Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y estructura de las ANN.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una ANN.
- Funciones de activación utilizadas en las ANN.
- Clases típicas de arquitecturas de redes.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra vectorial y matricial.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje basado en corrección de errores.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de una sola capa.
- Estructura y aprendizaje de los perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de los perceptrones.
ANN de alimentación hacia adelante.
- Estructuras de redes de alimentación hacia adelante multicapa.
- Algoritmo de retropropagación.
- Retropropagación: entrenamiento y convergencia.
- Aproximación funcional mediante retropropagación.
- Cuestiones prácticas y de diseño en el aprendizaje por retropropagación.
Redes de funciones de base radial.
- Separabilidad de patrones e interpolación.
- Teoría de regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de redes RBF.
- Propiedades de aproximación de las RBF.
Aprendizaje competitivo y ANN autoorganizativa.
- Procedimientos generales de agrupamiento.
- Quantización de vectores de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas autoorganizativos de características.
- Propiedades de los mapas de características.
Redes neuronales difusas.
- Sistemas neuro-difusos.
- Fundamentos de los conjuntos difusos y la lógica difusa.
- Diseño de sistemas difusos.
- Diseño de ANN 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
- Generalidades
- Escenarios determinísticos vs. estocásticos
- Ruido y error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y dimensión VC
- Compensación entre sesgo y varianza
- Regularización
- Sobreajuste
- Validación
- Máquinas de vectores de soporte (SVM)
- Kriging (regresión con procesos gaussianos)
- PCA y Kernel PCA
- Mapas de autoorganización (SOM)
- Espacio vectorial inducido por kernels
- Kernels de Mercer y métricas de similitud inducidas por kernels
- Aprendizaje por refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Este contenido se impartirá en relación con los temas cubiertos en el Día 1 y el Día 2
- Regresión logística y softmax
- Autoencoders dispersos
- Vectorización, PCA y blanqueado
- Aprendizaje autodidacta
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (pooling)
- Codificación dispersa
- Análisis de componentes independientes
- Análisis de correlación canónica
- Demuestraciones y aplicaciones
Requerimientos
Buena comprensión de las matemáticas.
Buena comprensión de la estadística básica.
No se requieren conocimientos básicos de programación, aunque 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
