« Mapas Auto-Organizado… « || Inicio || » Análisis Formal de Co… »

Ejercicios Aprendizaje Automático

Última modificación: 10 de Septiembre de 2016, y ha tenido 197 vistas

  1. Busca un conjunto de datos bidimensionales en el que puedas aplicar el algoritmo de K-medias visto en clase.
  2. Utiliza el método de las K-medias para rebajar el número de colores que se usa en una imagen. Para ello: a) carga una imagen en los patches haciendo uso de la función de importación adecuada; b) aplica el algoritmo de K-medias al conjunto de colores, determinando a priori el número de colores finales que quieres usar (puedes hacer que sea una decisión del usuario); c) muestra la imagen resultante con los colores reasignados según el cluster al que pertenecen.
  3. Implementa el algoritmo de las K-medias para dimensiones superiores (en clase se ha visto la implementación de dimensión 2). Aplica el algoritmo que has implementado sobre datos reales para ver los resultados que salen.
  4. Añade al algoritmo de las K-medias la opción de poder comparar el número de clusters en que se divide el conjunto para poder decidir cuál es la agrupación más óptima con respecto a alguna medida que os inventéis.
  5. Implementa el algoritmo de los K vecinos más cercanos (KNN) visto en clase. Busca un conjunto de datos bidimensionales en el que puedas aplicar el algoritmo KNN.
  6. Implementa una modificación del algoritmo KNN en el que se pondere la importancia de los vecinos más cercanos en función de la distancia a la que se encuentren.
  7. Busca conjuntos de datos sobre los que puedas aplicar el algoritmo ID3 visto en clase.
  8. Modifica el modelo ID3 para que pueda incluir alguna versión sencilla de trabajar con atributos continuos.
  9. Modifica el modelo ID3 para que trabaje con atributos continuos haciendo uso del algoritmo de las K-medias para decidir las divisiones que usará en los atributos continuos (es decir, primero se aplica el algoritmo de las K-medias al atributo, y se decide las agrupaciones en que se considerará para discretizarlo).
  10. Prepara algunos ejemplos de clasificación para ser aplicados con los modelos SOM proporcionados en la asignatura.
  11. Haz modificaciones del modelo SOM para que haga el entrenamiento sobre otras estructuras bidimensionales (no solo patches o hexágonos).
  12. Usando NetLogo3D, haz las modificaciones necesarias para que pueda implementarse SOM en un entorno de patches 3D.
  13. Crea una Red Neuronal que, con el entrenamiento adecuado, sea capaz de calcular la función binaria de la mayoría: recibe una entrada de \(n\) bits, y devuelve \(1\) si hay mayoría de \(1's\) y \(0\) en caso contrario.
  14. Crea una Red Neuronal que, con el entrenamiento adecuado, sea capaz de calcular la función binaria de la paridad: recibe una entrada de \(n\) bits, y devuelve \(1\) si hay una cantidad par de \(1's\) y \(0\) en caso contrario.

« Mapas Auto-Organizado… « || Inicio || » Análisis Formal de Co… »