Ejercicio: Perceptrón como predictor de tumores malignos

Se busca realizar implementar un perceptrón que sea capaz de predecir con bajo porcentaje de error si un tumor sera o no maligno a base de una serie de parámetros (32) entre los que se encuentran:

• Radio (Distancia promedio desde el centro hasta los puntos que conforman el perímetro)
• Textura (Desviación estándar de los valores de la escala de grises)
• Perímetro
• Área
• Suavidad (Variación local en el la longitud del radio)
• Compacidad (Perímetro^2 / área – 1.0)
• Concavidad
• Cantidad de puntos cóncavos
• Simetría
• Dimensiones fractales («coastline approximation» – 1)

(Una mayor descripción esta disponible en el archivo descargable)

Introducción a la Computación Neural

Es una técnica usada en Machine Learning que involucra el uso de modelos inspirados en grupos de neuronas artificiales. Las neuronas artificiales son aproximaciones crudas que simulan el comportamiento de neuronas biológicas.

Ventajas de la computación neural:

• Computación paralela: se pueden usar varias computadoras para diseminar el calculo.
• Son computadores universales: Maquinas de Turin.
• Poseen buena generalización: buen comportamiento en el mundo real: reaccionan bien ante el ruido, los errores de medición entre otras características.

Testimonio: Terremoto Ecuador 2016

Quiero compartir con todos este testimonio desde las manos de quienes hacen ‘La Barra Espaciadora‘. Cuando las redes sociales y los medios de comunicación esta atestados de malas noticias por los recientes acontecimientos, siempre es grato encontrarse con esperanza y positivismo.

Solución: Python version 2.7 required, which was not found in the registry

Existe este problema cuando se quiere instalar sobre una computadora de 64bits ciertos módulos de python que están diseñados para ser usados en con python de 32 bits, dado que el instalador de dichos módulos busca en el registro, lo único que se debe hacer es agregar la clave al registro que le indique al instalador donde copiar sus datos.

Ejecutamos CMD para acceder a la consola de windows y aquí ejecutamos, con permisos de administrador, ‘regedit’ para poder modificar directamente el registro.

La clave que necesitamos copiar se encuentra dentro de:

HKEY_LOCAL_MACHINE\SOFTWARE\Wow6432Node\Python\PythonCore\2.7\InstallPath

Necesitamos copiar todas las ‘keys’ dentro del directorio con sus respectivos valores dentro de un nuevo directorio ubicado en:

HKEY_LOCAL_MACHINE\SOFTWARE\Python\PythonCore\2.6\InstallPath

Las ‘keys’ que necesitamos copiar se muestran en la imagen siguiente:

Refinación de la generación de candidatos

Debido a la rigurosidad de los pasos de muestro durante el proceso de ventana deslizante el sistema mostrara varias ventanas que señalen identificaciones positivas para un solo elemento, tal como se muestra en la imagen de portada; a fin de corregir este problema se ha establecido un método refinamiento de los candidatos seleccionados.

Generación de ventanas candidato

Hasta este punto hemos estudiado el módulo de clasificación de candidatos el cual determina si la ventana seleccionada contiene o no una identificación valida, sin embargo aun queda por analizar el algoritmo previo a este paso, el cual, ayuda a obtener las ventanas que serán clasificadas. En esta entrada se ven los conceptos de:

• Re-escalado a dimensiones canónicas de las ventanas de entrenamiento.
• Ventana deslizante
• Regiones de interés de análisis (ROI)
• Recorrido piramidal de la ventana deslizante

Conceptos complementarios para el aprendizaje automático con regresión logística

Esta entrada esta orientada a agregar y/o complementar algunos conceptos de importancia en el campo de la visión artificial y el aprendizaje automático.

• Fronteras no lineales
• Sobreajuste (Overfitting) y sobregeneralización (underfitting)
• Regularización de la regresión logística
• Algoritmo de máxima verosimilitud condicional (Maximun Conditional Likehood)
• Clasificación Multi-Clase

Algoritmo de minimización de función convexa del coste

La optimización matemática se centra en la búsqueda de metodologías para la toma de decisiones basadas en la maximización o minimización de funciones tomando como base parámetros dados. Al tratar específicamente el campo de la optimización de funciones convexas se refiere a minimizar funciones reales convexas definidas para una variable contenida en el espacio vectorial.
La minimización de funciones convexas tiene gran aplicación en ramas de la ingeniería porque al usar este tipo de aproximaciones se puede identificar visualmente  la estructura de la solución óptima. En funciones convexas cualquier solución local es también una solución global, además, existen teoremas de dualidad y condiciones de punto optimo que ayudan a verificar la solución determinada.

Introducción al aprendizaje automático y Minimización del coste de error

Aprendizaje Automático

También conocido como ´Machine Learning´ por su nombre en inglés, es una técnica informática de la rama de la Inteligencia Artificial que tiene como objetivo desarrollar técnicas que permitan a las computadoras desarrollar enunciados lógicos que agreguen características o correcciones al código, o en otras palabras, que le permitan al sistema aprender. De forma más concreta, en palabras de Fernando Sancho Caparrini en su blog personal:

Se trata de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento, es decir, un método que permite obtener por generalización un enunciado general a partir de enunciados que describen casos particulares.

Probabilidad aplicada a la regresión logística

En el campo de la inteligencia artificial los modelos predictivos basados en regresiones y en métodos probabilísticos constituyen las técnicas más propagadas  para lograr combinar la información obtenida desde variedad de sensores y lograr que el computador determine de forma automática el mejor curso de acción.