RNA – 2 Definiendo las entradas y salidas.

efecto

Si usted ha leído RNA -1 acá continua.

Voy a tratar de ser simple y explicar un poco de que se trata el perceptrón multicapa que define el motor del ED Neuronal. Ante todo debemos disponer de una base de datos cuyos datos asociados por un objetivo definan un resultado, es decir partiendo de la realidad que datos fueron causa de la misma. En el caso de entrenamiento deportivo y planificación en base al PMC queremos conocer que rampa incremental de CTL es la adecuada para determinado atleta o bien atletas que se encuentren dentro de un cierto rango de cualidad k1 y k2 , el historial de rampas a determinados CTL y TSB y su efecto en la performance definen el conjunto de datos seleccionados y el aprendizaje de dicho perceptrón multicapa. Siempre cumpliendo con los principios del entrenamiento deportivo en este caso sobrecarga.

Para simplificar un poco vamos a utilizar dos datos semanales Intensidad relativa promedio y horas entrenadas semanales (volumen) estas son las entradas al PrT como muestra la figura. Hay que tener en cuenta que EDNeuronal es una red de redes es decir que para que EDNeuronal proporcione una alternativa de plan semanal se deben ejecutar varias redes cada una con distinto fin. En este caso veremos una de las redes la RVI

efecto

Este perceptron esta vació debemos enseñarle y para eso se requiere de varios juegos de datos reales y su salida real, por ejemplo :

X1 = Avg IFR semanal    X2 = Horas semanales   Y = 1 rampa adecuada   Y=0 rampa errónea

val

Una vez ingresados los valores obtendremos salidas aleatorias y deben ser ajustadas para reducir el error frente al resultado real, una vez que obtenga un valor consistente para cada juego del aprendizaje puedo tener una idea del grado de certeza del perceptron.

Es decir podemos procesar los valores X1 y X2 unas 20 épocas e ir corrigiendo el error hasta obtener el menor error posible. Una vez que el perceptron aprendió podemos ingresar valores de prueba y validar, pero ojo siempre los valores deben ser representativos y coherentes , en caso contrario obtendremos basura.  Una vez que validamos obtendremos un valor de predicción del  err% . Cuando un atleta carga un estimulo EDN automáticamente se ejecuta y verifica los estímulos restantes, en caso que encuentre un 0 re calcula el resto de la semana para obtener una rampa adecuada es decir busca el 1.

Esto ocurre cuando el atleta supera el stress recetado y la rampa se encuentra en riesgo. TSS > PRED_TSS , en esta grafica podemos ver una planificación sin auto corrección de EDN.ptss1

En la planificación aparece el cartel de desvió TSS.

ptss2

El siguiente ejemplo es un caso de uso utilizando EDN y una perfecta correlación del PRED y el real,

ptss3

En este graf se puede ver arriba un atleta usando EDN sus rampas son auto-adaptadas y dentro de lo seguro, el de abajo el atleta no usa EDN y recién el entrenador toma cartas en el asunto en la otra semana.

edn1

Cuando los planes se realizan en forma desentendida por ejemplo planificación mensual, EDN toma un rol predominante así también cuando el plan es realizado semanal, para que EDN pueda atender se deb cargar rigurosamente todos los días luego de realizar el entrenamiento. El proceso de auto-adaptación requiere unos 5min por época estos procedimientos son realizados en el servidor, es decir EDN cambia lo planificado luego de 5min x 365 días cargados en su historial.