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 la 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.
- Revisión 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 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.
RNA de alimentación hacia adelante (Feedforward).
- Estructuras de redes de alimentación hacia adelante multicapa.
- Algoritmo de retropropagación.
- Retropropagación: entrenamiento y convergencia.
- Aproximación funcional con retropropagación.
- Cuestiones prácticas y de diseño del aprendizaje por retropropagación.
Redes de Función 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 RNA autoorganizativas.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización del vector de aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizativos.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de los conjuntos difusos y la lógica difusa.
- Diseño de reglas difusas.
- Diseño de ANNs 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 un conjunto finito de hipótesis: caso consistente
- Garantías para un conjunto finito de hipótesis: caso inconsistente
- Aspectos generales
- Deterministas vs. escenarios estocásticos
- Ruido de error de Bayes
- Errores de estimación y aproximación
- Selección del modelo
- Complejidad de Rademacher y Dimensión VC
- Compromiso entre sesgo y varianza (bias-variance tradeoff)
- Regularización
- Sobreajuste (Over-fitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (regresión de procesos gaussianos)
- PCA y Kernel PCA
- Mapas de Autoorganización (SOM)
- Espacio vectorial inducido por kernel
- Núcleos de Mercer y métricas de similitud inducidas por kernel
- Aprendizaje por refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Este contenido se impartirá en relación con los temas cubiertos el Día 1 y el Día 2
- Regresión logística y Softmax
- Autoencoders dispersos
- Vectorización, PCA y blanqueamiento (Whitening)
- Aprendizaje autogestado (Self-Taught Learning)
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa
- Análisis de componentes independientes
- Análisis de correlación canónica
- Demostraciones y aplicaciones
Requerimientos
Buen dominio de las matemáticas.
Buen dominio de la estadística básica.
No se requieren habilidades básicas de programación, aunque son recomendables.
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
