Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
DÍA 1 - REDES NEURONALES ARTIFICIALES
Introducción y Estructura de las RNTA.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una Red Neural Artificial.
- Funciones de activación utilizadas en las Redes Neuronales Artificiales.
- Clases típicas de arquitecturas de red.
Fundamentos Matemáticos y Mecanismos de Aprendizaje.
- Repaso del álgebra de vectores y matrices.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje de 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.
Redes Neuronales Artificiales Feedforward.
- Estructuras de redes feedforward de múltiples capas.
- Algoritmo de retropropagación (Backpropagation).
- Retropropagación - entrenamiento y convergencia.
- Aproximación funcional con retropropagación.
- Cuestiones prácticas y de diseño del aprendizaje por retropropagación.
Redes de Funciones de Base Radial (RBF).
- 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 Redes Neuronales Auto-Organizables.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización de Vectores (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características auto-organizativos.
- Propiedades de los mapas de características.
Redes Neuronales Difusas (Fuzzy).
- Sistemas neuro-difusos.
- Fundamentos de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos.
- Diseño de Redes Neuronales Artificiales difusas.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de Redes Neuronales, sus ventajas y problemas.
DÍA 2 - APRENDIZAJE AUTOMÁTICO
- Marco de Aprendizaje PAC
- Garantías para conjunto de hipótesis finito – caso consistente
- Garantías para conjunto de hipótesis finito – caso inconsistente
- Generalidades
- Escenarios determinísticos vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelo
- Complejidad de Rademacher y Dimensión VC
- Compensación entre sesgo y varianza
- Regularización
- Sobreajuste
- Validación
- Máquinas de Vectores de Soporte
- Kriging (Regresión de Procesos Gaussianos)
- PCA y PCA de Núcleos (Kernel PCA)
- Mapas de Auto-Organización (SOM)
- espacio vectorial inducido por núcleos
- Núcleos de Mercer y métricas de similitud inducidas por núcleos
- Aprendizaje por Refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Se enseñará en relación con los temas cubiertos el Día 1 y el Día 2
- Regresión Logística y Softmax
- Auto-encoderes Esparcidos
- Vectorización, PCA y Blanqueamiento (Whitening)
- Aprendizaje Auto-Escapado (Self-Taught Learning)
- Redes Profundas
- Decodificadores Lineales
- Convolución y Pooling
- Codificación Esparsa
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demostraciones y Aplicaciones
Requerimientos
Buen comprensión de las matemáticas.
Buena comprensión de la estadística básica.
Las habilidades de programación básicas no son obligatorias, pero se recomiendan.
21 Horas
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
