{"id":8083,"date":"2020-03-19T23:03:11","date_gmt":"2020-03-19T22:03:11","guid":{"rendered":"https:\/\/complex-systems-ai.com\/?page_id=8083"},"modified":"2022-12-03T23:03:55","modified_gmt":"2022-12-03T22:03:55","slug":"carte-auto-organisee","status":"publish","type":"page","link":"https:\/\/complex-systems-ai.com\/es\/algoritmos-neuronales\/tarjeta-auto-organizada\/","title":{"rendered":"Tarjeta autoorganizada"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-page\" data-elementor-id=\"8083\" class=\"elementor elementor-8083\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-0632707 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"0632707\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-ec57550\" data-id=\"ec57550\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9b6a17c elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"9b6a17c\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/algorithmes-neuronaux\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Algorithmes neuronaux<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-3a37e09\" data-id=\"3a37e09\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-ccad472 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"ccad472\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Page d'accueil<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-a20b11e\" data-id=\"a20b11e\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-24e7a88 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"24e7a88\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/fr.wikipedia.org\/wiki\/Carte_auto_adaptative\" target=\"_blank\" rel=\"noopener\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Wiki<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-420b5c77 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"420b5c77\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-651b4b30\" data-id=\"651b4b30\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-2e90c4de elementor-widget elementor-widget-text-editor\" data-id=\"2e90c4de\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p><\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_2 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Contenus<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/complex-systems-ai.com\/es\/algoritmos-neuronales\/tarjeta-auto-organizada\/#Carte-auto-organisee\" >Carte auto-organis\u00e9e<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Carte-auto-organisee\"><\/span>Carte auto-organis\u00e9e<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La carte auto-organis\u00e9e est inspir\u00e9e de cartes de caract\u00e9ristiques de <a href=\"https:\/\/complex-systems-ai.com\/es\/algoritmos-neuronales\/perceptron-es\/\">neurones<\/a> dans le cerveau constitu\u00e9es de cellules sensibles aux caract\u00e9ristiques qui fournissent des projections ordonn\u00e9es entre les couches neuronales, telles que celles qui peuvent exister dans la r\u00e9tine et la cochl\u00e9e. Par exemple, il existe des cartes de caract\u00e9ristiques acoustiques qui r\u00e9pondent aux sons auxquels un animal est le plus souvent expos\u00e9, et des cartes tonotopiques qui peuvent \u00eatre responsables de la pr\u00e9servation de l&rsquo;ordre des r\u00e9sonances acoustiques.<\/p>\n<p><\/p>\n<p>L&rsquo;objectif de traitement de l&rsquo;information de l&rsquo;algorithme de carte auto-organis\u00e9e est de placer de mani\u00e8re optimale une topologie (grille ou treillis) de codes ou de prototypes de vecteurs dans le domaine des \u00e9chantillons de donn\u00e9es d&rsquo;entr\u00e9e observ\u00e9s. Un pool de vecteurs initialement al\u00e9atoire est pr\u00e9par\u00e9 qui est ensuite expos\u00e9 \u00e0 des \u00e9chantillons d&rsquo;apprentissage. Une strat\u00e9gie le gagnant prend tout est utilis\u00e9e lorsque le vecteur le plus similaire \u00e0 un motif d&rsquo;entr\u00e9e donn\u00e9 est s\u00e9lectionn\u00e9, puis le vecteur s\u00e9lectionn\u00e9 et les voisins du vecteur s\u00e9lectionn\u00e9 sont mis \u00e0 jour pour ressembler davantage au motif d&rsquo;entr\u00e9e.