GUÍA DE LABORATORIO TECNOLOGIAS DE LA INFORMACION

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE INGENIERÍA DE PRODUCCIÓN Y SERVICIOS

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

GUÍA DE LABORATORIO

TECNOLOGIAS DE LA INFORMACION

SEMESTRE 7

CHRISTIAN JORGE DELGADO POLAR

Magister en Ciencia de la Computación

COMPETENCIAS

Identifica de forma reflexiva y responsable, necesidades a ser resueltas usando tecnologías de información y/o

desarrollo de software en los ámbitos local, nacional o internacional, utilizando técnicas, herramientas,

metodologías, estándares y principios de la ingeniería.

Curso: Tecnologías de la Información Página:

MSc. Christian Jorge Delgado Polar

1

Machine Learning

Redes Neuronales

Perceptron

I

OBJETIVOS

 Conocer el uso de Machine Learning para realizar análisis de datos.

 Analizar datos históricos para realizar una clasificación de información y

poder prever futuros comportamientos.

II

TEMAS A TRATAR

 Inteligencia Artificial

 Base de Datos

 Herramienta (R Studio)

III

MARCO TEÓRICO

1. Lenguaje R

Uno de los lenguajes más utilizados actualmente en Data Science en Empresa.

2. Redes Neuronales

Son inspiradas en la biología y buscan reproducir las capacidades adaptativas de las

redes en el cerebro.

Un ejemplo importante es el Perceptron y su generalización, el Perceptron Multicapa

(Multilayer Perceptron - MLP)

Laboratorio

10

Curso: Tecnologías de la Información Página:

MSc. Christian Jorge Delgado Polar

2

El aprendizaje ocurre por sucesivas modificaciones en las sinapsis que

interconectan las neuronas.

El ajuste de las conexiones entre las neuronas durante el proceso de

aprendizaje es una de las más importantes características das redes neuronales

artificiales.

3. Perceptron

Es solamente un neurón donde existe un vector de pesos W que sirve

para calcular la salida del neurón:

Esta salida sirve para determinar a qué clase pertenece:

Curso: Tecnologías de la Información Página:

MSc. Christian Jorge Delgado Polar

3

Para cada ejemplo de entrenamiento x, la salida de la red yo es calculada.

Seguidamente es determinado el erro entre la salida deseada para este

ejemplo y la salida de la red yo:

error = y − yo.

error2= ( y − yo)

2 = ( y - f (net))2

Este error sirve para corregir el vector de pesos y encontrar el error

mínimo. Para eso se calcula la derivada de la función de error:

Los pesos son actualizados con la derivada de cada componente:

Curso: Tecnologías de la Información Página:

MSc. Christian Jorge Delgado Polar

...