Serie de Aprendizaje No Supervisado Explorando Mapas Autoorganizados

Aprendizaje No Supervisado Mapas Autoorganizados

Aprende cómo funcionan los Mapas de Autoorganización y por qué son un algoritmo útil de aprendizaje no supervisado

Imagen de teckhonc en Unsplash.com

Los Mapas de Autoorganización (SOMs por sus siglas en inglés) son un tipo de red neuronal no supervisada utilizada para la agrupación y visualización de datos de alta dimensionalidad. Los SOMs se entrenan utilizando un algoritmo de aprendizaje competitivo, en el cual los nodos (también conocidos como neuronas) en la red compiten por el derecho de representar los datos de entrada.

La arquitectura de los SOMs consiste en una cuadrícula 2D de nodos, donde cada nodo está asociado con un vector de pesos que representa las medias de los centroides en la solución del SOM. Los nodos están organizados de tal manera que los nodos se agrupan alrededor de puntos de datos similares, produciendo una capa que representa los datos subyacentes.

Los SOMs se utilizan comúnmente para una amplia variedad de tareas como:

  • visualización de datos
  • detección de anomalías
  • extracción de características
  • agrupación

También podemos visualizar los SOMs como la versión más simple de una red neuronal para el aprendizaje no supervisado.

Aunque parecen confusos al principio, los Mapas de Autoorganización (o Mapas de Kohonen, nombrados así por su inventor) son un tipo interesante de algoritmo que puede mapear la estructura subyacente de los datos. Se pueden describir de la siguiente manera:

  • una red neuronal no supervisada de una sola capa, sin retropropagación.
  • una solución restringida de k-means, donde los nodos tienen la capacidad de influir en el movimiento de otros nodos (en el contexto de k-means, los nodos se conocen como centroides).

En esta publicación del blog, realizaremos un par de experimentos en el modelo SOM. Más adelante, aplicaremos un Mapa de Autoorganización a un caso de uso real, donde podremos ver las principales características y limitaciones del algoritmo.

Comprendiendo cómo los SOMs aprenden

Para entender cómo los SOMs aprenden, comencemos trazando un conjunto de datos de juguete en 2 dimensiones.

Crearemos una matriz numpy con el siguiente conjunto de datos y luego lo representaremos gráficamente:

import numpy as npX = np.array([[1, 2], [2, 1], [1, 3], [1, 2.5], [3.1, 5], [4, 10], [3.6, 5.4], [2...

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Ciencia de Datos

Un nuevo estudio de investigación en IA presenta AttrPrompt un generador de datos de entrenamiento LLM para un nuevo paradigma en el aprendizaje de cero disparos.

El rendimiento de los modelos de lenguaje grandes (LLMs) ha sido impresionante en muchas aplicaciones diferentes de p...

Inteligencia Artificial

Conoce 3D-VisTA Un Transformer pre-entrenado para alineación de visión 3D y texto que puede adaptarse fácilmente a diversas tareas posteriores.

En el dinámico panorama de la Inteligencia Artificial, los avances están remodelando los límites de lo posible. La fu...

Inteligencia Artificial

Meta AI lanza Nougat un modelo de transformador visual que realiza OCR para procesar documentos científicos en un lenguaje de marcado.

Con los crecientes avances en el campo de la Inteligencia Artificial, sus subcampos, incluyendo el Procesamiento de L...