<\/p>\n<p>La r\u00e9p\u00e9tition de ce processus entra\u00eene la distribution de vecteurs codebooks dans l&rsquo;espace d&rsquo;entr\u00e9e qui se rapprochent de la distribution sous-jacente des \u00e9chantillons de l&rsquo;ensemble de donn\u00e9es de test. Le r\u00e9sultat est le mappage de la topologie des vecteurs codebooks \u00e0 la structure sous-jacente dans les \u00e9chantillons d&rsquo;entr\u00e9e qui peuvent \u00eatre r\u00e9sum\u00e9s ou visualis\u00e9s pour r\u00e9v\u00e9ler les caract\u00e9ristiques topologiquement pr\u00e9serv\u00e9es de l&rsquo;espace d&rsquo;entr\u00e9e dans une projection de faible dimension.<\/p>\n<p><\/p>\n<p>La carte auto-organis\u00e9e est compos\u00e9e d&rsquo;une collection de vecteurs codebooks reli\u00e9s entre eux dans un arrangement topologique, g\u00e9n\u00e9ralement une ligne unidimensionnelle ou une grille bidimensionnelle. Les vecteurs codebooks eux-m\u00eames repr\u00e9sentent des prototypes (points) au sein du domaine, tandis que la structure topologique impose un ordre entre les vecteurs pendant le processus d&rsquo;apprentissage. Le r\u00e9sultat est une projection ou une approximation de faible dimension du domaine probl\u00e9matique qui peut \u00eatre visualis\u00e9e, ou \u00e0 partir de laquelle des clusters peuvent \u00eatre extraits.<\/p>\n<p><\/p>\n<p>L&rsquo;algorithme suivant fournit un <a href=\"https:\/\/complex-systems-ai.com\/es\/algoritmico\/pseudo-lenguaje-y-diagrama-de-flujo\/\">pseudocode<\/a> pour pr\u00e9parer des vecteurs codebooks \u00e0 l&rsquo;aide de la m\u00e9thode de carte auto-organis\u00e9e. Les vecteurs codebooks sont initialis\u00e9s \u00e0 de petites valeurs \u00e0 virgule flottante ou \u00e9chantillonn\u00e9s \u00e0 partir du domaine. L&rsquo;unit\u00e9 de meilleure correspondance (BMU) est le vecteur codebooks du pool qui a la distance minimale \u00e0 un vecteur d&rsquo;entr\u00e9e. Une mesure de distance entre les motifs d&rsquo;entr\u00e9e doit \u00eatre d\u00e9finie. Pour les vecteurs \u00e0 valeur r\u00e9elle, il s&rsquo;agit g\u00e9n\u00e9ralement de la distance euclidienne:<\/p>\n<p><\/p>\n<figure><img decoding=\"async\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/som1.png\" alt=\"carte auto-organis\u00e9e \" width=\"242\" height=\"81\" title=\"\"><\/figure>\n<p><\/p>\n<p>o\u00f9 n est le nombre d&rsquo;attributs, x est le vecteur d&rsquo;entr\u00e9e et c est un vecteur codebook donn\u00e9.<\/p>\n<p><\/p>\n<p>Les voisins du BMU dans la structure topologique du r\u00e9seau sont s\u00e9lectionn\u00e9s en utilisant une taille de voisinage qui est diminu\u00e9e lin\u00e9airement lors de la formation du r\u00e9seau. Le BMU et tous les voisins s\u00e9lectionn\u00e9s sont ensuite ajust\u00e9s vers le vecteur d&rsquo;entr\u00e9e en utilisant un taux d&rsquo;apprentissage qui est lui aussi diminu\u00e9 lin\u00e9airement avec les cycles d&rsquo;entra\u00eenement:<\/p>\n<p><\/p>\n<figure><img decoding=\"async\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/som2.png\" alt=\"carte auto-organis\u00e9e \" width=\"327\" height=\"38\" title=\"\"><\/figure>\n<p><\/p>\n<p>o\u00f9 c_i (t) est le i-\u00e8me attribut d&rsquo;un vecteur codebooks au temps t, learn_rate est le taux d&rsquo;apprentissage actuel, un x_i est le i-\u00e8me attribut d&rsquo;un vecteur d&rsquo;entr\u00e9e.<\/p>\n<p><\/p>\n<p>Le voisinage est g\u00e9n\u00e9ralement carr\u00e9 (appel\u00e9 bulle) o\u00f9 tous les n\u0153uds de voisinage sont mis \u00e0 jour en utilisant le m\u00eame taux d&rsquo;apprentissage pour l&rsquo;it\u00e9ration, ou gaussien o\u00f9 le taux d&rsquo;apprentissage est proportionnel \u00e0 la distance du voisinage en utilisant une distribution gaussienne (les voisins plus \u00e9loign\u00e9s du BMU sont moins mis \u00e0 jour ).