UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
Fundada en 1551
FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA
Escuela Académico Profesional de Ingeniería de Sistemas
SILABO
2. SUMILLA
Propiedades de las redes neuronales individuales, integración sináptica y modelos de neuronas. Operaciones vectoriales esenciales. Inhibición lateral y procesamiento sensorial. Operaciones sencillas de matrices. El asociador lineal; simulaciones. Primeros modelos de redes. El perceptron. Algoritmos de descenso en gradiente. Representación de la información. Aplicaciones de los asociadores sencillos; formación de conceptos y movimiento de objetos. Energía y redes neuronales; redes de hopfield y máquinas de Boltzmann. Clasificadores del vecino más cercano. Mapas adaptativas. El modelo ECC; una simple red neural auto asociativa no lineal. Cómputos asociativos. Enseñándole aritmética a una red neural.
3. OBJETIVO GENERAL
El estudiante será capaz de desarrollar sistemas inteligentes basados en Redes Neuronales Artificiales (RNA), que puedan aplicarse en la resolución de problemas en los sectores de servicios, ciencia y tecnología.
4. OBJETIVOS ESPECÍFICOS
Que el estudiante sea capaz de:
1.
ESPECIFICACIONES GENERALES
Nombre del Curso | : Redes Neuronales |
Código del Curso | : 201206 |
Duración del Curso | : 17 Semanas |
Forma de Dictado | : Teórico - Práctico |
Horas Semanales | : 2 horas |
Naturaleza | : Formación Profesional |
Número de Créditos | : 2 |
Prerrequisito | : 207008 - Inteligencia Artificial |
Semestre Académico | : 2018-II |
Profesor | : Hugo Vega Huerta |
2. SUMILLA
Propiedades de las redes neuronales individuales, integración sináptica y modelos de neuronas. Operaciones vectoriales esenciales. Inhibición lateral y procesamiento sensorial. Operaciones sencillas de matrices. El asociador lineal; simulaciones. Primeros modelos de redes. El perceptron. Algoritmos de descenso en gradiente. Representación de la información. Aplicaciones de los asociadores sencillos; formación de conceptos y movimiento de objetos. Energía y redes neuronales; redes de hopfield y máquinas de Boltzmann. Clasificadores del vecino más cercano. Mapas adaptativas. El modelo ECC; una simple red neural auto asociativa no lineal. Cómputos asociativos. Enseñándole aritmética a una red neural.
3. OBJETIVO GENERAL
El estudiante será capaz de desarrollar sistemas inteligentes basados en Redes Neuronales Artificiales (RNA), que puedan aplicarse en la resolución de problemas en los sectores de servicios, ciencia y tecnología.
4. OBJETIVOS
Que el estudiante sea capaz de:
- Aprender los conceptos, fundamentos y aplicaciones de la metodología denominada Redes Neuronales Artificiales (RNA).
- Representar problemas de diversa índole mediante RNA, enfatizando en cómo usar los datos disponibles, en cómo seleccionar el tipo de arquitectura de la red y el tipo de entrenamiento a usar.
- Diseñar, desarrollar y aplicar algunos de los principales modelos de RNAs con Entrenamiento Supervisado, a diversos problemas.
- Diseñar, desarrollar y aplicar algunos de los principales modelos de RNAs con Entrenamiento No Supervisado, a diversos problemas.
5. CONTENIDO ANALÍTICO POR SEMANAS
Sem. |
Tópico
|
Referencia
|
1
|
Presentación del curso. Introducción a las Redes Neuronales: Definición, reseña histórica, características principales, comparación con otras técnicas de la Inteligencia Artificial, aplicaciones. |
|
2
|
Modelizado de la neurona biológica y de las redes neuronales biológicas. Estructura de los modelos conexionistas. Tipos de arquitectura. Aprendizaje en las redes neuronales: concepto de aprendizaje, tipos de entrenamiento. |
|
3
|
Representación de problemas mediante Redes Neuronales Supervisadas. Perceptrón Unicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. |
|
4
|
Aplicaciones a casos prácticos del Perceptrón Unicapa. Herramientas computacionales para redes neuronales (MATLAB, Netlab, SNNS, etc.). |
|
5
|
Red ADALINE: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. Aplicaciones a casos prácticos. Comparación con Perceptrón Unicapa |
|
6
|
Perceptrón Multicapa: funcionamiento básico, capacidad de representación, regla de aprendizaje (Backpropagation) y algoritmo. |
|
7
|
Validación de redes Backpropagation. Criterios de parada. Sobreentrenamiento. Variantes del algoritmo Backpropagation |
|
8
|
Examen Parcial. |
|
9
|
Aplicaciones a casos prácticos de la red Perceptrón Multicapa. |
|
10
|
Redes neuronales auto-organizativas: características principales, tipos. Representación de problemas usando redes no supervisadas. Red Kohonen de una capa: funcionamiento básico, capacidad de representación, reglas de aprendizaje y algoritmo. |
|
11
|
Aplicaciones a casos prácticos de la Red Kohonen de una capa. |
|
12
|
Redes de Base Radial: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. |
|
13
|
Aplicaciones a casos prácticos de la Red de Base Radial |
|
14
|
Redes Recurrentes: características principales, tipos. Representación de problemas usando redes recurrentes. Redes de Hopfield: funcionamiento básico, capacidad de representación, regla de aprendizaje y algoritmo. |
|
15
|
Aplicaciones a casos prácticos de la Red de Hopfield |
|
16
|
Presentación de trabajos computacionales. |
|
17
|
Proyecto Final. |
6. METODOLOGÍA
Las clases serán ofrecidas
mediante exposiciones orales utilizando diapositivas y proyector multimedia. Se
presentarán estudios de casos prácticos en los sectores de la industria y
servicios. Algunas clases se desarrollarán en laboratorio. Los estudiantes
organizados en grupos de 2 o 3 alumnos, desarrollarán un trabajo computacional.
7. EVALUACIÓN
La evaluación del curso contempla dos exámenes, dos
lecturas obligatorias y un trabajo de computación. Se considerará un examen
sustitutorio sólo en caso de inasistencia a alguno de los exámenes por razones
de fuerza mayor.
La nota del curso será obtenida mediante la siguiente
expresión:
Nota = 0.05*CL1
+ 0.05*CL2 + 0.20
*TC1 + 0.35*EP + 0.35*EF
Donde:
CLX: Controles de lectura
TC: Trabajo computacional
EP: Examen parcial:
EF: Examen final
Temas Para Trabajo Computacional
Los estudiantes deberán desarrollar una aplicación que
implemente alguna de las arquitecturas de Redes Neuronales presentadas. La
aplicación deberá abordar algún problema de la educación, industria o
servicios.
8. BIBLIOGRAFIA
- Redes Neuronales y Sistemas Difusos; B. Martín del Brío, A. Sanz Molina, Alfaomega 2002
- Inteligencia Artificial, cap. 19; S. Rusell y Peter Norving, Ed. Prentice Hall, 1996.
- Redes Neuronales Artificiales. Fundamentos y Modelos; J. Hilera/ V. Martínez, Alfaomega 2000.
- Redes Neuronales: Algoritmos, aplicaciones y técnicas de programación; J. Freeman, D. Skapura Addisson - Wesley Iberoamericana 1993.
- http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/ ; Enlaces para archivos PDF del “Neural Networks User’s Guide”.