Clave: 19B7859
No. de horas: 72
Créditos: 5
Tipo de asignatura: Optativa
Fecha de elaboración: 2018-06-21
Objetivo general:
El alumno comprenderá los fundamentos teóricos de las redes neuronales artificiales (RNA); será capaz de identificar y resolver problemas científicos y tecnológicos con RNA.
Temas:
1. Introducción
2. Arquitecturas de redes neuronales artificiales (RNA)
2.1 Manejo del conocimiento mediante las distintas arquitecturas de RNAs
2.2 Ejemplos conceptuales del uso de RNAs en diferentes áreas del conocimiento
3. El proceso de aprendizaje computacional
3.1 Memoria asociativa
3.2 Reglas de aprendizaje por corrección de error, basado en memoria, y hebbiano
3.3 Paradigmas de aprendizaje
4. El perceptrón
4.1 Aprendizaje mediante el perceptrón y el problema de separación lineal
4.2 El perceptrón multicapa
4.3 El elemento linear adaptativo (ADALINE), Múltiple ADALINE, y diferencias entre el ADALINE y el Perceptrón
5. El algoritmo de retropropagación de error
5.1 Funciones de activación
5.2 El algoritmo de retropropagación del error en forma secuencial y por lotes
5.3 Entrenamiento en línea y fuera de línea
6. Redes competitivas
6.1 Elementos básicos de una red competitiva
6.2 Tipos de redes neuronales competitivas
6.3 Redes competitivas no supervisadas
6.4 Algoritmos de aprendizaje competitivo en forma secuencial y por lotes
7. Aprendizaje profundo
7.1 Introducción al aprendizaje profundo
7.2 Regularización y criterios de paro
7.3 Métodos de optimización para entrenamiento de modelos profundos
7.4 Redes Neuronales convolucionales
8. Sistemas adaptativos neurodifusos (ANFIS)
8.1 Arquitecturas ANFIS y MANFIS (Múltiple ANFIS)
8.2 Solución mediante ANFIS de series de tiempo
8.3 Solución de problemas mediante MANFIS
9. Aplicaciones de las RNA en diversos campos de la ciencia y la tecnología
Bibliografía:
[1] S. Haykin. Neural Networks and Learning Machines. Third Edition. New Jersey. Pearson Education, Inc. 2009.
[2] A. P. Engelbrecht. Computational Intelligence. An Introduction. Second Edition. John Wiley & Son Ltd. England. 2007.
[3] Mohamad H. Hassoun. Fundamentals of Artificial Neural Networks. MIT Press. 2003.
[4] J.-S.R. Jang, C.-T. Sun, E. Misutani. Neuro-Fuzzy and Soft Computing. A Computational Approach to Learning and Machine Intelligence. Prentice Hall. Upper Saddle River, NJ. 1997.
[5] I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. The MIT Press Cambridge, Massachusetts. London, England. 2016.
[6] Ivan Nunes da Silva, Danilo Hernane Spatti, Rogerio Andrade Flauzino, Luisa Helena Bartocci Liboni, Silas Franco dos Reis Alves. Artificial Neural Networks: A Practical Course. Springer. Switerland, 2017.