UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

EDUCACION SUPERIOR Y A DISTANCIA

ESCUELA DE CIENCIAS BASICAS TECNOLOGIA E INGENIERIA– ECBTI

Tratamiento de Imágenes
Paso 3 – Aprendizaje de máquinas
Grupo No. 208054_16

Directora:
Ing. Paola Andrea Mateus

Por:
Flavio Ernesto Cortés Cabezas – Código No. 79436944

Ingeniería de Telecomunicaciones
Octubre de 2019
Actividades a desarrollar
Paso 3 – Aprendizaje de máquinas:

1. Definición de conceptos: estudiando el libro guía, el estudiante investiga de manera

individual y da respuesta a las siguientes preguntas teóricas:

a. ¿Qué es extracción de características en una imagen?

La extracción de entidades es un conjunto de métodos que asignan entidades de

entrada a nuevas entidades de salida.

Existen métodos de extracción de características que utilizan el aprendizaje sin

supervisión para extraer características. Internamente estos métodos implican la
optimización de las funciones objetivas no lineales.

Un uso típico de la extracción de entidades es encontrar entidades en las imágenes.

La utilización de estas características puede dar lugar a una mejor precisión de la
clasificación.

b. ¿Qué es un clasificador de umbral o perceptrón?

Un clasificador es un algoritmo utilizado para etiquetar elementos en categorías o

clases, según su información. Para implementar un clasificador es necesario extraer
características que permitan su selección o asignación a la clase. Adicionalmente
tener un conjunto de muestras o elementos que pertenezcan al entrenamiento y otro a
la clasificación.

El clasificador de umbral o perceptrón tiene una limitación de 2 clases.

Adicionalmente solo tiene 2 características.
Si tomamos como ejemplo 1 muestra de carros y una muestra de motos, por la
limitación del umbral solamente se puede utilizar la información del área (del carro
por ser mayor) como característica. Esta información es muy importante tenerla en
cuenta, debido a que si se requieren más características no se puede utilizar el
clasificador perceptrón. El umbral divide las muestras de motos de las muestras de
carros.

El algoritmo del perceptrón ejecuta el paso de actualización a lo sumo n veces que

sean posibles hasta llegar a la mejor solución. Lo ideal es tener una margen grande y
el algoritmo de perceptrón n tiene en cuenta la margen.
c. ¿Qué es un clasificador supervisado y no supervisado en imágenes?

Se realiza por medio de una función matemática o hipótesis generada por el conjunto
de muestras de entrenamiento, deduce entre un conjunto de datos de entrada a que
clase pertenecen los datos de salida.

d. ¿Qué es máquina de soporte vectorial?

Una máquina de soporte vectorial (Support Vector Machines, SVM) es un conjunto

de algoritmos de aprendizaje supervisado desarrollados por Vladimir Vapnik.

Teniendo un conjunto de ejemplos de entrenamiento, es decir, de muestras, se pueden

etiquetar las clases y entrenar una máquina de soporte vectorial para construir un
modelo que prediga la clase de una nueva muestra.

Una máquina de soporte vectorial construye un hiperplano o conjunto de hiperplanos

en un espacio de dimensionalidad muy alta que puede ser utilizado en problemas de
clasificación o regresión. Una buena separación entre las clases permite una adecuada
clasificación.

e. ¿Qué y cuáles tipos de kernels tiene una SVM?

Los Kernels son un conjunto de algoritmos y funciones matemáticas utilizadas en las

SVM, expresadas en términos de productos de puntos y para realizar el análisis o
reconocimiento de patrones y estudio de sus relaciones.

Los algoritmos asocian los datos a puntos en espacios de n dimensiones, esperando

que en esta nueva dimensión los datos puedan separarse más fácilmente.

Debido a que la máquina de soporte vectorial utiliza n dimensiones, se requiere el uso

de unos kernels, entre los tipos de kernels la SVM tiene:

Polinomial (Cuadrático)

Polinomial no homogéneo

Gaussiano (Radial)

Sigmoidal

Lineal
 BIBLIOGRAFIA

Mateus, P. (2017, junio 26), Transformadas. [OVI]. Recuperado de:

http://hdl.handle.net/10596/12679

Recuperado de:
https://la.mathworks.com/help/stats/feature-extraction.html

Recuperado de:
https://la.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html

Recuperado de:
http://numerentur.org/nucleo-kernel-de-las-svm/