Máquinas de vectores soporte

Ajedrez

PatternRecognizer es una librería rápida de algoritmos de aprendizaje automático. Contiene máquina de vectores soporte, redes neuronales, bayes, boost, k-nearest neighbor, árbol de decisión, ..., etc.

Este ejemplo demuestra el aprendizaje de patrones de tablero de ajedrez con una máquina de vectores soporte, el patrón de tablero de ajedrez es un conjunto de datos sintéticos formado por 640 puntos aleatorios.



leyenda: los cuadrados son vectores de apoyo.

Clasificador perceptrón de una capa

Esta aplicación de ejemplo es similar a la anterior, pero demuestra la clasificación de más clases de datos (también todas ellas son linealmente separables del resto de datos). Para poder clasificar más clases esta aplicación utiliza ya una capa de perceptrones, pero no una sola. La red neuronal más simple demostrada tiene un número de salidas igual al número de clases. Para una entrada dada, la red establece una de sus salidas en 1 y el resto de salidas en 0. La salida con el valor establecido en 1 representa la clase del valor dado a la red.

Detección de caras (detector de objetos Haar)

Detección de caras mediante el método de detección de caras basado en características rectangulares tipo Haar, a menudo conocido como método Viola-Jones.

Seguimiento facial

Seguimiento de caras (u objetos) utilizando Viola-Jones para la detección de caras y Camshift como rastreador de objetos. Puede utilizarse en espacios de color RGB y HSL (puede requerir algún ajuste para HSL).

Predicción financiera

Esta aplicación demuestra el uso de redes neuronales para predecir valores de cuota de mercado.

Esta capacidad de "previsión" los convierte en una herramienta perfecta para varios tipos de aplicaciones:

• Interpolación y aproximación de funciones
• Predicción de tendencias en datos numéricos
• Predicción de movimientos en los mercados financieros

En realidad, todos los ejemplos son muy similares, porque en términos matemáticos, se trata de definir una función de predicción F(X₁, X₂, ..., X_n), que en función de los datos de entrada (vector [X₁, X₂, ..., X_n]), va a "adivinar" (interpolar) la salida Y. El ámbito más apasionante de la predicción se sitúa en el campo del mercado financiero.

Reconocimiento de los gestos de la mano en tiempo real

Reconocimiento de gestos de la mano en tiempo real, basado en redes neuronales (perceptrón multicapa, NN de Hopfield)

Como parte de la aplicación se produce el reconocimiento de patrones (gestos de la mano), tomada con la cámara. Posición de la mano en la imagen se determina por el color de píxeles mano. Para el reconocimiento de patrones utilizando redes neuronales (multicapa perceptrón, Hopfield red neuronal). El reconocimiento se produce en tiempo real

Esta captura de pantalla muestra la ventana principal de la aplicación, así como el resultado del reconocimiento

Esto muestra los colores de la ventana de configuración y la elección de los espacios de color.

BAOA (Análisis en línea de macrodatos)

BAOA es el más popular para la minería de flujos de datos. Incluye una colección de algoritmos de aprendizaje automático (clasificación, regresión, agrupación, detección de valores atípicos, detección de desviación de conceptos y sistemas de recomendación) y herramientas para su evaluación.

BAOA (Big Data On-line Análisis) es un marco para minería de flujos de datos. Incluye herramientas de evaluación y una colección de algoritmos de aprendizaje automático. El objetivo de BAOA es crear un marco de referencia para la realización de experimentos en el contexto de la minería de flujos de datos, demostrando que

• configuraciones almacenables para flujos de datos (reales y sintéticos) para experimentos repetibles
• un conjunto de algoritmos y medidas existentes en la literatura para su comparación y
• un marco fácilmente ampliable para nuevos flujos, algoritmos y métodos de evaluación.

El flujo de trabajo en BAOA sigue el sencillo esquema que se muestra a continuación: primero se elige y configura un flujo de datos (alimentación, generador), segundo se elige un algoritmo (por ejemplo, un clasificador) y se fijan sus parámetros, tercera se elige el método o medida de evaluación y, por último, se obtienen los resultados tras ejecutar la tarea.

Para ejecutar un experimento con BAOA, el usuario puede elegir entre una interfaz gráfica de usuario (GUI) o una ejecución por línea de comandos. BAOA soporta actualmente la clasificación de flujos, la agrupación de flujos, la detección de valores atípicos, la detección de cambios y la deriva de conceptos y sistemas de recomendación. Estamos trabajando en la ampliación de BAOA para que soporte otras tareas de minería de flujos de datos.