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 ANN.
- Neuronas biológicas y neuronas artificiales.
- Modelo de una ANN.
- Funciones de activación utilizadas en las ANNs.
- Clases típicas de arquitecturas de red.
Fundamentos matemáticos y mecanismos de aprendizaje.
- Repaso del álgebra vectorial y matricial.
- Conceptos de espacio de estados.
- Conceptos de optimización.
- Aprendizaje por corrección de errores.
- Aprendizaje basado en la memoria.
- Aprendizaje hebbiano.
- Aprendizaje competitivo.
Perceptrones de capa única.
- 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.
ANN de propagación hacia adelante (Feedforward).
- Estructuras de redes feedforward multicapa.
- Algoritmo de retropropagación (Back propagation).
- Retropropagación: entrenamiento y convergencia.
- Aproximación funcional con retropropagación.
- Aspectos prácticos y problemas de diseño del aprendizaje por retropropagación.
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 las RBF.
Aprendizaje Competitivo y ANN Autoorganizables.
- Procedimientos generales de agrupamiento (clustering).
- Cuantización vectorial del aprendizaje (LVQ).
- Algoritmos y arquitecturas de aprendizaje competitivo.
- Mapas de características autoorganizables.
- Propiedades de los mapas de características.
Redes Neuronales Difusas.
- Sistemas neuro-difusos.
- Antecedentes de conjuntos y 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 conjuntos finitos de hipótesis – caso consistente
- Garantías para conjuntos finitos de hipótesis – caso inconsistente
- Aspectos generales
- Escenarios deterministas frente a estocásticos
- Ruido del error de Bayes
- Errores de estimación y aproximación
- Selección de modelos
- Complejidad de Rademacher y Dimensión VC
- Compensación sesgo-varianza
- Regularización
- Sobreajuste (Over-fitting)
- Validación
- Máquinas de Vectores de Soporte (SVM)
- Kriging (Regresión de Procesos Gaussianos)
- PCA y PCA basado en kernels
- Mapas de Autoorganización (SOM)
- Espacio vectorial inducido por kernels
- Kernels de Mercer y métricas de similitud inducidas por kernels
- Aprendizaje por Refuerzo
DÍA 3 - APRENDIZAJE PROFUNDO
Esto se impartirá en relación con los temas cubiertos el Día 1 y el Día 2
- Regresión logística y Softmax
- Autoencoders dispersos (Sparse Autoencoders)
- Vectorización, PCA y Blanqueo (Whitening)
- Aprendizaje autoenseñado (Self-Taught Learning)
- Redes profundas
- Decodificadores lineales
- Convolución y agrupamiento (Pooling)
- Codificación dispersa (Sparse Coding)
- Análisis de Componentes Independientes
- Análisis de Correlación Canónica
- Demos y aplicaciones
Requerimientos
Conocimientos sólidos de matemáticas.
Conocimientos sólidos de estadística básica.
No se requieren habilidades básicas de programación, pero se recomiendan.
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
