Programa del Curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de ANN.
-
Bioneuronas lógicas y neuronas artificiales.
Modelo de una ANN.
Funciones de activación utilizadas en las RNA.
Clases típicas de arquitecturas de red.
Mathematica l Fundamentos y mecanismos de aprendizaje.
-
Revisión del álgebra vectorial y matricial.
Conceptos de espacio de estados.
Conceptos de optimización.
Aprendizaje de corrección de errores.
Aprendizaje basado en la memoria.
Aprendizaje hebbiano.
Aprendizaje competitivo.
Perceptrones de una sola capa.
-
Estructura y aprendizaje de los perceptrones.
Clasificador de patrones: introducción y clasificadores de Bayes.
Perceptrón como clasificador de patrones.
Convergencia de perceptrones.
Limitaciones de los perceptrones.
Feedforward ANN.
-
Estructuras de redes feedforward multicapa.
Algoritmo de propagación hacia atrás.
Retropropagación: formación y convergencia.
Aproximación funcional con retropropagación.
Cuestiones prácticas y de diseño del aprendizaje de la propagación hacia atrás.
Redes de funciones de base radial.
-
Separabilidad e interpolación de patrones.
Teoría de la Regularización.
Redes de regularización y RBF.
Diseño y capacitación de redes RBF.
Propiedades de aproximación de RBF.
Aprendizaje competitivo y autoorganización ANN.
-
Procedimientos generales de agrupación.
Cuantización de vectores de aprendizaje (LVQ).
Algoritmos y arquitecturas de aprendizaje competitivo.
Mapas de entidades autoorganizados.
Propiedades de los mapas de entidades.
Difuso Neural Networks.
-
Sistemas neuro-difusos.
Antecedentes de conjuntos difusos y lógica.
Diseño de tallos difusos.
Diseño de RNAs difusas.
Aplicaciones
-
Se discutirán algunos ejemplos de aplicaciones de redes neuronales, sus ventajas y problemas.
DÍA -2 APRENDIZAJE AUTOMÁTICO
-
El Marco de Aprendizaje PAC
Garantías para un conjunto finito de hipótesis: caso coherente
Garantías para un conjunto finito de hipótesis – caso inconsistente
Generalidades
Determinista cv. Escenarios estocásticos
Ruido de error de Bayes
Errores de estimación y aproximación
Selección de modelos
Requerimientos
Buena comprensión de las matemáticas.
Good comprensión de la estadística básica.
No se requieren conocimientos básicos de programación, pero se recomiendan.
Testimonios (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.