Please enable JavaScript.
Coggle requires JavaScript to display documents.
VISIÓN ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO, VIA41 - Valeria Yutsil Ruiz…
VISIÓN ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO
SELECCIÓN DE CARACTERISTICAS
Seleccion de entidades: Proceso selección de variables o atributos relevantes para el entrenamiento
Eliminar caracteristicas innecesarias y escoger características que son fuertes cotribuyentes al aprendizaje
Reducir complejidad
Reducir tiempo de entranamiento
Mejorar precisión del modelo
Reducir sobreajuste
EXTRACCIÓN DE CARACTERÍSTICAS
Proceso de creación de entidades
Diferencia con selección: Proceso de utilizar un subconjunto de entidades y eliminar las inncesarias
Juntas se llaman INGENIERÍA DE CARACTERÍSTICAS
Hay un número óptimo de características más allá de las cuales el rendimietno del modelo comienza a degradarse
TÉCNICAS
MÉTODO DE FILTRO
Se tiene un conjunto y desea seleccionar un subconjunto para alimentar algoritmo (antes seleccionar características)
Filtrado: Proceso realizar pre-preocsamiento para seleccionar el subconjunto- Etiquetar salidas
Correlación entre entidad y variable y es independiente de cualquier algoritmo de aprendizaje automatico
Operacion se seleciona solo en funcipon de la relación de variabes de entrada y salida
Entidad: Continua Destino: Continua - Correlación de Pearson
Entidad: Continua Destino: Categorico- LDA
Entidad: Categorico Destino: Categorico- Chi- cuadrado
Entidad: Categorico Destino: Continua- Anova
PIXELES Y FUNCIÓN ESTADÍSTICA DICE SI HACE MATCH O NO
MÉTODO ENVOLVENTE
Usa un subconjunto de características y entrena modelo
Evalua el modelo y según el resultado se añaden o elimnan carasterísticas y vuelve a entrenar, hasta tener precisión aceptable
Selección Directa: Operación y compile y evlaue modelo. Iterativamente se va añadiendo carac que mejoran modelo
Eliminación hacia atrás: Comenzar con entidades, compile y evalue el modelo. Recorre iterando y eliminando hasta obtener el mejor modelo. Repite hasta que no haya mejora en la eliminación
Eliminación de características recursiva: Proceso de eliminación de carac. recursiva, creamos modelo repetidamnete y dejamos de lado la mejor o peor rendimiento- Clasifica por coefientes o por importancia de características y se elimina las características menos importantes. Hasta que se agoten operaciones
MÉTODO INCRUSTADO
Algoritmo de aprendizaje automatico que seleacciona entidades mientras entrena modelo
Métodos de regularización: LASSO (loop) y RIDGE (crest) evaluan mejores carac. para crear app de aprendizaje automatico
LASSO: Usa regularización L1 y añade penalización valor absoluto de magnitud de coeficientes
CRESTA: Regulación L2 y añade una pernalización del cuadrado de magnitud de coeficientes
MODELO DE FORMACIÓN
Procesamiento permite transformar imagen de entrada en formato adecuado mediante pasos de canalización: extracción y selección de entidades - Mejor en escala de grises
APRENDIZAJE AUTOMÁTICO
Patrones de características matemáticas- El número de imagenes debe ser la representación verdadera (o cercana) del escenario real a modelar
La salida del algoritmo denomina MODELO
Proceso de creación del modelo MODELO DE ENTRENAMIENTO
El equipo utiliza algoritmo para aprender patrones del conjunto de entidades de entrada
Conjunto de característica que se usan para entrenar un modelo CONJUNTO DE ENTRENAMIENTO
APRENDIZAJE SUPERVISADO
8 X 8 = 64 pixeles es decir caracteristicas de una imagen en una matriz
El conjunto de entidades tendra tantas filas como numero de images en el conj, de entrenamiento. Cada fila, es imagen distinta
Desea entrenar el modelo que pueda clasificar una imagen de entrada en una determinada clase
Alimenta con un conjunto de datos que contine vectores de entidades y etiquetas asociadas a un algoritmo de aprendizaje. ID- Feature Vector (x) - Laberl (y) - Conjunto semilla, antes ya se etiqueto
Maquina de vectores de soporte - SVM
Regresión lineal y logistica
Árbol de decisiones y bosque aleatorio
Red Neuronal artifiical y Red Neuronal Convolución
APRENDIZAJE NO SUPERVISADO
Solo vectores de entidad y ninguna salida o etiqueta. Desconozco las etiquetas , pero tengo patrones o tendecias de acuerdo con datos
Solo toman un conjunto de entrada y encuentran puntos en común en los datos
Usan para agrupar un conjunto de datos o para crear etiquetas para los algoritmos de aprendizaje supervisado
Clúster K-means, codificadores automaticos, redes de creencias profundas y aprendizaje hebbiano
SALIDA PREDICCIÓN- Valores continuos o clases
VIA41 - Valeria Yutsil Ruiz Tejeda