Variational AutoEncoder

1 de Marzo de 2020, ha tenido 470 vistas

Los Variational AutoEncoders (VAE) son modelos de aprendizaje que mezclan las redes neuronales con distribuciones de probabilidad. Su principal uso es el de construir modelos generativos que son capaces de producir datos sintéticos que siguen los mismos patrones que los grandes conjuntos de datos de los que se alimentan. Normalmente, se han usado para generar imágenes que asemejan, por ejemplo, características conocidas tales como caras, vehículos, habitáculos, etc. aunque en teoría podrían usarse para la generación de cualquier tipo de dato, siempre y cuando el conjunto de entrenamiento de datos reales sea adecuado (en tamaño y contenido).

Etiquetas utilizadas: , , ,

Leer mas »

Algoritmos de Clustering

28 de Noviembre de 2019, ha tenido 2651 vistas

Un algoritmo de clustering tiene como objetivo agrupar los objetos de un dataset según su similaridad, de forma que los objetos que hay dentro de un grupo (cluster) sean más similares que aquellos que caen en grupos distintos. Para resolver este problema se han desarrollado muchos algoritmos que se diferencian entre sí según qué se entiende por cluster (que, en esencia, viene dado por cómo definimos que dos objetos son más o menos similares) y por la eficiencia computacional a la hora de conseguir la agrupación final. En esta entrada haremos un recorrido por los más habituales de estos algoritmos.

Etiquetas utilizadas: , , , ,

Leer mas »

Planificación: Fundamentos (y NetLogo)

13 de Octubre de 2019, ha tenido 298 vistas

En esta entrada completamos el uso de procedimientos de búsqueda en Espacios de Estados para resolver problemas de Planificación Automática. Veremos algunas generalidades acerca del tipo de problemas que podemos resolver y de las aproximaciones formales que se han creado. También podremos ver cómo se puede implementar en NetLogo un algoritmo sencillo de conversión de un problema de planificación en uno de búsqueda (para usar, por ejemplo, BFS o A*).

Etiquetas utilizadas: , , , , , ,

Leer mas »

NetLogo: Grafos

9 de Octubre de 2019, ha tenido 497 vistas

A pesar de que ya con anterioridad hemos hablado de los enlaces (links) como el tercer tipo de agentes que se puede manipular en Netlogo, hasta ahora no hemos trabajado con ellos, principalmente por el hecho de que necesitábamos conocer algunas técnicas de programación para poder sacarles todo el partido que nos puedan dar. En esta entrada haremos un breve repaso a cómo se modelan redes/grafos en NetLogo, usando tortugas como nodos y links como enlaces.

Etiquetas utilizadas: , , , ,

Leer mas »

Lógica de Primer Orden: una Introducción Informal

25 de Septiembre de 2019, ha tenido 4320 vistas

A partir de las bondades que ofrece la Lógica Proposicional, y también conociendo sus limitaciones, damos aquí una introducción (principalmente, informal) de la Lógica de Primer Orden, de sus características diferenciadoras más importantes, destacando su mayor capacidad expresiva, pero también las dificultades adicionales que presenta desde el punto de vista computacional.

Etiquetas utilizadas: , , ,

Leer mas »

ALGUNAS ENTRADAS ANTERIORES ... AL AZAR

Metaheurísticas para Búsqueda y Optimización (Parte 2)

29 de Septiembre de 2018, 2061 vistas

 Otro nombre habitual que se le da a la perspectiva de obtener estrategias en IA es metaheurística. En este contexto, una heurística es un algoritmo que localiza soluciones "suficientemente buenas" para un problema pero sin preocuparse de si se puede probar que la solución sea correcta u óptima. Los métodos heurísticos compensan la precisión y calidad de las soluciones con la eficiencia computacional (en espacio y tiempo). Al igual que las heurísticas, las metaheurísticas pueden ser consideradas un marco algorítmico general que puede ser aplicado a diferentes problemas de optimización con ligeras modificaciones para adaptarlos a los problemas específicos.

Etiquetas utilizadas: , , ,

Resolviendo Problemas de Satisfacción de Restricciones con Hormigas

20 de Noviembre de 2017, 1039 vistas

 Al igual que hemos visto metaheurísticas varias (como BFSA*, o Templado Simulado) para dar soluciones a familias de problemas siempre y cuando pudiéramos representarlos como Espacios de Estados, vamos a usar esta entrada para demostrar cómo podemos usar ACOs para resolver problemas genéricos, siempre y cuando seamos capaces de representarlos como Problemas de Satisfacción de Restricciones. En este sentido, será necesario asociar a cada PSR un grafo de forma que los caminos óptimos en el grafo se asocien a soluciones óptimas en el PSR, así como proporcionar un sistema de probabilidades asociados a las aristas salientes de los nodos para asegurar que las hormigas construyen asignaciones válidas para el PSR considerado.

Etiquetas utilizadas: , , , ,