Documente Academic
Documente Profesional
Documente Cultură
CUANTIZACION
(LVQ)
INTEGRANTES:
Ayo Wilson
Llumiquinga rodrigo
Moreno Marisol
Murillo José
Parreño pablo
Antecedentes y definición
Clasificación de un vector de
entrada de 2 dimensiones para la
compresión de sus datos
INFORMÁTICA INDUSTRIAL
Maquina de Soporte Vectorial
(SVM)
24 INDICE:
Algoritmo
Red Neuronal
Conceptos SVM
Entrenamiento de una SVM
Introducción
¿Qué son los SVM?
¿Por qué podemos usar los SVM?
Clasificación
Regresión
Formulación básica
Reducción del overfiting
Conjuntos no linealmente separables
Margen suave
Kernel Trick
Ejemplo de reconocimiento vehicular
Propuso el primer algoritmo en
1936. El considero un modelo de
dos poblaciones distribuidas
normalmente en dimensión y
muestra que la solución optima es
una decisión dada por una función
cuadrática, pero que si las matrices
de covarianza de las poblaciones
son iguales, la función resulta ser
lineal
En 1962, Rosenblatt experimenta
un nuevo tipo de aprendizaje
automático: redes neuronales, que
consiste en conectar neuronas,
donde cada una implementa un
hiperplano separador, generando
entonces una superficie de
separación lineal a trozos. En
aquellos tiempos no había sido
encontrado un algoritmo que
minimizara el error sobre un
conjunto de vectores por ajuste
de pesos de la red.
En el año 1995 Cortes y Vapnik
proponen un nuevo tipo de machine
learning, con la idea de llevar los
vectores a un espacio de dimensión
mayor mediante un mapeo no lineal
elegido previamente, en el cual una
superficie de decisión lineal es
construida con propiedades
especiales que aseguran una gran
generalidad a la red.
La máquina de vectores de soporte es un clasificador lineal que emplea
la siguiente metodología:
Regresión,
Agrupamiento
Multiclasificación
Visión articfiial,
Reconocimiento de caracteres
Categorización de texto e hipertexto
Procesamiento de lenguaje natural
Análisis de series temporales
¿Para que podemos usar las
SVM?
Los conceptos fundamentales son modelado y predicción en dos
vertientes: clasificación y regresión.
Clasificación
35
36
37
CARACTERISTICAS:
39 Aprendizaje Supervisado
Máquinas Vectoriales de Soporte
Regresión lineal
40
41 Regresión no lineal
clasificador lineal
Formulación Básica:
Clasificador Binario Lineal : Existe una única frontera de separación
entre dos clases, representada por una línea en ℜ2 y por un
hiperplano en caso de ℜ𝑛 .
Extensión:
Conjuntos no separable linealmente.
Clasificación Multiclase.
43 Objetivo
Clasificador lineal basado en un margen máximo a partir de
los vectores de soporte. Obtener el máximo margen de
seguridad.
Propiedades
Resolución de la
Condiciones Climáticas
fotografía
RECONOCIMIENTO DE LA
PLACA
Localizar
Tomar una la placa Aislar la
fotografia en la placa
imagen
SEGMENTAR LA IMAGEN
Imagenes a blanco y
negro
Reconocimiento uno
a uno (clasificacion
con SVM)
• Mejorar la nitidez de
imagen
• Buscar variables
representativas a partir
del color del pixel
• Selección de parámetros
correctos para la SVM
LETRAS
NUMEROS
65
Ejemplo
Maquina de Vectores
de Soporte (SVM)
Funcionamiento
Recoge
Limpiar Analizar Entrenar Probar
r
Entrenamiento
Gaussiana
Lineal
Polinómica
Sigmoide
Ejemplo
Recoger Datos
Ejemplo
Limpiar y Analizar
Ejemplo
Entrenar
Ejemplo
Exhibir Resultados
75