1 Aprendizaje No Supervisado y Redes de KohonenAplicaciones y Estado del Arte

2 Hoy vamos a ver: Organización Tímbrica de Instrumentos Musicales Utilizando Redes Neuronales. Néstor Spedalieri y Jorge Xifra Analysis and Downscaling Multi-Model Seasonal Forecasts using Self-Organizing Maps. J. Gutierrez et al Self Organization of massive document collection. Teuvo Kohonen et al Un clasificador neuronal que explica sus respuestas: aplicación al reconocimiento de dígitos manuscritos. Leticia Seijas. 2002

3 Organización Tímbrica de Instrumentos MusicalesOrganización Tímbrica de Instrumentos Musicales Utilizando Redes Neuronales. Néstor Spedalieri y Jorge Xifra. Tesis de Licenciatura

4 Organización Tímbrica de Instrumentos MusicalesTimbre: “Atributo de la sensación auditiva en términos del cuál un oyente puede juzgar que dos sonidos presentados en forma similar son disímiles” Objetivo: A partir de un sonido, detectar de qué instrumento proviene. Características: Utiliza transformada de wavelets para dividir el sonido por frecuencias Utiliza dos capas de mapas de Kohohen

5 Organización Tímbrica de Instrumentos MusicalesEsquema del modelo

6 Organización Tímbrica de Instrumentos MusicalesEsquema del modelo: Entrada: Nota C4 (262Hz, DO de la cuarta octava) de diferentes instrumentos musicales. Preprocesamiento: Transformada de wavelets para dividir por frecuencias. Compresión de las componentes más altas. Redes inferiores: Clasifican cada rango de frecuencias del sonido. El resultado es una posición de la grilla (x,y) para cada rango de frecuencias. Red superior: Clasificación final del sonido.

7 Organización Tímbrica de Instrumentos MusicalesPreprocesamiento Mono Ventana de tiempo: incluye ataque y una porción de la fase estable Normalización de la intensidad (volumen) Transformada de wavelets Compresión de las frecuencias altas (para obtener 256 valores en cada una)

8 Organización Tímbrica de Instrumentos MusicalesMapas inferiores 15 mapas Tamaño: 10x10 (para tener una relación de 1 a 5 entre la cantidad de entradas y de neuronas) Dimensión de la entrada: 256

9 Organización Tímbrica de Instrumentos MusicalesParámetros Cantidad de épocas: para las inferiores y para la superior para ordenamiento (para convergencia: 10%) Eta inicial: 0.32 Vecindario inicial: 10

10 Organización Tímbrica de Instrumentos Musicales

11 Colección Masiva de DocumentosSelf Organization of massive document collection. Teuvo Kohonen et al

12 Colección Masiva de DocumentosObjetivos Clasificar un conjunto muy grande de documentos. Proveer una herramienta gráfica para visualizar la colección y navegar por la misma y para presentar los resultados de una búsqueda. Verificar la escalabilidad de los mapas de Kohonen Cantidad de documentos: (abstracts de patentes) Dimensión de la entrada: 500 Cantidad de neuronas:

13 Colección Masiva de DocumentosModelos estadísticos de documentos Histograma de frecuencia de palabras (comprimido) Clusters de palabras Componentes principales Proyecciones aleatorias

14 Colección Masiva de DocumentosConstrucción rápida de los mapas Cómputo de la distancia: producto interno, almacenando sólo las componentes que no son cero. Estimación de mapas grandes a partir de mapas más chicos: agregando filas y columnas. Aceleración de la convergencia: guardando un puntero al último ganador para cada patrón de entrenamiento Procesamiento paralelo

15 Colección Masiva de DocumentosImplementación documentos con 132 palabras en promedio palabras diferentes. Eliminando las palabras comunes y las que aparecen menos de 50 veces, quedan Proyección random de las palabras a vectores de dimensión 500. Red final: nodos. Cuatro pasos. Red inicial: 435 nodos.

16 Colección Masiva de DocumentosResultados

17 Pronóstico meteorológicoAnalysis and Downscaling Multi-Model Seasonal Forecasts using Self-Organizing Maps. J. Gutierrez et al

18 Pronóstico meteorológicoObjetivos Discriminar diferentes “configuraciones meteorológicas”. Poder predecir fenómenos con antelación (por ejemplo, “El Niño”) Datos utilizados: - Diferentes registros meteorológicos de Perú, entre 1979 y Un patrón=un día

19 Pronóstico meteorológicoSe va a querer analizar la distribución de los datos y compararla con distribuciones conocidas. Arquitectura: Preprocesamiento: componentes principales: de 7300 componentes se quedan con sólo 30!

20 Pronóstico meteorológicoTamaño de la red: 8x8 (100 patrones por neurona)

21 Pronóstico meteorológico

22 Reconocimiento de Dígitos ManuscritosUn clasificador neuronal que explica sus respuestas: aplicación al reconocimiento de dígitos manuscritos. Leticia Seijas

23 Reconocimiento de Dígitos ManuscritosObjetivos: Reconocer dígitos manuscritos Poder detectar patrones dudosos, y obtener las posibles alternativas “Explicar las respuestas”. Arquitectura: Múltiples redes de Kohonen que clasifican el patrón considerando diferentes características Un módulo analizador que combina las respuestas y emite una respuesta global

24 Reconocimiento de Dígitos Manuscritos

25 Reconocimiento de Dígitos ManuscritosCada red analiza una componente direccional Tabla de confiabilidad: indica el porcentaje de errores de cada red respecto de cada clase Umbral de confiabilidad: determina a partir de qué valor una respuesta se considera confiable. Funcionamiento: Para una entrada dada, cada red determina a qué clase pertenece. El módulo analizador suma los votos de cada red, ponderados por su confiabilidad. La respuesta del sistema será la clase con mayor puntaje, si este sobrepasa el umbral de confiabilidad.

26 Reconocimiento de Dígitos Manuscritos¿Cómo se explican las respuestas? Ante un patrón dudoso, se puede observar la decisión de cada una de las redes (jueces) y determinar qué características del patrón son similares a cada clase

27 Reconocimiento de Dígitos Manuscritos

28 Reconocimiento de Dígitos Manuscritos

29 Reconocimiento de Dígitos Manuscritos

30 Reconocimiento de Dígitos Manuscritos

31 FIN