Monografía Y Presentación del trabajo realizado a lo largo del curso.

Código Fuente y Aplicación se encuentran en los siguientes enlaces respectivamente.

https://gitlab.com/rozvi14/emotionrecognition_train
https://play.google.com/store/apps/deta ... ecognition

Integrantes:

CALACHUA RAMOS, Gerson
NEGRETE GIRANO, Luis
PAREDES CALDERON, Rozvi

En este documento, se propone un enfoque de optimización multiobjetivo basado en un algoritmo microgenético (micro-GA) que es un genético algoritmo con una población muy pequeña (cuatro personas se utilizaron en este experimento) y un proceso de reinicialización. Se usan tres formas de elitismo y un recuerdo para generar la población inicial de la micro-GA. El enfoque se prueba con varias funciones estándar que se encuentran en la literatura. Los resultados obtenidos son muy alentadores, ya que muestran que este enfoque simple puede producir una parte importante de la Frente de Pareto a un costo computacional muy bajo.

En este artículo, se propone una técnica de agrupación basada en algoritmos genéticos, llamada GA-clustering. La búsqueda de la capacidad de los algoritmos genéticos se explota con el fin de buscar centros de clúster apropiados en el espacio de características tales que se optimiza una métrica de similitud de los clusters resultantes. Los cromosomas, que se representan como cadenas de números, codifican los centros de un "número red de clusters. La superioridad del algoritmo de agrupación GA sobre el
El algoritmo comúnmente usado de K-means se demuestra ampliamente para cuatro conjuntos de datos artificiales y tres de la vida real.

Clustering se refiere a la división de datos en grupos de objetos similares. En el clustering, algunos detalles se descartan a cambio de la simplificación de datos. El mismo puede verse como una técnica de modelado de datos que proporciona resúmenes concisos de los datos. Por lo tanto, el clustering está relacionado con muchas disciplinas y desempeña un papel importante en una amplia gama de aplicaciones. Las aplicaciones de clustering generalmente tratan con grandes conjuntos de datos y datos con muchos atributos. La exploración de tales datos es un tema de minería de datos. Esta encuesta se concentra en algoritmos de clustering desde una perspectiva de minería de datos.

Este artículo presenta los resultados de un estudio experimental de algunas técnicas comunes de agrupación de documentos: aglomeración agrupamiento jerárquico y K-means. (Se utiliza tanto un "estándar" Algoritmo K-means y algoritmo K-means "bisectante"). Los resultados obtenidos nos indican que la técnica bisectriz de K-means es mejor que el enfoque estándar K-means y como bueno o mejor que los enfoques jerárquicos que se testearon.

Clustering se refiere a la clasificación no supervisada de patrones (observaciones, elementos de datos o vectores de características) en grupos (clusters). El problema del clustering ha sido abordado en muchos contextos y por investigadores en muchas disciplinas; esto refleja su amplio atractivo y utilidad como uno de los pasos en el análisis de datos exploratorios. Sin embargo, la agrupación es un problema difícil de forma combinatoria, y las diferencias en las suposiciones y los contextos en las diferentes comunidades han hecho que la transferencia de conceptos genéricos y metodologías útiles sea lenta. Este documento presenta una visión general de los métodos de agrupamiento de patrones desde una perspectiva de reconocimiento estadístico de patrones, con el objetivo de proporcionar consejos útiles y referencias a conceptos fundamentales accesibles para la amplia comunidad de profesionales en clustering. Se presenta una taxonomía de técnicas de agrupamiento e identificamos temas transversales y avances recientes. También se describen algunas aplicaciones importantes de los algoritmos de agrupamiento, como la segmentación de imágenes, el reconocimiento de objetos y la recuperación de información.

En Support Vector Machines (SVM), la solución del problema de clasificación se caracteriza por un problema de programación cuadrática (convexa) (QP). En una versión modificada de SVM, llamada mínimos cuadrados SVM clasificadores (LS-SVM), se propone una función de costo por mínimos cuadrados para obtener un conjunto lineal de ecuaciones en el espacio dual; si bien el clasificador SVM tiene una gran interpretación de margen, la formulación LS-SVM está relacionada en este papel a un enfoque de regresión cresta para la clasificación con objetivos binarios y discriminante lineal de Fisher, análisis en el espacio de características.
Los conjuntos de datos se utilizan para evaluar el rendimiento del conjunto de prueba de los clasificadores LS-SVM con lineales, polinomiales y radiales. Los núcleos de función de base (RBF). Tanto el clasificador SVM como el LS-SVM con kernel RBF en combinación con los procedimientos estándar de validación cruzada para la selección de hiperparámetros logran rendimientos comparables del conjunto de prueba.
Estas prestaciones de SVM y LS-SVM son consistentemente muy buenas cuando se comparan con una variedad de métodos descritos en la literatura incluyendo algoritmos basados ​​en árbol de decisión, algoritmos estadísticos y aprendizaje basado en instancias métodos.

En el presente artículo, se investiga la aplicación de Support Vector Machines (SVM) en la visión por computadora. SVM es una técnica de aprendizaje desarrollado por V. Vapnik y su equipo (AT & T Bell Labs.) Que se puede ver como un nuevo método para entrenar polinomida, red neuronal, o clasificadores de Funciones de Base Radial. Las surjiaces de decisión se encuentran resolviendo una restricción lineal problema de programación cuadrática. Esta optimización es un problema desafiante porque la forma cuadrática es completamente densa y los requisitos de memoria crecen con el cuadrado del número de puntos de datos.
Se presenta un algoritmo de descomposición que garantiza optimalidad global, y se puede utilizar para entrenar SVM sobre grandes conjuntos de datos. La idea principal detrás de la descomposición es la solución iterativa de sub-problemas y la evaluación condiciones de optimalidad que se utilizan tanto para generar valores iterativos mejorados, y también establecer la parada criterios para el algoritmo.
Finalmente, se presentan los resultados experimentales de la implementación de SVM, y se demuestra la viabilidad del enfoque propuesto sobre un problema de detección de rostros que involucra un conjunto de datos de 50,000 puntos de datos.

En el presente artículo, el conocimiento previo en forma de múltiples conjuntos poliédricos, cada uno de los cuales a una de dos categorías, se introduce en una reformulación de un clasificador de máquina de vector de soporte lineal. La formulación resultante conduce a un programa lineal que se puede resolver de manera eficiente. Ejemplos del mundo real, a partir de la secuenciación del ADN y el pronóstico del cáncer de mama, demuestran la efectividad del método propuesto. Los resultados numéricos muestran una mejora en la precisión del conjunto de pruebas después de la incorporación del conocimiento previo en soporte lineal ordinario basado en datos clasificadores de máquinas vectoriales. Un experimento también muestra que un clasificador lineal , basado únicamente en el conocimiento previo, supera con creces, la aplicación directa de las reglas de conocimiento previo para clasificar los datos.

En los últimos años, las redes neuronales artificiales profundas (incluidas las recurrentes) han ganado numerosos concursos de reconocimiento de patrones y aprendizaje automático. Esta encuesta histórica resume de manera compacta el trabajo relevante, durante gran parte del milenio anterior. Estas redes se distinguen por la profundidad de sus trayectorias de asignación de créditos, que son cadenas de enlaces causales, posiblemente aprendibles, entre acciones y efectos. Se repasa, asimismo, el aprendizaje supervisado profundo (también recapitulando la historia de la retropropagación), el aprendizaje no supervisado, el aprendizaje de refuerzo y la computación evolutiva, y la búsqueda indirecta de programas cortos que codifican redes profundas y grandes.