Temario del curso
DÍA 1 - REDES NEURALES ARTIFICIALES
Introducción y estructura de las RNA.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una RNA.
- Funciones de activación utilizadas en las RNA.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso 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 los perceptrones.
- Clasificador de patrones: introducción y clasificadores de Bayes.
- El perceptrón como clasificador de patrones.
- Convergencia del perceptrón.
- Limitaciones de los perceptrones.
RNA con propagación hacia adelante.
- Estructuras de redes multiclase con propagación hacia adelante.
- Algoritmo de retropropagación.
- Entrenamiento y convergencia mediante la retropropagación.
- Aproximación funcional con la retropropagación.
- Consideraciones prácticas y de diseño del aprendizaje por retropropagación.
Redes de Función de Base Radial.
- Sepabilidad de patrones e interpolación.
- Teoría de regularización.
- Regularización y redes RBF.
- Diseño y entrenamiento de la red RBF.
- Propiedades de aproximación de la RBF.
Aprendizaje competitivo y RNA auto-organizantes.
- Procedimientos generales de agrupamiento.
- Cuantificación del vector de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características auto-organizantes.
- Propiedades de los mapas de características.
Redes Neurales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos difusos y lógica difusa.
- Diseño de reglas difusas.
- Diseño de RNA difusas.
Aplicaciones
- Se discutirá algunos ejemplos de aplicaciones de las Redes Neurales, 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
- Orientaciones 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
- Validación
- Máquinas de vectores de soporte (SVM)
- Kriging (regresión de procesos gaussianos)
- PCA y PCA con kernels
- Mapas de auto-organización (SOM)
- Espacio vectorial inducido por el kernel
- Kernels de Mercer y métricas de similitud inducidas por el kernel
- Aprendizaje por refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Este tema 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
- Aprendizaje auto-supervisado
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento
- Codificación dispersa
- Análisis de componentes independientes
- Análisis de correlación canónica
- Demos y aplicaciones
Requerimientos
Buen entendimiento de las matemáticas.
Buen entendimiento de estadística básica.
No se requieren habilidades básicas de programación, pero 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