<\/p>\n<p><\/p>\n<figure><img fetchpriority=\"high\" decoding=\"async\" src=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/03\/som3.png\" alt=\"carte auto-organis\u00e9e \" width=\"582\" height=\"533\" title=\"\"><\/figure>\n<p><\/p>\n<p>La carte auto-organis\u00e9e (SOM) a \u00e9t\u00e9 con\u00e7ue pour les probl\u00e8mes d&rsquo;apprentissage non supervis\u00e9s tels que l&rsquo;extraction d&rsquo;entit\u00e9s, la visualisation et le regroupement. Certaines extensions de l&rsquo;approche peuvent \u00e9tiqueter les vecteurs codebooks pr\u00e9par\u00e9s qui peuvent \u00eatre utilis\u00e9s pour la classification. Le SOM n&rsquo;est pas param\u00e9trique, ce qui signifie qu&rsquo;il ne repose pas sur des hypoth\u00e8ses concernant la structure de la fonction qu&rsquo;il rapproche. Les valeurs r\u00e9elles dans les vecteurs d&rsquo;entr\u00e9e doivent \u00eatre normalis\u00e9es de telle sorte que x soit dans [0; 1].<\/p>\n<p><\/p>\n<p>La distance euclidienne est couramment utilis\u00e9e pour mesurer la distance entre des vecteurs \u00e0 valeur r\u00e9elle, bien que d&rsquo;autres mesures de distance puissent \u00eatre utilis\u00e9es (comme le produit scalaire), et des mesures de distance sp\u00e9cifiques aux donn\u00e9es peuvent \u00eatre requises pour les attributs non scalaires.<\/p>\n<p><\/p>\n<p>Il doit y avoir suffisamment d&rsquo;it\u00e9rations de formation pour exposer toutes les donn\u00e9es de formation au mod\u00e8le plusieurs fois. Plus la distribution des classes est complexe, plus il faudra de vecteurs codebooks, certains probl\u00e8mes peuvent n\u00e9cessiter des milliers. Plusieurs passes de l&rsquo;algorithme de formation SOM sont sugg\u00e9r\u00e9es pour une utilisation plus robuste, o\u00f9 la premi\u00e8re passe a un taux d&rsquo;apprentissage \u00e9lev\u00e9 pour pr\u00e9parer les vecteurs codebooks et la deuxi\u00e8me passe a un faible taux d&rsquo;apprentissage et s&rsquo;ex\u00e9cute pendant une longue p\u00e9riode (peut-\u00eatre 10 fois plus d&rsquo;it\u00e9rations ).<\/p>\n<p><\/p>\n<p>Le SOM peut \u00eatre visualis\u00e9 en calculant une matrice de distance unifi\u00e9e (U-Matrix) qui met en \u00e9vidence les relations entre les n\u0153uds dans la topologie choisie. Une analyse en composantes principales (ACP) ou une cartographie de Sammon peut \u00eatre utilis\u00e9e pour visualiser uniquement les n\u0153uds du r\u00e9seau sans leurs inter-relations.<\/p>\n<p><\/p>\n<p>Une topologie de grille 2D rectangulaire est g\u00e9n\u00e9ralement utilis\u00e9e pour un SOM, bien que des topologies toro\u00efdale et sph\u00e9rique puissent \u00eatre utilis\u00e9es. Les grilles hexagonales ont donn\u00e9 de meilleurs r\u00e9sultats sur certains probl\u00e8mes et des grilles de dimensions sup\u00e9rieures ont \u00e9t\u00e9 \u00e9tudi\u00e9es.<\/p>\n<p><\/p>\n<p>Les positions des neurones peuvent \u00eatre mises \u00e0 jour progressivement ou dans un mod\u00e8le par lots (chaque \u00e9poque \u00e9tant expos\u00e9e \u00e0 tous les \u00e9chantillons d&rsquo;apprentissage). La formation par lots devrait g\u00e9n\u00e9ralement aboutir \u00e0 un r\u00e9seau plus stable.<\/p>\n<p><\/p>\n<p>Les param\u00e8tres de taux d&rsquo;apprentissage et de voisinage diminuent g\u00e9n\u00e9ralement de fa\u00e7on lin\u00e9aire avec les it\u00e9rations d&rsquo;apprentissage, bien que des fonctions non lin\u00e9aires puissent \u00eatre utilis\u00e9es.<\/p>\n<p><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>P\u00e1gina de inicio de Wiki de algoritmos neuronales Mapa autoorganizado El mapa autoorganizado est\u00e1 inspirado en los mapas de caracter\u00edsticas neuronales en el cerebro formados por c\u00e9lulas sensibles... <\/p>","protected":false},"author":1,"featured_media":0,"parent":7157,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-8083","page","type-page","status-publish","hentry"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8083","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/comments?post=8083"}],"version-history":[{"count":7,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8083\/revisions"}],"predecessor-version":[{"id":18921,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/8083\/revisions\/18921"}],"up":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/7157"}],"wp:attachment":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/media?parent=8083"}],"curies":[{"name":"gracias","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}