Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de la ANN.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una ANN.
- Funciones de activación utilizadas en las ANNs.
- Clases típicas de arquitecturas de redes.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Revisión del álgebra vectorial y matricial.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje por corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de capa única.
- 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.
ANN de avance hacia adelante (Feedforward).
- Estructuras de redes multicapa de avance hacia adelante.
- Algoritmo de retropropagación.
- Retropropagación: entrenamiento y convergencia.
- Aproximación funcional con retropropagación.
- Cuestiones prácticas y de diseño del aprendizaje por retropropagación.
Redes de Función de Base Radial (RBF).
- Separabilidad e interpolación de patrones.
- Teoría de la regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de las RBF.
Aprendizaje Competitivo y ANN Autoorganizativas.
- Procedimientos generales de agrupamiento.
- Cuantización por Vector de Aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativos.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos.
- Diseño de ANNs 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 conjuntos finitos de hipótesis – caso consistente
- Garantías para conjuntos finitos de hipótesis – caso inconsistente
- Aspectos generales
- Escenarios deterministas vs. estocásticos
- Ruido del error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y Dimensión VC
- Compromiso sesgo-varianza
- Regularización
- Sobreajuste (Overfitting)
- Validación
- Máquinas de Soporte Vectorial
- Kriging (Regresión de Procesos Gaussianos)
- PCA y PCA Kernelizado
- Mapas Autoorganizativos (SOM)
- Espacio vectorial inducido por Kernel
- Kernel Mercer y métricas de similitud inducidas por Kernel
- Aprendizaje por Refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Se impartirá en relación con los temas cubiertos el Día 1 y el Día 2
- Regresión Logística y Softmax
- Autoencoders dispersos
- Vectorización, PCA y Blanqueo (Whitening)
- Aprendizaje autodidacta
- Redes Profundas
- Decodificadores Lineales
- Convolución y Agrupamiento (Pooling)
- Codificación dispersa
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demostraciones y Aplicaciones
Requerimientos
Se requiere un buen entendimiento de matemáticas.
Se requiere un buen entendimiento de estadística básica.
No se requieren habilidades básicas de programación, 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
