Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de ANN.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una ANN.
- Funciones de activación utilizadas en ANNs.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra vectorial y matricial.
- Conceptos de espacio de estado.
- Conceptos de optimización.
- Aprendizaje por corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de una sola capa.
- Estructura y aprendizaje de perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de un perceptrón.
ANN de propagación hacia adelante (Feedforward).
- Estructuras de redes feedforward multicapa.
- Algoritmo de retropropagación.
- Retropropagación: entrenamiento y convergencia.
- Aproximación funcional con retropropagación.
- Aspectos prácticos y de diseño del aprendizaje por retropropagación.
Redes de Funciones de Base Radial (RBF).
- 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 ANN autoorganizado.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización por vectores de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizables.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Fundamentos de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos (fuzzy).
- Diseño de ANNs difusos.
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
- Consideraciones generales
- Escenarios deterministas vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección del modelo
- Complejidad de Rademacher y dimensión VC
- Compensación sesgo-varianza
- Regularización
- Sobreajuste (Over-fitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (regresión de Procesos Gaussianos)
- PCA y PCA con 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
Esto se impartirá en relación con los temas cubiertos el Día 1 y el Día 2.
- Regresión logística y Softmax
- Autoencodificadores dispersos (Sparse Autoencoders)
- Vectorización, PCA y Blanqueamiento (Whitening)
- Aprendizaje autoinstruido
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa (Sparse Coding)
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demostraciones y aplicaciones
Requerimientos
Buen entendimiento de matemáticas.
Buen entendimiento de estadística básica.
No se requieren habilidades básicas de programación, pero sí son recomendadas.
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
