Inteligencia Artificial

UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA
FACULTAD DE INGENIERÍAS
PROGRAMA ACADÉMICO DE INGENIERÍA DE COMPUTACIÓN Y
SISTEMAS
EXAMEN:
Analizar y describir el Algoritmo Perceptrón.
Desarrollar una aplicación que incorpore dicho algoritmo, sugerido
lenguaje Java o Python
CURSO
INTELIGENCIA ARTIFICIAL
ICA - PERÚ
2023
DOCENTE: CARLOS FERNANDO OLIVA RAMOS
Analizar y describir el Algoritmo Perceptrón:
El algoritmo del perceptrón es un algoritmo de aprendizaje supervisado utilizado para la
clasificación binaria de datos. Fue desarrollado por Frank Rosenblatt en 1958 y es uno de los
algoritmos de aprendizaje más simples y efectivos.
El algoritmo del perceptrón se basa en un modelo de neurona artificial que recibe múltiples
entradas, las suma ponderadamente y aplica una función de activación para producir una
salida binaria. Las entradas son multiplicadas por un peso asociado a cada entrada, y la suma
de estas ponderaciones se compara con un umbral (threshold) para determinar la salida.
Matemáticamente, la salida de la neurona se calcula como:
y = f(w1x1 + w2x2 + ... + wnxn)
Donde `x1, x2, ..., xn` son las entradas, `w1, w2, ..., wn` son los pesos asociados a cada
entrada, `f` es la función de activación y `y` es la salida de la neurona. La función de
activación más comúnmente utilizada en el perceptrón es la función escalón unitario, que
produce una salida de 1 si la suma ponderada es mayor o igual que el umbral, y una salida de
0 en caso contrario.
El proceso de entrenamiento del perceptrón implica ajustar los pesos de las entradas de la
neurona hasta que se obtiene una salida deseada para un conjunto de datos de entrenamiento.
Esto se hace mediante la actualización de los pesos de acuerdo a la regla delta, que consiste
en comparar la salida obtenida por la neurona con la salida deseada para cada entrada y
ajustar los pesos en consecuencia. Matemáticamente, la actualización de los pesos se realiza
de la siguiente manera:
wi = wi + α(yd - y)x1i
Donde `wi` es el peso asociado a la entrada `xi`, `α` es la tasa de aprendizaje, `yd` es la salida
deseada y `y` es la salida obtenida por la neurona. La tasa de aprendizaje es un parámetro que
controla la velocidad a la que se ajustan los pesos durante el entrenamiento.
El algoritmo del perceptrón puede utilizarse para clasificar datos linealmente separables, es
decir, datos que pueden ser separados en dos categorías por una línea recta en un espacio de
características. Si los datos no son linealmente separables, el perceptrón no convergerá a una
solución óptima. En ese caso, se pueden utilizar variantes del perceptrón, como el perceptrón
multicapa o las redes neuronales convolucionales, que son capaces de clasificar datos no
linealmente separables.
En resumen, el algoritmo del perceptrón es un modelo simple pero poderoso utilizado para la
clasificación de datos en dos categorías diferentes y se basa en una neurona artificial que
recibe múltiples entradas, las suma ponderadamente y aplica una función de activación para
producir una salida binaria.
Codigo en netbeans desarrollo propio
/*
* To change this license header, choose License Headers in Project Properties.
* To change this template file, choose Tools | Templates
* and open the template in the editor.

*/
package perceptron;
/**
* @author Devyi Marcos
*/
public class Perceptron {
public static void main(String[] args) {
//declaramos las variables de la entrada de la red
double x1 ; double x2;
//variable de salidad de la red
double y1 ; double y2; double y3;
//pesos
double w11 = -1.95; //pesos neurona 1
double w12 = -2.41;
double Θ1 = -2.27;//Umbral 1
double w21 = 1.48;//pesos neuronas 2
double w22 = 1.53;
double w31 = -2.79;//Pesos neurona 3
double w32 = -2.83;
//Desarrollos de las operaciones para las salidad t deseadas
//entrada 1 en x1 y x2
x1 = -1;
x2 = -1;
//formula
y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );
y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );
y3 = Math.tanh( (y1 * w31)+ (y2 * w32)+(1 * Θ3) );//salida final
System.out.println(" salida 1 ; "+ y3);
//--------------------------------------------------------------------------------
x1 = -1;
x2 = 1;
//formula
y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );
y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );
//----------------------------------------------------
x1 = 1;
x2 = -1;
//formula
y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );
y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );
//----------------------------------------------------
x1 = 1;
x2 = 1;
//formula
y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );
y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );
System.out.println(" salida 1 ; "+ y3)

Inteligencia Artificial

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inteligencia Artificial

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA

PROGRAMA ACADÉMICO DE INGENIERÍA DE COMPUTACIÓN Y

Analizar y describir el Algoritmo Perceptrón.

Desarrollar una aplicación que incorpore dicho algoritmo, sugerido

lenguaje Java o Python

El algoritmo del perceptrón es un algoritmo de aprendizaje supervisado utilizado para la

algoritmos de aprendizaje más simples y efectivos.

de estas ponderaciones se compara con un umbral (threshold) para determinar la salida.

Matemáticamente, la salida de la neurona se calcula como:

y = f(w1x1 + w2x2 + ... + wnxn)

entrada, `f` es la función de activación y `y` es la salida de la neurona. La función de

activación más comúnmente utilizada en el perceptrón es la función escalón unitario, que

ajustar los pesos en consecuencia. Matemáticamente, la actualización de los pesos se realiza

controla la velocidad a la que se ajustan los pesos durante el entrenamiento.

características. Si los datos no son linealmente separables, el perceptrón no convergerá a una

producir una salida binaria.

Codigo en netbeans desarrollo propio

* To change this license header, choose License Headers in Project Properties.

* To change this template file, choose Tools | Templates

* and open the template in the editor.

* @author Devyi Marcos

public class Perceptron {

public static void main(String[] args) {

//declaramos las variables de la entrada de la red

double x1 ; double x2;

//variable de salidad de la red

double y1 ; double y2; double y3;

double w11 = -1.95; //pesos neurona 1

double w12 = -2.41;

double w22 = 1.53;

double w31 = -2.79;//Pesos neurona 3

double w32 = -2.83;

//Desarrollos de las operaciones para las salidad t deseadas

y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );

y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );

y3 = Math.tanh( (y1 * w31)+ (y2 * w32)+(1 * Θ3) );//salida final

System.out.println(" salida 1 ; "+ y3);

y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );

y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );

y3 = Math.tanh( (y1 * w31)+ (y2 * w32)+(1 * Θ3) );//salida final

System.out.println(" salida 1 ; "+ y3);

y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );

y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );

y3 = Math.tanh( (y1 * w31)+ (y2 * w32)+(1 * Θ3) );//salida final

System.out.println(" salida 1 ; "+ y3);

y1 = Math.tanh( (x1 * w11)+ (x2 * w12)+(1 * Θ1) );

y2 = Math.tanh( (x1 * w21)+ (x2 * w22)+(1 * Θ2) );

y3 = Math.tanh( (y1 * w31)+ (y2 * w32)+(1 * Θ3) );//salida final

System.out.println(" salida 1 ; "+ y3)

También podría gustarte