Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de la RNAS.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una RNAS.
- Funciones de activación utilizadas en las RNAS.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Revisión del álgebra vectorial y matricial.
- Conceptos de espacio de estado.
- Conceptos de optimización.
- Aprendizaje por corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje de Hebb.
- Aprendizaje competitivo.
Perceptrones de capa única.
- Estructura y aprendizaje de los perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- Perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de un perceptrón.
RNAS de alimentación hacia adelante (Feedforward).
- Estructuras de redes de alimentación hacia adelante multicapa.
- Algoritmo de propagación hacia atrás (Backpropagation).
- Backpropagation: entrenamiento y convergencia.
- Aproximación funcional con backpropagation.
- Aspectos prácticos y de diseño del aprendizaje con backpropagation.
Redes de Funciones de Base Radial.
- Separabilidad de patrones e interpolación.
- Teoría de la regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de las RBF.
Aprendizaje Competitivo y RNAS Autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- 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 esquemas 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 consistente
- Garantías para un conjunto finito de hipótesis: caso inconsistente
- Aspectos generales
- Escenarios deterministas frente a estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y Dimensión VC
- Compensación entre sesgo y varianza
- Regularización
- Sobreajuste (Overfitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (Regresión de Procesos Gaussianos)
- PCA y PCA de Kernel
- Mapas de Autoorganización (SOM)
- Espacio vectorial inducido por Kernel
- Kernels de 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 autotutelado (Self-Taught Learning)
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demostraciones y aplicaciones
Requerimientos
Conocimiento sólido de matemáticas.
Conocimiento sólido de estadística básica.
No se requieren conocimientos básicos de programación, pero se recomiendan.
Testimonios (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
