Temario del curso
DÍA 1 - REDES NEURONALES 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 redes.
Fundamentos Matemáticos y Mecanismos de Aprendizaje.
- Repaso de álgebra vectorial y matricial.
- Conceptos de espacio de estado.
- Conceptos de optimización.
- Aprendizaje por corrección de error.
- Aprendizaje basado en memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de una 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 los perceptrones.
RNA Feedforward (Avance hacia adelante).
- Estructuras de redes feedforward multicapa.
- Algoritmo de backpropagation (retropropagación).
- Backpropagation - entrenamiento y convergencia.
- Aproximación funcional con backpropagation.
- Cuestiones prácticas y de diseño del aprendizaje por backpropagation.
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 RBF.
Aprendizaje Competitivo y RNA Autoorganizada.
- Procedimientos generales de clustering.
- Cuantización Vectorial (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizadas.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos difusos y lógica difusa.
- Diseño de sistemas difusos.
- Diseño de RNA difusas.
Aplicaciones
- Se discutirán algunos ejemplos de aplicaciones de Redes Neuronales, sus ventajas y problemáticas.
DÍA 2 - APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
- Marco de aprendizaje PAC
- Garantías para conjuntos de hipótesis finitos – caso consistente
- Garantías para conjuntos de hipótesis finitos – caso inconsistente
- Generalidades
- Escenarios deterministas vs. estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección de modelo
- Complejidad Rademacher y Dimensión VC
- Compensación entre sesgo y varianza (Bias-Variance tradeoff)
- Regularización
- Sobreajuste (Over-fitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (regresión de proceso gaussiano)
- PCA y PCA de Núcleo (Kernel PCA)
- Mapas de Autoorganización (SOM)
- Espacio vectorial inducido por núcleos
- Núcleos de Mercer y métricas de similitud inducidas por núcleos
- Aprendizaje por Refuerzo
DÍA 3 - DEEP LEARNING
Se enseñará en relación con los temas cubiertos en el Día 1 y el Día 2
- Regresión Logística y Softmax
- Autoencoderes Esparcidos
- Vectorización, PCA y Whitening
- Aprendizaje Autodidacta (Self-Taught Learning)
- Redes Profundas
- Decodificadores Lineales
- Convolución y Pooling
- Codificación Esparcida
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demos y Aplicaciones
Requerimientos
Comprensión sólida de matemáticas.
Comprensión sólida de estadística básica.
Se recomienda contar con habilidades básicas de programación, aunque no son un requisito obligatorio.
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
