UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Fundada en 1551

FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA

Escuela Académico Profesional de Ingeniería de Sistemas

SILABO

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 ESPECÍFICOS

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.	modelo_1
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	Tarea_1 B.C.
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.	Tarea-P1 Tarea-P2 Archivos
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.	Dibujar_Borde Patrones Base de Conocimiento Arch_Entrena Resultados Paper

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

1. Redes Neuronales y Sistemas Difusos; B. Martín del Brío, A. Sanz Molina, Alfaomega 2002
2. Inteligencia Artificial, cap. 19; S. Rusell y Peter Norving, Ed. Prentice Hall, 1996.
3. Redes Neuronales Artificiales. Fundamentos y Modelos; J. Hilera/ V. Martínez, Alfaomega 2000.
4. Redes Neuronales: Algoritmos, aplicaciones y técnicas de programación; J. Freeman, D. Skapura Addisson - Wesley Iberoamericana 1993.
5. http://www.mathworks.com/access/helpdesk/help/toolbox/nnet/ ; Enlaces para archivos PDF del “Neural Networks User’s Guide”.