen los requisitos de aprobar o no aprobar las materias previas. Nos apoyamos entonces en la unidad neuronal de un sistema o red neuronal denominado perceptrón. En 1957 Frank Rosenblatt inventó el perceptrón en el laboratorio aeronáutico de Cornell. Basándose en los primeros conceptos de neuronas artificiales, propuso la “regla de aprendizaje del perceptrón”.
Un perceptrón es una neurona artificial, y, por tanto, una unidad de red neuronal. El perceptrón efectúa cálculos para detectar características o tendencias en los datos de entrada.
Se trata de un algoritmo para el aprendizaje supervisado de clasificadores binarios.
Ese algoritmo es el que permite que las neuronas artificiales aprendan y traten los elementos de una serie de datos.
El perceptrón desempeña un papel esencial en los proyectos de Machine Learning.
Se utiliza en gran medida para clasificar datos, o como algoritmo que permite simplificar o supervisar las capacidades de aprendizaje de los clasificadores binarios.
Recordemos que el aprendizaje supervisado consiste en enseñar a un algoritmo a
hacer predicciones. Para conseguirlo, se alimenta el algoritmo con ayuda de datos que ya están etiquetados correctamente.
2. Objetivo. El objetivo del presente proyecto es de apoyarnos en el uso del perceptrón y tomar la decisión de asignar o no el semestre en curso. Entrenar el perceptrón con datos binarios de entrada y recolectar también datos binarios a la salida proporcionándole un modelo de objetivo. 3. Marco Teórico
Según la Perceptron Learning Rule (regla de aprendizaje del perceptrón), el algoritmo
enseña automáticamente los coeficientes de peso óptimo. Para determinar si una neurona “se enciende” o no, las características de los datos de entrada se multiplican por esos pesos
El perceptrón recibe múltiples señales de entrada. Si la suma de las señales supera
un umbral determinado, se produce una señal o, por el contrario, no se emite ningún resultado.
En el marco del método de aprendizaje supervisado de Machine Learning, es lo que
permite predecir la categoría de una muestra de datos. Por tanto, se trata de un elemento esencial.
En realidad el perceptrón es una función matemática. Los datos de entrada (x) se
multiplican por los coeficientes de peso (w). El resultado es un valor.
Ese valor puede ser positivo o negativo. La neurona artificial se activa si el valor es positivo. Solo se activa si el peso calculado de los datos de entrada supera un umbral determinado.
El resultado predicho se compara con el resultado conocido. En caso de diferencia,
el error se retropropaga para permitir ajustar los pesos.
Distinguimos dos tipos de perceptrón : con capa única y multicapas. Un perceptrón
con capa única puede enseñar únicamente funciones lineales separables.
Un perceptrón multicapas, también llamado red neuronal “feed-forward” permite
superar ese límite y ofrece una potencia de cálculo superior. También es posible combinar varios perceptrones para crear un mecanismo poderoso.
En resumidas cuentas, una red neuronal es un conjunto de perceptrones interconectados.
Su funcionamiento se basa en operaciones de multiplicación entre dos componentes importantes: las entradas de datos (input) y el peso.
La suma de esa multiplicación se transmite a una función de activación, que determina un
valor binario de 0 o 1. Lo que permite clasificar los datos. 4. Marco Práctico Para nuestro proyecto nos ubicamos en el séptimo semestre donde se puede ver las materias a asignar además del requisito que se debe cumplir cada materia
Las materias del campo requisito se convierten en nuestras entradas siendo ellas 5 materias tendremos 5 entradas para nuestro perceptrón para las entradas elaboramos la siguiente tabla con todas las combinaciones posibles de las materias en su estado binario:
El numero de combinaciones se obtiene con la siguiente formula
N° combinaciones = 2^ 5 = 32 También al perceptrón debemos de alimentarlo con lo que debe aprender o lo que se denomina objetivo y es dada por la siguiente tabla: 5. Aplicación
Estas tablas se elaboraron en Excel para llevarlo a Matlab lo guardamos con la extencion .prn para que pueda ser leído con facilidad en nuestro Workspace Para seguir los pasos a seguir se tiene el siguiente diagrama de secuencias entre el alumno, las entradas, el objetivo y la respuesta del perceptrón
6. Implementación
Para la implementacion usamos Matlab cargando previamente las entradas provenientes
de una tabla Excel guardada en formato .prn y cargada al Workspace con el uso del comando: load materias.prn También es necesario cargar la tabla objetivo que es lo que debe aprender el perceptron con el comando load asigna.prn:
Creamos el perceptron con el siguiente comando:
>> perceptron=newp(minmax(materias),1) Una vez creado el perceptron debemos entrenarlo con las entradas que son las materias y con lo que debe aprender que es la salida, para ello usamos el comando: >> perceptron=train(perceptron,materias,asigna) Con estos comandos obtenemos el perceptron con las 5 entradas y una salida como se ve en la figura: Se realiza 19 iteraciones para el perceptron ahora debemos obtener la salida de este entrenamiento usando el siguiente comando: >> salida=sim(perceptron,materias) 7. Prueba y Funcionamiento Una vez creado y entrenado el perceptron usamos la herramienta guide para crear una interfaz donde introduciremos un vector de 5 entradas y obtenemos un mensaje de salida para ver si asigna o no. El único caso en que se tiene salida 1 es cuando se aprueban todas las materias de requisito en otro caso da 0. Para una mejor visualización nos apoyamos en las salidas del perceptron y podemos colocar las 32 combinaciones posibles y solo en el caso ideal de aprobar todos los requisitos nos despliega el mensaje de Asigna en todos los otros casos nos despliega el mensaje de NO Asigna.
Introducimos un vector de las 32 posibles opciones
Obtenemos como resultado el siguiente mensaje: Para el vector de entrada de caso ideal en que todas las materias requisito se aprueben nos desplegara el mensaje de Asigna: Caso ideal en que todas las entradas son 1
8. Balance de Componentes 9. Conclusiones y recomendaciones Para este proyecto se toma un caso particular en que todas las materias requisito se aprueben dando como resultado 1 en la salida del perceptron con lo cual se cumple el objetivo de asignar. Se llevo a cabo el estudio e implementación del perceptron para ayudarnos en la toma decisiones Recomendamos ampliar el caso en que si se pueda asignar con una excepción de no aprobar una materia no muy importante o que no sea requisito para otra materia
