Taller: Inteligencia Computacional MC. LETICIA FLORES PULIDO.

Presentación del tema: "Taller: Inteligencia Computacional MC. LETICIA FLORES PULIDO."— Transcripción de la presentación:

1 Taller: Inteligencia Computacional MC. LETICIA FLORES PULIDO

2 CONTENIDO  TEMA1: INTRODUCCIÓN  TEMA2: APRENDIZAJE MÁQUINA  TEMA3: RECONOCIMIENTO DE PATRONES  TEMA4: PROGRAMACIÓN EVOLUTIVA 2

3 TEMA 3 : RECONOCIMIENTO DE PATRONES  INTRODUCCIÓN  PERCEPCIÓN MÁQUINA  EJEMPLO  SISTEMAS RECONOCEDORES DE PATRONES  EL CICLO DEL DISEÑO  APRENDIZAJE Y ADAPTACIÓN 3

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 4

5 Introducción  Reconocimiento 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 5

6 Percepción Máquina  Es 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 6

7 Percepción Máquina  En 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. 7

8 Un ejemplo  Para 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 8

9 Un ejemplo  Se 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 9

10 Un ejemplo 10 Trucha Salmón

11 Un ejemplo  Otro 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 11

12 Un ejemplo  EL PROCESO DE SEGMENTA CIÓN:  Un sistema prototipo puede tener la siguiente forma: 12 salmóntrucha

13 Un ejemplo 1.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 13

14 Un ejemplo  Los 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 14

15 Un ejemplo  Entonces 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: 15

16 Un ejemplo 16

17 Un ejemplo  Pero 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. 17

18 Un ejemplo 18

19 El ejemplo  En 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. 19

20 El ejemplo  Si 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. 20

21 El ejemplo  Para 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  X 1 como el brillo del pez  X 2 como el ancho del pez 21

22 El ejemplo  De este modo reducimos la representación del pez a un punto en el espacio.  x=[x 1,x 2 ]  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 22

23 El ejemplo  Tenemos entonces los vectores que describen nuestras dos clases de datos y obtenemos los siguientes puntos dispersos. 23

24 El ejemplo  Esta 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 24

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 25

26 Generalización  Un 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 26

27 Generalización 27

28 Generalización  Podemos entonces considerar agregar Bases de Conocimiento al problema  Combinar clasificadores  Realizar estandarización de datos  Eliminar el ruido de los datos  Etc…. 28

29 Campos relacionados  Procesamiento Digital de imágenes  Memorias Asociativas  Regresión Lineal  Interpolación  Estimación de Densidad de datos 29