Institución Facultad de Cs. Físicas y Matemáticas Facultad de Cs. Físicas y Matemáticas
Disponible desde Primavera 2003
Cursos Asociados Otras realizaciones de este Curso
Objetivos Generales:

Introducir al alumno a la teoría de redes neuronales artificiales con énfasis en los algoritmos de aprendizaje a partir de ejemplos.



Específicos:

a) Entender los algoritmos de aprendizaje supervisado, auto-organizado, recurrente e híbrido.

b) Comprender la capacidad representacional y de generalización de las redes neuronales.

c) Aprender técnicas para el diseño óptimo de redes neuronales.

d) Conocer la aplicaciones de ingeniería tales como optimización, clasificación, reconocimiento de patrones, compresión de datos, procesamiento de señales, predicción de series de tiempo y sistemas expertos.
Descripción CONTENIDOS: Hrs. de Clases

1. Introducción. 4

Introducción a las redes neuronales artificiales. Historia, definiciones y aplicaciones.



2. Red perceptrón de una capa. 10

El modelo perceptrón. Teorema de aprendizaje perceptrón. Separabilidad lineal. Capacidad. Algoritmo de Bolsillo. Combinador lineal adaptivo. Método del gradiente. Método de Newton. Algoritmo LMS. Regla delta. Aplicación a la cancelación de ruido.



3. Redes perceptrón multicapa. 12

Método de retropropagación del error. Mejoras al método. Aplicación a la clasificación de sonares. Reconocimiento de patrones. Teoría estadística del reconocimiento de patrones. Redes neuronales y clasificadores Bayesianos. Generalización. Dilema sesgo-varianza. Aproximación de funciones. Redes neuronales como aproximadores universales. La dimensión de Vapnik-Chervonenkis. Aplicaciones.



4. Métodos avanzados. 8

Métodos de segundo orden. Métodos de poda. Algoritmos constructivos. Máquinas de Soporte Vectorial (SVM). Aplicaciones.

5. Aprendizaje no-supervisado. 10

Cuantización vectorial. Mapa auto-organizativo de Kohonen. Algoritmo LVQ. Aplicaciones. Medidas de preservación de la topología. Mapa auto-organizativo constructivo. Gases neuronales. Análisis de componentes principales. Aprendizaje Hebbiano.



6. Redes recurrentes. 10

Redes de Hopfield. Memorias asociativas. Optimización combinatorial. Aprendizaje recurrente en tiempo real (RTRL). Red FIR. Retropropagación temporal. Aplicación a predicción de series de tiempo y al control automático.



7. Redes híbridas. 6

Redes neuro-difusas. Modelo ANFIS. Modelo de mezcla de expertos. Algoritmo EM. Combinación de redes neuronales. Extracción de reglas. Aplicaciones.
Evaluación La Nota de Control NC, es el promedio aritmético de las notas obtenidas en los dos controles parciales (C1, C2) y el Examen (EX). De acuerdo al reglamento de la escuela el examen reemplaza a la nota más baja de los controles.

NC = (C1 + C2 + Ex) / 3

La Nota de Tareas NT, se calcula sin eliminar ninguna tarea:

NT = (T1 + T2 + T3 + T4 + 2*TP) / 6

El trabajo personal (TP) consistirá en un proyecto concreto a desarrollar por uno o dos alumnos donde se utilicen técnicas de redes neuronales en forma experimental (simulaciones). Cada grupo deberá hacer un presentación de 15 minutos y un informe.

La aprobación del curso requiere que NC sea igual o superior a 4.0 y que el promedio de tareas sea también superior a 4.0. La Nota Final se calculará como:

NF = 0.6*NC + 0.4*NT
Programa del Curso Aún no ha subido el programa
Compartir