UNIVERSIDAD CARLOS III DE MADRID OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES INES M.

GALVAN - JOSE M VALLS

EXAMEN FINAL
Pregunta 1 (3 puntos) Se dispone de una base de datos que contiene 1728 ejemplos de coches caracterizados cada uno de ellos por 6 atributos (Precio de compra, Precio de mantenimiento, Nmero de puertas, Nmero de pasajeros, Capacidad del maletero y seguridad) y agrupados en 4 clases segn la aceptabilidad del coche por parte de los clientes (No-Aceptable, Aceptable, Buena Aceptabilidad y Muy Buena Aceptabilidad). Los valores que pueden tomar cada uno de los atributos son los siguientes: Precio de compra: Precio de mantenimiento: Puertas: N pasajeros: Capacidad del maletero: Seguridad: muy alto, alto, medio, bajo muy alto, alto, medio, bajo 2, 3, 4, ms 2, 4, ms pequea, mediana, grande baja, media, alta

Este conjunto de datos se caracteriza adems porque el 70.023% de los datos pertenecen a la clase No-Aceptable, el 22.222% pertenece a la clase Aceptable, y slo el 3.993% y el 3.762% pertenecen a las clases Buena y Muy Buena Aceptabilidad, respectivamente. Se desea construir un clasificador de dichos datos utilizando el perceptron multicapa. Se pide: a) Describir, si es necesario, el pre-proceso que debera realizarse con los datos para ser tratados con el perceptron multicapa b) Indicar el nmero de neuronas de entrada y salida, as como las ecuaciones de la(s) salidas(s) de la red en funcin de las entradas c) Indicar los ficheros de datos necesarios para abordar el problema con un perceptron multicapa, y cmo se obtienen a partir de los datos disponibles. d) Describa los pasos a realizar para llevar a cabo el entrenamiento de la red (viene en teora) e) Adems del perceptron multicapa, indique los modelos de redes estudiados en la asignatura que seran apropiados para abordar el problema. Pregunta 2 (2 puntos) a) b) c) d) Describa la arquitectura del Perceptron Simple. Cal es el objetivo del aprendizaje del Perceptron Simple?. Qu representan los pesos del Perceptron Simple una vez entrenada la red? Describa las diferencias y similitudes de esta red respecto del ADALINE

Pregunta 3 (3 puntos) Disponemos de datos socioeconmicos de 100 pases que forman parte de la ONU, compuestos por 45 variables (renta per cpita, ndice de alfabetizacin, producto interior bruto, etc). Queremos utilizar los mapas autoorganizados de Kohonen para extraer informacin de estos datos, que nos permita detectar grupos de pases similares. a) Cul sera la arquitectura apropiada? b) Qu parmetros deberan definirse para realizar el aprendizaje?

c) Queremos que neuronas prximas en el mapa representen datos prximos en el espacio de entrada de 45 dimensiones. Qu parmetro es importante? d) Qu ocurre si no se tiene en cuenta el vecindario, de forma que slo se actualizan los pesos de la neurona ganadora?. e) En qu consiste un grfico umatrix? Para qu sirve? f) Escribir la ecuacin de aprendizaje utilizada generalmente en los mapas de Kohonen (donde se tiene en cuenta el vecindario) y explicar brevemente su significado y el efecto producido.

Pregunta 4 (2 puntos) Contestar brevemente a las siguientes cuestiones relacionadas con las Redes de Base Radial: a) b) c) e) Qu quiere decir que las neuronas ocultas tienen carcter local? Cul es la funcin de base radial ms utilizada? Indicar la ecuacin. Qu hay que aprender en el proceso de entrenamiento de una RNBR? Explicar en qu consiste el mtodo de entrenamiento hbrido