Contenido

Objetivo

Comprender la arquitectura de mapas autoorganizados y el funcionamiento del proceso de aprendizaje competitivo para implementar y evaluar una solución con el lenguaje de programación Python basada en este modelo.

Descripción

A pesar de su simplicidad, los mapas autoorganizados de características se pueden utilizar en diversas aplicaciones, por ejemplo, la visión artificial y el análisis de imágenes, el reconocimiento óptico de caracteres y la lectura de guiones, el análisis y reconocimiento de voz, los estudios acústicos y musicales, el procesamiento de señales, las telecomunicaciones, las mediciones industriales, entre otras. Por consiguiente, constituyen una variante de red neuronal que utiliza la cuantificación vectorial para detectar patrones en datos multidimensionales y representarlos en espacios menores, generalmente en una o dos dimensiones.

Explicación

Haz clic para revisar la explicación.

Mapas autoorganizados de características

Recursos adicionales

Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.

Revisa la siguiente lectura:

Para conocer más sobre los fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:

Choudhary, K. (2020). Introduction to Unsupervised deep learning with Self Organizing Map with its Architecture and Visualization. Recuperado de https://medium.com/analytics-vidhya/introduction-to-unsupervised-deep-learning-with-self-organizing-map-with-its-architecture-and-7ac67b0c5977

Actividad

Objetivo

Aplicar mapas autoorganizados (SOM) para el análisis de datos utilizando el lenguaje de programación Python.

Instrucciones

Utiliza la implementación del algoritmo de mapas autoorganizados (SOM) visto durante el tema para realizar lo siguiente:

  1. Inicia un entorno de trabajo en Google Colaboratory (https://colab.research.google.com/) y crea un nuevo cuaderno en lenguaje Python.
  2. Sustituye el conjunto de datos de la flor de iris por otro que posea propiedades (dimensionalidades) similares.
  3. Evalúa el desempeño del algoritmo con el nuevo conjunto de datos.
Checklist

Asegúrate de:

  • Construye el mapa de características utilizando otro conjunto de datos
  • Evalúa correctamente el modelo creado con el nuevo conjunto de datos.