unsupervised-solver

Requerimientos

Para correr el solver, es necesario tener instalado Python 3.

Además, deben instalarse numpy, matplotlib, sklearn y pandas, lo cual se puede lograr con

python3 -m pip install numpy
python3 -m pip install matplotlib
python3 -m pip install sklearn
python3 -m pip install pandas

Versiones

Para el desarrollo, se utilizó la versión Python 3.8.5.

Ejecución PCA

Para ejecutar el análisis PCA sobre data_file, se debe ejecutar desde la raíz del proyecto

python3 pca.py

Ejecución Oja

Para ejecutar el análisis con la regla de Oja sobre data_file, se debe ejecutar desde la raíz del proyecto

python3 oja.py

Ejecución Kohonen

Para ejecutar el análisis con la red de Kohonen sobre data_file, se debe ejecutar desde la raíz del proyecto

python3 kohonen.py

Ejecución Hopfield

Para ejecutar el análisis con la red de Hopfield sobre los patrones almacenados en pattern_dir, se debe ejecutar desde la raíz del proyecto

python3 hopfield.py

Configuraciones

Todas las configuraciones de ejecución se establecen en el archivo config.json. A continuación, se explica a qué hace referencia cada configuración:

data_file indica la dirección del archivo .csv sobre el cual se desea realizar el análisis de componentes principales (Eg: europe.csv).
oja contiene las configuraciones de la regla de Oja:
- eta indica el valor de eta a utilizar.
- epoch indica la cantidad de épocas a analizar.
kohonen contiene las configuraciones de la red de Kohonen:
- k indica el lado de la matriz de salida (la matriz será de k x k).
- eta_init indica el valor inicial a tomar de eta.
- w0_random_init indica si se utilizan pesos iniciales aleatorios entre 0 y 1 (false) o si se toman muestras al azar para los mismos (true).
- kxk_iterations indica el factor para calcular el número de épocas. Se realizarán kxk_iterations * k * k épocas.
- normalize_data indica si, luego de estandarizar los datos de entrada, se los normaliza (true) o no (false).
- neighbour_dist_adj indica si se desea ajustar el eta según proximidad con la neurona ganadora (true) o se desea usar el mismo eta para todas las neuronas vecinas (false).
hopfield contiene las configuraciones de la red de Hopfield:
- pattern_dir indica el directorio donde se encuentran los archivos con los patrones de 5x5 conocidos.
- mutation_prob indica la probabilidad de mutar para cada píxel del patrón seleccionado al azar.
- max_iterations indica el número máximo de iteraciones (para evitar loops infinitos).
plot indica si se desean (true) o no (false) realizar ploteos.

Ejemplo 1

{
	"data_file": "europe.csv",

	"oja": {
		"eta": 0.01,
		"epoch": 100
	},

	"kohonen": {
		"k": 4,
		"eta_init": 0.5,
		"w0_random_init": false,
		"kxk_iterations": 300,
		"normalize_data": true,
		"neighbour_dist_adj": true
	},

	"hopfield": {
		"pattern_dir": "known_patterns",
		"mutation_prob": 0.2,
		"max_iterations": 20
	},

	"plot": true
}

Ejemplo 2

{
	"data_file": "europe.csv",

	"oja": {
		"eta": 0.01,
		"epoch": 30
	},

	"kohonen": {
		"k": 3,
		"eta_init": 0.5,
		"w0_random_init": false,
		"kxk_iterations": 300,
		"normalize_data": true,
		"neighbour_dist_adj": true
	},

	"hopfield": {
		"pattern_dir": "known_patterns",
		"mutation_prob": 0.5,
		"max_iterations": 20
	},

	"plot": true
}

Presentación

Link a la presentación completa: https://docs.google.com/presentation/d/1bkWAAJODj1_GEiNs0r19yur51Yds5wnW4Lkom7KuZq4/edit#slide=id.p1

jtallar / unsupervised-learning