Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y Estructura de las RNN.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una RNN.
- Funciones de activación utilizadas en RNN.
- Clases típicas de arquitecturas de red .
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra de vectores y matrices.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje por corrección de error.
- Aprendizaje basado en memoria.
- Aprendizaje de Hebb.
- Aprendizaje competitivo.
Perceptrones de capa simple.
- Estructura y aprendizaje de perceptrones.
- Clasificador de patrones - introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de los perceptrones.
RNN feedforward.
- Estructuras de redes feedforward multicapa.
- Algoritmo de backpropagation.
- Backpropagation - entrenamiento y convergencia.
- Aproximación funcional con backpropagation.
- Aspectos prácticos y de diseño del aprendizaje por backpropagation.
Redes de Funciones Base Radiales.
- Separabilidad de patrones e interpolación.
- Teoría de regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de RBF.
Aprendizaje competitivo y RNN autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización de vectores de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativas.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Fundamentos de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos.
- Diseño de RNN difusas.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de redes neuronales, así como sus ventajas y problemas.
DÍA 2 - MACHINE LEARNING
- Marco de aprendizaje PAC
- Garantías para conjuntos de hipótesis finitos – caso consistente
- Garantías para conjuntos de hipótesis finitos – caso inconsistente
- Generalidades
- Escenarios deterministas vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y Dimensión VC
- Compromiso sesgo-varianza
- Regularización
- Sobreajuste
- Validación
- Máquinas de Vectores de Soporte
- Kriging (regresión de procesos gaussianos)
- ACP y ACP de núcleos (PCA y Kernel PCA)
- Mapas de autoorganización (SOM)
- Espacio vectorial inducido por núcleos
- Núcleos de Mercer y métricas de similitud inducidas por núcleos
- Aprendizaje por refuerzo
DÍA 3 - DEEP LEARNING
Se enseñará en relación con los temas cubiertos en el Día 1 y el Día 2
- Regresión Logística y Softmax
- Autoencoderes dispersos
- Vectorización, ACP y Blanqueamiento
- Aprendizaje autodidacta
- Redes profundas
- Decodificadores lineales
- Convolución y Pooling
- Codificación dispersa
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demos y Aplicaciones
Requerimientos
Buena comprensión de matemáticas.
Buena comprensión de estadística básica.
Las habilidades básicas de programación no son obligatorias, pero se recomiendan.
Reseñas (2)
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
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.
Jonathan Blease
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
